Media is too big
VIEW IN TELEGRAM
Media is too big
VIEW IN TELEGRAM
Media is too big
VIEW IN TELEGRAM
Media is too big
VIEW IN TELEGRAM
Media is too big
VIEW IN TELEGRAM
Media is too big
VIEW IN TELEGRAM
Media is too big
VIEW IN TELEGRAM
Media is too big
VIEW IN TELEGRAM
Media is too big
VIEW IN TELEGRAM
Media is too big
VIEW IN TELEGRAM
Алгоритмы и структуры данных
Урок 1 Введение
Урок 2 Динамический массив Stack_Queue и Set
Урок 3 Алгоритмы сортировки
Урок 4 Хеш таблицы Деверья
Урок 5 Бинарное дерево поиска. АВЛ-дерево
Урок 6 Графы. Часть 1
Урок 7 Графы. Часть 2
Урок 8 Графы. Часть 3
Урок 9 Динамическое программирование
Урок 10 Задачи Практикум
Урок 1 Введение
Урок 2 Динамический массив Stack_Queue и Set
Урок 3 Алгоритмы сортировки
Урок 4 Хеш таблицы Деверья
Урок 5 Бинарное дерево поиска. АВЛ-дерево
Урок 6 Графы. Часть 1
Урок 7 Графы. Часть 2
Урок 8 Графы. Часть 3
Урок 9 Динамическое программирование
Урок 10 Задачи Практикум
Forwarded from НИИ Антропогенеза (ARI) (Chagin Oleg A.)
Если к open-source моделям добавить самопроверку, то они обгонят Claude
Исследователи показали, как это работает на практике с помощью фреймворка LLM-as-a-Verifier
Так DeepSeek V4 Flash + самопроверка
на Terminal-Bench 2.1 смогла:
1. Сгенерировать всего 5 вариантов решения
2. Та же модель их оценила и выбрала лучший
3. Точность выросла с 79 % до 88 %
В итоге обогнали Claude Fable 5 и сделали это в 11 раз дешевле
Исследователи показали, как это работает на практике с помощью фреймворка LLM-as-a-Verifier
Так DeepSeek V4 Flash + самопроверка
на Terminal-Bench 2.1 смогла:
1. Сгенерировать всего 5 вариантов решения
2. Та же модель их оценила и выбрала лучший
3. Точность выросла с 79 % до 88 %
В итоге обогнали Claude Fable 5 и сделали это в 11 раз дешевле
Всё началось в 1994, когда Leonard Adleman опубликовал proof of concept - с помощью ДНК возможно решать вычислительные задачи
Решал он задачу поиска гамильтонова пути в графе (т.е. обходящего все вершины)
Она натурально ложится на этот hardware:
Берут молекулы, соответствующие вершинам, и молекулы, соответствующие рёбрам
Их выбирают специально так, чтобы рёбра могли подсоединяться к вершинам графа, которым они соответствуют
Всё это взбалтывают и смешивают
Создаётся куча цепочек молекул, каждая из которых - это валидный путь в графе
Получившиеся молекулы фильтруют с помощью дополнительных реакций, чтобы они соответствовали критериям валидности
Началось развитие данной области
По ходу дела было показано, что ДНК обладают Тьюринг-полнотой - то есть на них можно реализовать машину Тьюринга, а значит и любые другие вычисления
Было много забавных работ - к примеру, крестики-нолики на основе ДНК
А кто-то и нейросеть на основе ДНК
Большой прорыв произошёл в 2023 году, когда китайские учёные смогли реализовать на практике логические гейты, которые можно соединять произвольным образом в "ДНК-микросхемы", что предоставляет возможность реализовывать общие вычисления
В качестве примера авторы реализовали решатель квадратных уравнений
В чём вообще смысл этой области?
Зачем пытаться строить компьютеры в майнкрафте и прочих странных доменах?
На самом деле, ДНК-вычисления - это не игрушка, и у них есть жирное преимущество по сравнению с классическими вычислениями - энергоэффективность
Эволюция потратила миллиарды лет на дизайн энергоэффективных биологических механизмов, и классические компьютеры, кажется, далеко позади
Современные компьютеры выдают десятки миллиардов флопов на 1 джоуль. DNA проводят в 10000000000 больше реакций на 1 джоуль
Энергоэффективность компьютеров быстро растёт, и на эту тему есть даже аналог закона Мура - Koomey's law
С сохранением текущего тренда, нужны ещё несколько десятков лет, чтобы классические компьютеры догнали ДНК
Прямое сравнение всё же бессмысленно, пока мы не столкнём два подхода в лоб на одной и той же вычислительное задаче
DNA-вычисления побеждают классические компьютеры в одном очень важном аспекте, и в нём у классических компьютеров нет и не будет вообще никаких шансов
Но это обсудим в следующий раз
Решал он задачу поиска гамильтонова пути в графе (т.е. обходящего все вершины)
Она натурально ложится на этот hardware:
Берут молекулы, соответствующие вершинам, и молекулы, соответствующие рёбрам
Их выбирают специально так, чтобы рёбра могли подсоединяться к вершинам графа, которым они соответствуют
Всё это взбалтывают и смешивают
Создаётся куча цепочек молекул, каждая из которых - это валидный путь в графе
Получившиеся молекулы фильтруют с помощью дополнительных реакций, чтобы они соответствовали критериям валидности
Началось развитие данной области
По ходу дела было показано, что ДНК обладают Тьюринг-полнотой - то есть на них можно реализовать машину Тьюринга, а значит и любые другие вычисления
Было много забавных работ - к примеру, крестики-нолики на основе ДНК
А кто-то и нейросеть на основе ДНК
Большой прорыв произошёл в 2023 году, когда китайские учёные смогли реализовать на практике логические гейты, которые можно соединять произвольным образом в "ДНК-микросхемы", что предоставляет возможность реализовывать общие вычисления
В качестве примера авторы реализовали решатель квадратных уравнений
В чём вообще смысл этой области?
Зачем пытаться строить компьютеры в майнкрафте и прочих странных доменах?
На самом деле, ДНК-вычисления - это не игрушка, и у них есть жирное преимущество по сравнению с классическими вычислениями - энергоэффективность
Эволюция потратила миллиарды лет на дизайн энергоэффективных биологических механизмов, и классические компьютеры, кажется, далеко позади
Современные компьютеры выдают десятки миллиардов флопов на 1 джоуль. DNA проводят в 10000000000 больше реакций на 1 джоуль
Энергоэффективность компьютеров быстро растёт, и на эту тему есть даже аналог закона Мура - Koomey's law
С сохранением текущего тренда, нужны ещё несколько десятков лет, чтобы классические компьютеры догнали ДНК
Прямое сравнение всё же бессмысленно, пока мы не столкнём два подхода в лоб на одной и той же вычислительное задаче
DNA-вычисления побеждают классические компьютеры в одном очень важном аспекте, и в нём у классических компьютеров нет и не будет вообще никаких шансов
Но это обсудим в следующий раз
Wikipedia
Leonard Adleman
American computer scientist
Крупнейший центр обработки данных (ЦОД) — в Усть-Илимске
Потребляемая мощность — 154 МВт
Проект уже прошёл Главгосэкспертизу, и по планам его должны достроить к 2027 году
Параллельно готовятся ещё два таких же ЦОД, которые построят следом
Все три — по 154 МВт каждый, то есть суммарно около 462 МВт
Использовать их будут для обучения моделей и для инференса
Строит всё это Cloud X (ООО «Клауд Солюшенс»), входящая в холдинг En+ (Эн+)
Инвестиции в три проекта — примерно в ₽140.000.000.000
Усть-Илимск выбран из-за Усть-Илимской ГЭС мощностью 3.840 МВт — четвёртой по мощности в России
Около 80 % генерации области — это ГЭС
Именно доступ к дешёвой гидроэнергии — главное преимущество проекта
По словам директора проекта «Восток» En+, в Восточной Сибири у компании около 1.000 МВт свободных мощностей — этого хватит примерно на 100.000 серверных стоек
Colossus 2 в Мемфисе, примерно на 1 ГВт (а весь комплекс Colossus — до 2 ГВт и порядка полумиллиона GPU), от газовых турбин (плюс аккумуляторы и городская сеть)
В США для питания дата-центров в ход идёт всё: газ (~40 % генерации), АЭС (~19 %), ВИЭ (~27 %), уголь
Газовая генерация как раз выигрывает скоростью запуска, но дороже гидроэнергии
Плюс вопрос охлаждения: если в Усть-Илимске среднегодовая температура −3.9 °C, а в Мемфисе +17.4 °C, то ЦОД будут не только тратить заметно меньше энергии на охлаждение, но и получат бесперебойный доступ к поверхностной воде — в отличие от Colossus, который качает более миллиона галлонов в сутки из водоносного горизонта и уже столкнулся с судебными исками
Cloud X заявляет, что планирует продавать мощности в том числе клиентам из стран Азии
На таких мощностях можно хостить и дообучать самые свежие китайские модели с открытыми весами
Сейчас это, например, Kimi K3, GLM-5.2 и Qwen3.8 — их веса можно свободно скачать и использовать под свои задачи
Как, к примеру, делают в Европе
Несмотря на то, что политики там часто выглядят неадекватными, никакого государственного запрета китайских моделей в ЕС нет — есть лишь точечные ограничения на приложение DeepSeek по причинам защиты данных
А бизнес китайские модели использует вовсю
Более того, французская Mistral — та самая, что позиционировала себя как «европейский суверенный искусственный интеллект», — в августе 2026 года начала хостить у себя китайскую GLM-5.2 от Z.ai «без изменений»
Потребляемая мощность — 154 МВт
Проект уже прошёл Главгосэкспертизу, и по планам его должны достроить к 2027 году
Параллельно готовятся ещё два таких же ЦОД, которые построят следом
Все три — по 154 МВт каждый, то есть суммарно около 462 МВт
Использовать их будут для обучения моделей и для инференса
Строит всё это Cloud X (ООО «Клауд Солюшенс»), входящая в холдинг En+ (Эн+)
Инвестиции в три проекта — примерно в ₽140.000.000.000
Усть-Илимск выбран из-за Усть-Илимской ГЭС мощностью 3.840 МВт — четвёртой по мощности в России
Около 80 % генерации области — это ГЭС
Именно доступ к дешёвой гидроэнергии — главное преимущество проекта
По словам директора проекта «Восток» En+, в Восточной Сибири у компании около 1.000 МВт свободных мощностей — этого хватит примерно на 100.000 серверных стоек
Colossus 2 в Мемфисе, примерно на 1 ГВт (а весь комплекс Colossus — до 2 ГВт и порядка полумиллиона GPU), от газовых турбин (плюс аккумуляторы и городская сеть)
В США для питания дата-центров в ход идёт всё: газ (~40 % генерации), АЭС (~19 %), ВИЭ (~27 %), уголь
Газовая генерация как раз выигрывает скоростью запуска, но дороже гидроэнергии
Плюс вопрос охлаждения: если в Усть-Илимске среднегодовая температура −3.9 °C, а в Мемфисе +17.4 °C, то ЦОД будут не только тратить заметно меньше энергии на охлаждение, но и получат бесперебойный доступ к поверхностной воде — в отличие от Colossus, который качает более миллиона галлонов в сутки из водоносного горизонта и уже столкнулся с судебными исками
Cloud X заявляет, что планирует продавать мощности в том числе клиентам из стран Азии
На таких мощностях можно хостить и дообучать самые свежие китайские модели с открытыми весами
Сейчас это, например, Kimi K3, GLM-5.2 и Qwen3.8 — их веса можно свободно скачать и использовать под свои задачи
Как, к примеру, делают в Европе
Несмотря на то, что политики там часто выглядят неадекватными, никакого государственного запрета китайских моделей в ЕС нет — есть лишь точечные ограничения на приложение DeepSeek по причинам защиты данных
А бизнес китайские модели использует вовсю
Более того, французская Mistral — та самая, что позиционировала себя как «европейский суверенный искусственный интеллект», — в августе 2026 года начала хостить у себя китайскую GLM-5.2 от Z.ai «без изменений»
Существует миф, что DARPA (тогда ещё ARPA) строила ARPANET — предшественник интернета — чтобы сохранить систему управления США после массированного ядерного удара СССР
На самом деле всё было прозаичнее
В конце 1960-х у Пентагона было мало мощных суперкомпьютеров, и инженеры придумали объединить их в сеть, чтобы «расшаривать» вычислительные ресурсы удалённо
А идеи выживания в ядерном апокалипсисе легли поверх проекта чуть позже — исключительно для того, чтобы выбивать бюджеты из Конгресса
И вот теперь агентство, которое полвека назад изобрело интернет ради совместного доступа к железу, оказалось в зависимости от инфраструктуры коммерческих гигантов, сдающих им это железо в аренду
Давно известно, что почти каждая крупная технологическая компания (Google, Facebook, Apple, Microsoft, Hewlett-Packard, Oracle) на старте финансировались грантами DARPA и деньгами разведки
Военные вырастили этих монстров, а теперь они диктуют военным свои правила игры
Недавно DARPA опубликовало документы, в которых просит разрешить закупать облачные мощности в обход конкурентных процедур у «Большой четвёрки»: Amazon, Google, Microsoft и Oracle
Причина — не техническое превосходство, а «существенное дублирование затрат» и «неприемлемые задержки» при попытке перейти к другому поставщику
Пару лет назад Пентагон решил перенести всю свою инфраструктуру в единое облако
Тендер JEDI на $10.000.000.000 выиграла Microsoft
Однако Amazon и Oracle устроили настоящую судебную истерику, завалив суды исками, и почти на год парализовали цифровизацию армии
В итоге Минобороны США сдалось: тендер JEDI аннулировали, а вместо него придумали программу JWCC, в которой каждому из IT-гигантов гарантирован кусок военного пирога
На выходе у DARPA получился неповоротливый цифровой Франкенштейн
Если провести OSINT-анализ опубликованных документов, то примерно так выглядит картина реальной ИТ-инфраструктуры Пентагона:
AWS (Amazon) — «Боевой конвейер» — основная продакшн-среда
Здесь крутятся критически важные боевые нагрузки DARPA: модели для киберопераций, симуляции роев дронов, автономные системы
Код вшит в проприетарные сервисы Amazon (Lambda, DynamoDB, SageMaker) и работает под утверждёнными разрешениями ATO в изолированном регионе AWS GovCloud
Microsoft Azure — «Командный центр и пропускная система» — держит Пентагон за горло через системы идентификации
Azure интегрирован с военным аналогом офисного пакета (DoD365) и единой системой управления доступом Entra ID
Это командный контур: кто, куда и зачем имеет право зайти, вся логистика допусков, документооборот и совместная работа
Здесь не хранят тяжёлые модели, но без этого облака не зайдёт ни один генерал — и переучить всех «солдат заново входить» никто не рискнёт
Google Cloud (GCP) — «Секретная ИИ-лаборатория» — не пускают к оперативному управлению, но его железо незаменимо для передовых экспериментов
Документы указывают на потребность в TPU (собственных тензорных процессорах Google) и аналитическом движке BigQuery
Именно здесь, в изолированных регионах GCP, DARPA перемалывает петабайты сырых спутниковых данных, обучает самые тяжёлые нейросети для будущих войн и отрабатывает алгоритмы, которые потом пытаются перенести в закрытые контуры AWS
Oracle Cloud (OCI) — «Хранилище данных» — упоминается не потому, что он уже используется, а потому что «в будущих программах, скорее всего, потребуются базы данных Oracle RAC и платформа Exadata»
DARPA резервирует место для гигантских транзакционных баз — скорее всего, под военную логистику, учёт вооружений и кадровую отчётность
На самом деле всё было прозаичнее
В конце 1960-х у Пентагона было мало мощных суперкомпьютеров, и инженеры придумали объединить их в сеть, чтобы «расшаривать» вычислительные ресурсы удалённо
А идеи выживания в ядерном апокалипсисе легли поверх проекта чуть позже — исключительно для того, чтобы выбивать бюджеты из Конгресса
И вот теперь агентство, которое полвека назад изобрело интернет ради совместного доступа к железу, оказалось в зависимости от инфраструктуры коммерческих гигантов, сдающих им это железо в аренду
Давно известно, что почти каждая крупная технологическая компания (Google, Facebook, Apple, Microsoft, Hewlett-Packard, Oracle) на старте финансировались грантами DARPA и деньгами разведки
Военные вырастили этих монстров, а теперь они диктуют военным свои правила игры
Недавно DARPA опубликовало документы, в которых просит разрешить закупать облачные мощности в обход конкурентных процедур у «Большой четвёрки»: Amazon, Google, Microsoft и Oracle
Причина — не техническое превосходство, а «существенное дублирование затрат» и «неприемлемые задержки» при попытке перейти к другому поставщику
Пару лет назад Пентагон решил перенести всю свою инфраструктуру в единое облако
Тендер JEDI на $10.000.000.000 выиграла Microsoft
Однако Amazon и Oracle устроили настоящую судебную истерику, завалив суды исками, и почти на год парализовали цифровизацию армии
В итоге Минобороны США сдалось: тендер JEDI аннулировали, а вместо него придумали программу JWCC, в которой каждому из IT-гигантов гарантирован кусок военного пирога
На выходе у DARPA получился неповоротливый цифровой Франкенштейн
Если провести OSINT-анализ опубликованных документов, то примерно так выглядит картина реальной ИТ-инфраструктуры Пентагона:
AWS (Amazon) — «Боевой конвейер» — основная продакшн-среда
Здесь крутятся критически важные боевые нагрузки DARPA: модели для киберопераций, симуляции роев дронов, автономные системы
Код вшит в проприетарные сервисы Amazon (Lambda, DynamoDB, SageMaker) и работает под утверждёнными разрешениями ATO в изолированном регионе AWS GovCloud
Microsoft Azure — «Командный центр и пропускная система» — держит Пентагон за горло через системы идентификации
Azure интегрирован с военным аналогом офисного пакета (DoD365) и единой системой управления доступом Entra ID
Это командный контур: кто, куда и зачем имеет право зайти, вся логистика допусков, документооборот и совместная работа
Здесь не хранят тяжёлые модели, но без этого облака не зайдёт ни один генерал — и переучить всех «солдат заново входить» никто не рискнёт
Google Cloud (GCP) — «Секретная ИИ-лаборатория» — не пускают к оперативному управлению, но его железо незаменимо для передовых экспериментов
Документы указывают на потребность в TPU (собственных тензорных процессорах Google) и аналитическом движке BigQuery
Именно здесь, в изолированных регионах GCP, DARPA перемалывает петабайты сырых спутниковых данных, обучает самые тяжёлые нейросети для будущих войн и отрабатывает алгоритмы, которые потом пытаются перенести в закрытые контуры AWS
Oracle Cloud (OCI) — «Хранилище данных» — упоминается не потому, что он уже используется, а потому что «в будущих программах, скорее всего, потребуются базы данных Oracle RAC и платформа Exadata»
DARPA резервирует место для гигантских транзакционных баз — скорее всего, под военную логистику, учёт вооружений и кадровую отчётность
OpenAI показала сразу десять результатов модели Astra в сложной математике и теоретической информатике
Доказательства опубликовали на сотнях страниц и формально проверили с помощью Lean
Доказательства опубликовали на сотнях страниц и формально проверили с помощью Lean
График из статьи Bloomberg
Оранжевые точки – китайские модели, синие – США
По оси Y – взвешенное среднее по бенчмаркам GDPval-AA v2, τ³-Banking, Terminal-Bench v2.1, Humanity’s Last Exam, GPQA Diamond, CritPt, SciCode, AA-Omniscience и AA-LCR
Ломаной соединены фронтирные модели
Видно, насколько за пару лет сократился разрыв в способностях (и это еще на графике нет GLM-5.3)
Многие американские лидеры до сих пор утверждают, что китайские модели отстают на 6-9 месяцев, но, очевидно, эта информация устарела
И это уже не говоря про цены
Оранжевые точки – китайские модели, синие – США
По оси Y – взвешенное среднее по бенчмаркам GDPval-AA v2, τ³-Banking, Terminal-Bench v2.1, Humanity’s Last Exam, GPQA Diamond, CritPt, SciCode, AA-Omniscience и AA-LCR
Ломаной соединены фронтирные модели
Видно, насколько за пару лет сократился разрыв в способностях (и это еще на графике нет GLM-5.3)
Многие американские лидеры до сих пор утверждают, что китайские модели отстают на 6-9 месяцев, но, очевидно, эта информация устарела
И это уже не говоря про цены