SAT solvers are programs that solve the Boolean Satisfiability Problem (SAT), which is the first problem proven to be NP-complete.

The SAT problem asks:

Given a Boolean formula, is there an assignment of True/False values to the variables that makes the entire formula evaluate to True?

For example:

(A OR B) AND (!A OR C) AND 
(!B OR !C)

A SAT solver tries to find values such as

A = False
B = True
C = True

that satisfy all clauses, or prove that no such assignment exists.

Why are SAT solvers important?

Although SAT is NP-complete and is believed to require exponential time in the worst case, modern SAT solvers are astonishingly effective on many real-world instances involving millions of variables.

They are used in:
* Hardware verification (Intel, AMD, NVIDIA)
* Software verification and bug finding
* Automated theorem proving / etc.

Interview with Ryan Williams, theoretical computer scientist specializing in computational complexity: https://youtu.be/AaK1SL2i_4Y?si=6y30OuIwy6S9Rv-K

​Теперь вы можете питаться традиционной казахской едой в Майнкрафте! 🎮🌾

​Встречайте Nomad's Delight — новый тематический мод, который добавляет в игру наш национальный колорит.

​🍲 Настоящий дастархан: в игру добавили более 50 традиционных блюд и ингредиентов.

​👉 Ссылка на GitHub: https://github.com/DosyaKitarov/NomadsDelight

​Ас болсын! 🇰🇿✨

​✍️ Авторы проекта: @ninsent и DosyaKitarov

Вопрос на интервью по Audio ML Engineering:

Что легче тестировать TTS модель или STT модель? Почему?

Ответ:
STT (Распознавание речи) тестировать принципиально легче, чем TTS (Синтез речи).
​Основная причина в том, что для STT критерий успеха объективен и легко автоматизируется (машина либо правильно угадала текст, либо нет). Для TTS же критерий успеха субъективен (насколько голос приятный, естественный, правильная ли интонация), что требует привлечения людей и сложной ручной оценки.

#audioml #interview_prep

Anthropic и Cerebral Valley запускают Built with Claude: Life Sciences

Это онлайн-хакатон для тех, кто хочет собрать AI-продукт вокруг биотеха, медицины и научных исследований.

Anthropic всё активнее двигает Claude в сторону life sciences. Недавно компания представила Claude Science, AI-workbench для исследователей с коннекторами, scientific skills, поддержкой Jupyter/R/HPC и проверяемыми артефактами.

https://cerebralvalley.ai/e/built-with-claude-life-sciences

Разрыв между исчезновением динозавров и появлением первых мамонтов составляет около 60 миллионов лет. Таким образом, гипотеза о хищничестве динозавров в отношении мамонтов является научно несостоятельной, так как кости динозавров к моменту появления мамонтов уже прошли полный процесс окаменелости.

#findings

🤩 Круто: NotebookLM умеет делать качественный видеопересказ, инфографику и ментальные карты - полезно для изучения каких-то сложных/интересных тех. материалов.

Link: https://notebooklm.google.com/

The Higgs boson (14 years since official publication in July 4, 2015)

You and everything around you are made of particles. But when the universe began, no particles had mass; they all sped around at the speed of light. Stars, planets and life could only emerge because particles gained their mass from a fundamental field associated with the Higgs boson. The existence of this mass-giving field was confirmed in 2012, when the Higgs boson particle was discovered at CERN.

With 5154 authors, a physics paper has seemingly broken the record for the largest number of contributors to a research article, Nature News reports.

CERN article: https://home.cern/science/physics/higgs-boson/
Arxiv article: https://arxiv.org/abs/1503.07589

~ больше половины пейпера - это перечисление авторов 😅

Protect the first two hours of your morning for uninterrupted, deeply focused work on your absolute highest-leverage priority ⚡ (~before being distracted by other things)

#productivity #gemini_flash

Продвинутые структуры данных MIT
проф. Эрик Демейн

Конспекты лекций: https://courses.csail.mit.edu/6.897/spring03/scribe_notes/

#1288 | Remove Covered Intervals

~ Задача на интервалы - классические задачи на интервью по распределению задач по процессам, планирование / оптимизация событий и т.д.

Problem Link: https://leetcode.com/problems/remove-covered-intervals/

Ещё на nFactorial подкасте был крутой разбор задачи по schedule-optimization от ex-Google DeepMind SWE - Adilet Zh.: https://youtu.be/gbgiFVFhGkc?si=3z3feGwhfNHOhJbo

#LeetCode #POTD #Intervals

June 30, 2026 -> Google's new model for zero-shot predictions on tabular data (classification / regression) was released.

~ Tested it today on Kaggle's Predicting Student Health Risk Competition ~ multiclass classification task.

~ For 295,753 test rows -> it took 7 hours inference... (on free GPU T4) ~ inference batch size: 1024.

The Takeaway: TabFM sacrifices raw inference speed to give you high-quality, out-of-the-box predictions in a single forward pass without the headache of building a custom ML pipeline.

+ TabFM is being integrated directly into Google BigQuery (AI.PREDICT SQL) ~ it will run on Google's computational power, so we will not feel any inference speed issues while using in BigQuery (I think).

Article: https://research.google/blog/introducing-tabfm-a-zero-shot-foundation-model-for-tabular-data/

#GoogleTabFM #TabularML

+ Есть схожая модель, только для Time Series Forecasting задач (2024):

TimesFM (Time Series Foundation Model) is a pretrained time-series foundation model ~ decoder only model that uses non-overlapping patches of time-series data as input and outputs some output patch length prediction in an autoregressive fashion.

https://huggingface.co/docs/transformers/model_doc/timesfm

Привет!

С вас 20$ :)

TabFM Inference Setup for Classification: https://www.kaggle.com/code/armanzhalgasbayev/ps-s6-e7-tabfm-zero-shot-clf/notebook

Great project by kazakh scientist - Sanzhar Taizhan 🔥

TaiSan says its proprietary polymer electrolyte enables sodium batteries that are 30% lighter and 25% more compact than conventional lithium-ion batteries, while replacing flammable liquid electrolytes with a solid-state alternative. The next phase will be about seeing whether they translate from the lab to everyday mobility.

Article: https://micromobility.io/news/beyond-lithium-taisans-ps4-65m-bet-on-sodium---ion

Forbes interview: https://youtu.be/KOMur3VDG8M?si=ilKFACu7XWTwRX9p

Background music for vibe coding 🫡

> A lot of bad changes, bad changes... But it still ships everything for me 😁

🗞️ В статье Google DeepMind “Intelligent AI Delegation” есть хороший разбор того, как правильно отдавать задачи AI.

Речь не о том, чтобы просто написать модели «сделай это» и надеяться на удачу.

Авторы предлагают смотреть на делегирование как на цепочку решений:

стоит ли вообще отдавать задачу AI, как её объяснить, какой уровень полномочий дать и как потом проверить результат.

Сейчас многие системы держатся на жёстких правилах, которые ломаются при неожиданных сбоях. Исследователи предлагают более гибкий подход: динамический рынок, где агенты могут «торговаться» за задачи через smart contracts.

Чтобы это работало безопасно, нужны строгий мониторинг и криптографические доказательства: система должна подтверждать корректность работы, не раскрывая приватные данные.

Вместо простых рейтингов агенты смогут использовать проверяемые цифровые сертификаты, которые показывают их реальные навыки.


Делегирование должно быть живым процессом- полномочия и ответственность могут меняться по ходу работы. Если ситуация изменилась или агент ошибся, система должна не разваливаться, а уметь передать задачу дальше, откатиться или включить запасной сценарий.

Отдельно важна тема доверия.

Фреймворк оценивает сложность задачи и прошлые результаты агента. Это помогает избежать двух ошибок:

* over-delegating - когда AI дают задачу, к которой он ещё не готов
* under-delegating, когда человек делает всё сам, хотя AI мог спокойно справиться

Результат тоже нельзя принимать на веру.

Система должна проверять ответ, учитывать уверенность агента и заранее иметь план, если он ошибётся. Для реальных рабочих процессов это критично: одна слепо принятая ошибка может потянуть за собой цепочку проблем.

Авторы также разбирают сценарий, где один AI-агент передаёт задачу другому. В таком случае система должна отслеживать, кто отвечает за результат, какие полномочия переданы и где находится контроль.

arxiv.org/abs/2602.11865