Новый AI-отчёт от Google.

Все предыдущие «взрывы интеллекта» в истории человечества были социальными, а не индивидуальными.

Авторы утверждают, что представление об AI-сингулярности как об одном сверхинтеллекте, который самобутстрапится до «божественного» уровня, фундаментально ошибочно.

Это напрямую важно для всех, кто проектирует multi-agent системы.

Они отмечают, что передовые reasoning-модели, такие как DeepSeek-R1, спонтанно формируют внутренние «сообщества мышления» — multi-agent дебаты между различными когнитивными перспективами — исключительно за счёт RL.

Дальнейшее развитие — это не монолитные «оракулы», а конфигурации человек–AI и агентные институты.

Это меняет стратегию масштабирования AI: вместо «строить более крупные модели» — «собирать более сложные социальные системы».

В работе также утверждается, что управление AI-агентами должно строиться на принципах институционального дизайна: checks and balances, ролевые протоколы и взаимодействия, а не только на индивидуальном alignment.

Статья: https://arxiv.org/abs/2603.20639

👉 @DataSciencegx

Vector Index vs Vector Database

👉 @DataSciencegx

NVIDIA доказала, что обратное распространение ошибки — не единственный способ создания ИИ.

Они обучили модели с миллиардами параметров без использования единого градиента.

Каждый ИИ, который вы используете сегодня, опирается на обратное распространение ошибки.

Это требует сложных вычислений, колоссальных затрат памяти и огромных кластеров GPU.

Тем временем, древний метод без градиентов, называемый стратегиями эволюции (ES), был признан невозможным для масштабирования.

Но теперь всё изменилось.

NVIDIA и Оксфорд только что представили EGGROLL.

Вместо того чтобы генерировать огромные полнорранговые матрицы для каждой мутации, они разделяют их на две маленькие.

ИИ мутирует. Он тестирует. Он сохраняет то, что работает. Как биологическая эволюция.

Но теперь он делает это с сотнями тысяч параллельных мутаций одновременно.

Производительность теперь такая же, как у пакетной инференции.

Они предобучают модели с нуля, используя только простые целые числа.

Без обратного распространения ошибки. Без десятичных. Без градиентов.

Мы думали, что будущее ИИ требует бесконечных кластеров прецизионного оборудования.

Оказалось, нам просто нужно было эволюционировать.

👉 @DataSciencegx

Искусственный интеллект SakanaAI начал проводить собственные научные исследования — неужели это возможно?

Искусственный интеллект SakanaAI-Scientist-v2 использует метод Agentic Tree Search для автоматизации научных открытий.

Он не помогает людям — он полностью управляет процессом: от гипотез до экспериментов и написания статей.

Задайте направление исследования, и ИИ сам найдет литературу, спроектирует эксперименты, проанализирует данные и напишет статью.

Результаты уровня лаборатории, которые уже могут конкурировать с работами аспирантов.

Это переворачивает основы логики научных исследований: скорость открытия больше не ограничена человеческими силами и продолжительностью жизни.

Один ИИ-ученый может работать круглосуточно, исследуя 100 направлений одновременно.

Вопрос в том, когда ИИ начнет самостоятельно публиковать статьи, чье имя будет стоять в качестве первого автора?

Само определение науки переписывается.

https://github.com/SakanaAI/AI-Scientist-v2

👉 @DataSciencegx

Google опубликовала исходный код фундамента для моделей временных рядов.

Она работает с любыми данными без необходимости в обучении.

В отличие от традиционных моделей, не требуется обучение на данных, специфичных для конкретной задачи. TimesFM прогнозирует "из коробки".

Модель обучена на 100 миллиардов реальных точек данных, включая трафик, погоду и прогнозирование спроса.

👉 @DataSciencegx

Чуваки собрали ряд материалов по harness-инжинирингу для AI-агентов, включая архитектурные ограничения, feedback loop-ы, runtime-обвязку и многое другое — всё это ориентировано на команды, которые разрабатывают долгоживущих production-grade агентов.

Материалы охватывают определения, операционные принципы, evaluation и observability, референсные реализации и другие аспекты.

👉 @DataSciencegx

Мы нашли версию tSNE для GPU.

Она работает в 33 раза быстрее при изменении всего одной строки кода

В рамках GPU-окружения:

- Удалите эту строку → from sklearn.manifold import TSNE
- Добавьте эту строку → from tsnecuda import TSNE

Теперь tSNE будет выполняться на GPU для более быстрой обработки.

👉 @DataSciencegx

Китайские исследователи уменьшили «мозг» робота в 11 раз.

Они представили BitVLA — 1-битную vision-language-action модель, которая сокращает «ИИ-мозг» робота в 11 раз, позволяя запускать его на максимально дешёвом железе.

Обычно, если вы хотите, чтобы роботизированная рука увидела объект и точно поняла, как его захватить, нужен большой модельный стек на дорогих GPU или постоянное подключение к серверу.

Эта команда решила проблему, сжав всю модель до всего 1.4 ГБ. Они упростили почти всю сложную внутреннюю математику до трёх базовых значений: -1, 0 и 1.

Самое безумное? Они показали, что такая компактная модель управляет роботом с той же точностью, что и большие тяжёлые модели, но работает в 4 раза быстрее.

Это означает, что теперь можно создавать умных и мощных роботов на энергоэффективных чипах локально, полностью офлайн — без дорогих серверов и без задержек.

https://arxiv.org/pdf/2506.07530

👉 @DataSciencegx

12 функций Claude Code, которые должен знать каждый инженер

👉 @DataSciencegx

Ещё один удар по Anthropic

Разработчики сделали бесплатную и более продвинутую альтернативу Claude, которая:

- запускается локально
- работает с любыми LLM
- превосходит его в задачах глубокого ресёрча
- имеет возможности уровня Cowork
- подключается к более чем 40 источникам данных
- self-host’ится через Docker и не только

Полностью open-source (20k+ звёзд).

👉 @DataSciencegx

Гибридный поиск = точность лексического поиска + «интуиция» семантического поиска.

С помощью ES|QL и многоэтапных retriever-ов можно комбинировать в одном запросе:
• лексический поиск,
• семантический поиск,
• фильтры и
• reranking.

👉 @DataSciencegx

Не вызывайте redirect() внутри блока try/catch в Next.js

Почему? Когда вы вызываете redirect() из next/navigation внутри try/catch,

redirect() намеренно выбрасывает специальную внутреннюю ошибку — именно так Next.js понимает, что нужно выполнить редирект пользователя.

Но если вызвать redirect() внутри try, этот error будет перехвачен в catch, и редирект не произойдёт.

Как исправить → Вынесите redirect() за пределы блока try/catch

👉 @DataSciencegx

В этой работе от Stanford и Harvard объясняется, почему большинство “agentic AI” систем выглядят впечатляюще в демо, а затем полностью разваливаются в реальном использовании.

Она называется “Adaptation of Agentic AI” и это самая важная работа, которую я читал в этом году.

Сейчас все одержимы идеей создания автономных агентов. Мы даём им инструменты, память и цель — и ожидаем, что они будут выполнять нашу работу.

Но при деплое в реальном мире они начинают галлюцинировать вызовы инструментов. Проваливаются на долгосрочном планировании. Ломаются.

Вот почему:

Мы пытаемся запихнуть всё обучение внутрь «мозга» модели.

Когда разработчики пытаются починить сломанного агента, они обычно просто дообучают основную модель, чтобы она лучше выдавала финальные ответы.

Исследователи обнаружили критический изъян в этом подходе.

Если вознаграждать ИИ только за правильный финальный ответ, он начинает «лениться».

Он буквально учится переставать использовать инструменты. Пытается угадать ответ вместо того, чтобы выполнить вычисления. Игнорирует калькулятор и пытается считать «в голове».

Чтобы это исправить, исследователи предложили новый фреймворк из 4 частей, описывающий, как агенты должны обучаться на самом деле.

И главный вывод полностью переворачивает текущий подход.

Вместо постоянного переобучения большого и дорогого «мозга» агента, самые надёжные системы делают противоположное.

Они фиксируют модель. И адаптируют инструменты.

Этот подход называется Agent-Supervised Tool Adaptation.

Вместо того чтобы заставлять LLM запоминать новые workflow, используется сама LLM для динамического построения более эффективных систем памяти, обновления собственных стратегий поиска и генерации кастомных под-инструментов на лету.

Базовая модель остаётся неизменной. Умнее становится её окружение выполнения.

Последние два года мы относились к ИИ как к блестящему сотруднику, который должен выучить весь внутренний регламент компании.

Но самые эффективные сотрудники не запоминают всё.

Они просто строят более эффективную систему хранения и доступа к информации.

👉 @DataSciencegx

Google DeepMind создали ИИ, который пишет алгоритмы ИИ лучше, чем учёные-люди.

И он полностью эволюционирует их самостоятельно.

В недавно опубликованной статье они представили AlphaEvolve. Это система, которая не просто тюнингует базовые гиперпараметры — она даёт LLM доступ к реальному исходному коду сложных мультиагентных обучающих систем.

Они рассматривают Python-код как геном — и позволяют ИИ его мутировать.

Результаты впечатляют.

ИИ изобрёл полностью новые, неинтуитивные математические механизмы, до которых исследователи-люди даже не додумывались.

Вот почему это меняет всё:

- Семантическая эволюция кода: классическое генетическое программирование просто применяло случайные мутации к коду, пока что-то не скомпилируется. Здесь LLM-агент читает существующий алгоритм, понимает его логику и вносит осмысленные изменения в Python-код.

- Нечеловеческая интуиция: агент открыл новые алгоритмы (например, VAD-CFR и SHOR-PSRO), использующие странные, неинтуитивные математические механизмы, которые люди полностью упустили.

- Результаты уровня state-of-the-art: алгоритмы, написанные ИИ, не просто работают — они эмпирически превосходят лучшие решения, разработанные людьми, в сложных задачах теории игр.

Мы буквально наблюдаем рекурсивное самоулучшение ИИ в реальном времени.

Раньше человеческая интуиция была узким местом при поиске алгоритмических прорывов. Теперь достаточно направить LLM на кодовую базу, задать цель — и позволить ему автономно эволюционировать математику.

Статья

👉 @DataSciencegx

Недавно наткнулся на open-source туториал There Is No Spoon на GitHub — вводное руководство по машинному обучению, специально ориентированное на инженеров.

Вместо сухого, учебникового изложения он преобразует абстрактные концепции ML в аналогии из физики и инженерии, которые нам знакомы.

Нейроны сравниваются с поляризационными фильтрами, глубина модели — с оригами, и используются максимально простые объяснения, чтобы переосмыслить базовое понимание алгоритмов.

Контент покрывает три основных блока: базовые концепции, популярные архитектуры (свёрточные, attention, рекуррентные сети, state space модели и т.д.), а также gating-механизмы как практический инструментарий для систем управления.

Фокус не на заучивании математических выводов, а на том, как выбирать инструменты под конкретные задачи и понимать компромиссы при выборе архитектуры.

Весь туториал — это один Markdown-файл с 12 визуализациями. Рекомендуется читать его вместе с AI-ассистентом — загрузить текст и разбирать разделы в диалоге для лучшего понимания.

👉 @DataSciencegx

Математика — это не просто про числа, это про выявление сложных паттернов в окружающем мире.

И существует множество способов применять математические концепции в программировании — далеко за пределами того, чему учат в школе.

В этом гайде Tiago разбирает архитектуру математики — и показывает, как использовать её в своём коде.

https://freecodecamp.org/news/the-architecture-of-mathematics-and-how-developers-can-use-it-in-code/

👉 @DataSciencegx

Python-декоратор — это всё, что нужно, чтобы трассировать LLM-приложения (open-source).

Большинство LLM-eval’ов рассматривают приложение как end-to-end чёрный ящик.

Но LLM-приложениям нужны eval’ы и трассировка на уровне компонентов, потому что проблема может быть где угодно внутри: в retriever’е, tool call или в самом LLM.

В DeepEval это можно сделать всего в 3 строки кода:

- Трассируйте отдельные компоненты LLM (tools, retrievers, generators) с помощью декоратора @observe.
- Привязывайте разные метрики к каждой части.
- Получайте визуальный разбор того, что работает, а что нет.

Готово.

Не нужно рефакторить существующий код.

Смотрите пример ниже для RAG-приложения.

DeepEval — полностью open-source (14k+ звёзд), его легко развернуть самостоятельно, чтобы данные оставались у вас.

👉 @DataSciencegx

Изучай LLM как инженер, а не как исследователь: полный гайд.

Если ты изучаешь большие языковые модели как инженер, твоя цель — не просто понимать их, а уметь их строить, оптимизировать и доводить до продакшена. Для этого нужна ясность на трёх уровнях: как модель работает внутри, как она обучается и дообучается (fine-tuning), и как эффективно запускается в продакшене.

Этот гайд проходит по всему стеку с фокусом на том, что действительно важно при построении систем. Ты в любой момент можешь…

👉 @DataSciencegx

Этот AI-прокси снижает расходы на LLM на 50% 🤯

Plano выступает как «умная data plane», которая автоматически маршрутизирует твои запросы к подходящей модели в зависимости от сложности задачи.

Работает на базе Arch-Router-1.5B, обеспечивая продакшн-уровень маршрутизации, развернутый в масштабе на Hugging Face.

- Умная маршрутизация LLM на основе сложности задачи
- Бесшовная оркестрация multi-agent сценариев
- Встроенные guardrails и observability

100% open-source

👉 @DataSciencegx

Анатомия agent harness

Глубокий разбор того, что на самом деле строят Anthropic, OpenAI, Perplexity и LangChain. Рассматриваются orchestration loop, инструменты, память, управление контекстом и всё остальное, что превращает stateless LLM в полноценного агента.

👉 @DataSciencegx

Трейсить и оценивать любое AI/LLM-приложение можно в 3 строках кода

- Инициализируете eval через LangWatch (строка 3)
- Декорируете метод LLM-воркфлоу (строка 5)
- Логируете результат оценки (строка 11)

При этом можно продолжать использовать Pandas и другие любимые инструменты.

100% open-source!

👉 @DataSciencegx