AI Agents Security Week by Yandex

Начните создавать защищённых ИИ‑агентов. Разберёмся в архитектуре агентных систем и практических методах их защиты. На реальных кейсах покажем, какие типы угроз существуют и как встраивать безопасность в жизненный цикл разработки ИИ‑продуктов.

Лекции с 27 по 31 июля.

Регистрация — до 27 июля.

Ссылка на регистрацию: https://shad.yandex.ru/agentsecurityweek

+1 problem for practicing Dynamic Programming (DP)

~ DP is one of the most common algorithmic patterns you'll face in medium to hard interview questions.

🔗 Problem link: https://leetcode.com/problems/maximum-consistent-columns-in-a-grid

🔖 My solution with explanation: https://leetcode.com/problems/maximum-consistent-columns-in-a-grid/solutions/8401925/1d-dp-on-columns-with-validation-c-by-si-4osq

#LeetCode

Интересно будет послушать онлайн полезные для production use cases доклады из ICML от специалистов из Yandex 👍

О-о, нет. 2 контеста в одно время поставили 😱

Codeforces Round 1111 (Div. 2) will take place on 18 July 2026 at 14:35 UTC.
Please, join by the link https://codeforces.com/contests/2247

LeetCode Biweekly Contest 187 will take place on 18 July 2026 at 14:30 UTC.
Please, join by the link https://leetcode.com/contest/biweekly-contest-187/

Conjecture Machines: AI agents and the new validation bottleneck in science

AI agents present at least four urgent new priorities:
1. Scientists need access to the tools.
2. The tools need access to agent-ready data.
3. We need more experimental infrastructure to validate AI ideas.
4. And we need to update the peer review process.

AI agents could stoke fears of budget cuts for staff and risk de-skilling junior scientists before they develop independent judgment. To prevent this, scientific training should include agent-free periods and utilize AI as a cognitive partner rather than an unthinking shortcut.

Full article: https://deepmind.google/public-policy/conjecture-machines-ai-agents-and-the-new-validation-bottleneck-in-science/

🚀 Как обучить модель на тысяче GPU?

Обыкновенно в курсах по машинному обучению рассматриваются модели, для обучения которых требуются ресурсы одного сервера (1 или несколько графических карт). Но современные LLM, foundational модели требуют коллосальное количество вычислений на огромных кластерах.

По словам Ильи Суцкевера совсем недавно закончилась “эпоха масштабирования”, ознаменовавшаяся экспоненциальным ростом числа параметров моделей. В этот период были разработаны ключевые концепции для масштабирования вычислений на GPU, которые мы рассмотрим на грядущем вебинаре “Параллелизация обучения модели на сотни GPU”. Интересно, что на сегодняшний день данные методы применяются не только для обучения, но и для применения больших моделей.

🎙 Спикер: Владислав Гончаренко – автор курса MLOps программы MSAI и основатель girafe-ai
📅 Когда: 20 июля (понедельник)
🕖 Время: 19:00 (МСК)

На вебинаре обсудим:
• три базовых способа масштабирования
• соединим их в 3D scaling для получения максимальных возможностей
• в каких системах они реализованы
• как вы можете использовать их сегодня
• спикер ответит на вопросы участников

Вебинар будет полезен ML-инженерам, исследователям, студентам и всем, кто хочет глубже разобраться в инфраструктуре обучения современных AI-моделей.

👉 Вебинар бесплатный, необходима предварительная регистрация

Introducing Kimi K3: Open Frontier Intelligence (Moonshot AI)

🔹 2.8 Trillion Parameters, 1 Million Context, Native Multimodal
🔹 Kimi Delta Attention enables up to 6.3x faster decoding in million-token contexts
🔹 Attention Residuals deliver ~25% higher training efficiency at <2% additional cost
🔹 Built for long-horizon agentic coding and self-evolving workflows

Kimi K3 is now live on on Kimi.com, Kimi Work, Kimi Code, and the Kimi API.
Open Weights by July 27, 2026. (~ через 9 дней откроют веса - кул 👍)

🔗 API: platform.kimi.ai
🔗 Tech blog: https://www.kimi.com/blog/kimi-k3

KV Cache (Key-Value Cache) is a crucial memory optimization in Large Language Models (LLMs) that accelerates text generation by storing intermediate attention computations (Keys and Values). Instead of re-evaluating the entire prompt for every new word, the model calculates the new token and reuses the cached history, changing computational growth from quadratic to linear.

🔗 Video link (by IBM & Red Hat): https://www.youtube.com/watch?v=o0gkdZBtwEg

Kimi K3 -> K3 stands for Kazakhstan 🇰🇿

Открытый вебинар «Параллелизация обучения модели на сотни GPU».

Авторы: команда girafe.ai (мощные специалисты)

Материалы:

- Запись на YouTube: https://www.youtube.com/watch?v=D67sPMFLtNI&list=PLJR10EXrBaAs9kwh3KAxNny5TBsEB0nF0&index=1

+ прикрепил ниже презентацию.

gpu_parralelizm.pdf