Почему разрыв между академическим ML и реальными задачами до сих пор существует — и как его сокращают Авито, МФТИ и ВШЭ

Авито открыл набор на три магистратуры с МФТИ и ВШЭ — программы, построенные на реальных задачах компании.

Суть простая: бизнес зашёл в университет не деньгами, а экспертизой. В разработке участвовало 300+ сотрудников, преподают действующие специалисты.

Дальше всё так:

• Студент с первого дня работает с кейсами живых продуктов, а не с учебными датасетами.

• Выпускник выходит с опытом, который обычно нарабатывают первые полгода на позиции.

Три направления: «Прикладное машинное обучение и анализ данных» с МФТИ, «Машинное обучение в цифровом продукте» с ФКН ВШЭ и «Управление продуктом в IT-бизнесе» с ВШБ ВШЭ — для продактов, с прицелом на уровень middle.

Поступить можно из любого региона России.

Подробнее по ссылкам:
МФТИ
ВШЭ (ML)
ВШЭ (продакт)

Qwen показали Qwen-AgentWorld - модель, которая учится симулировать среду, в которой агент действует.

Обычно LLM тренируют лучше пользоваться инструментами: искать, писать код, кликать по вебу, работать с терминалом.

А здесь идея другая: научить модель моделировать сами окружения.

Qwen-AgentWorld симулирует 7 типов агентных сред:

• MCP
• Search
• Terminal
• SWE
• Web
• OS
• Android

То есть модель пытается предсказывать, что произойдёт после действия агента в среде. Не пост-фактум адаптация, а цель обучения с первого дня.

Если языковая модель умеет моделировать окружение, её можно использовать как тренировочную площадку для агентов.

Авторы идут по двум направлениям:

1. построить foundation model для симуляции сред

2. проверить, усиливает ли world modeling обучение агентов

Самое интересное: по их данным, agentic RL в контролируемой симуляции может быть эффективнее, чем обучение в реальных средах. А предварительное обучение на предсказание окружений усиливает агентов даже без отдельного agent-specific fine-tuning.

Грубо говоря, это шаг к «тренажёру реальности» для AI-агентов.

Paper: https://arxiv.org/abs/2606.24597
Blog: https://qwen.ai/blog?id=qwen-agentworld
GitHub: https://github.com/QwenLM/Qwen-AgentWorld
HuggingFace: https://huggingface.co/collections/Qwen/qwen-agentworld
ModelScope: https://modelscope.cn/collections/Qwen/Qwen-AgentWorld

Google добавили computer use в Gemini 3.5 Flash.

Теперь модель может вызывать функции, а работать с интерфейсом как пользователь: видеть экран, понимать задачу, нажимать, проверять и продолжать действие.

Раньше computer use был отдельной моделью, теперь это часть основной Gemini Flash.

Отдельно добавили защиту: подтверждение чувствительных действий и остановку задач при подозрении на prompt injection.

https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-computer-use-gemini-3-5-flash/

🌺 Релиз Ornith-1.0 - новое семейство open-source LLM, специализированных под agentic coding.

Ornith-1.0 выходит в разных размерах:

• 9B Dense

• 31B Dense

• 35B MoE

• 397B MoE

Модели показывают state-of-the-art результаты среди open-source моделей сопоставимого размера на coding-бенчмарках:

• Terminal-Bench 2.1 — 77.5

• SWE-Bench — 82.4 на verified, 62.2 на pro, 78.9 на Multilingual

• NL2Repo — 48.2

• SWE Atlas — 41.2 на QnA, 42.6 RF, 39.1 TW

• ClawEval — 77.1

Ornith-1.0 дообучали поверх Gemma 4 и Qwen 3.5.

Reinforcement learning используется не только для генерации решений, но и для создания task-specific scaffolds, которые направляют эти решения.

То есть модель совместно улучшает и «каркас» задачи, и итоговое решение. За счёт этого она генерирует более качественные ответы в agentic coding.

Все модели выпущены под MIT-лицензией, поэтому их можно использовать и в коммерческих, и в исследовательских проектах.

📖Tech Blog: http://deep-reinforce.com/ornith_1_0.html
🤗Huggingface: http://huggingface.co/collections/deepreinforce-ai/ornith-10

Это очень сильный отчёт - The State of the AI Economy от Exponential View.

Главная идея: AI-экономика уже стала реальным рынком, а не только хайпом вокруг инфраструктуры.

Ключевые цифры:

• $110 млрд реальной AI-выручки за последние 12 месяцев после удаления двойного счёта. То есть если $1 потратили на Claude, он считается один раз, даже если часть денег потом ушла Amazon или другому инфраструктурному провайдеру.

• $175 млрд - текущий annualized run rate. Это показывает резкое ускорение рынка. Считаются расходы конечных клиентов, а не деньги, которые просто проходят по цепочке поставщиков.

В расчёт не включали Китай, внутреннюю экономию компаний от AI, рост рекламы, консалтинг и системную интеграцию.

Темпы роста примерно в 3 раза быстрее, чем у мобильного интернета и обычного интернета на ранних этапах.

Скорость формирования выручки резко выросла: новый $1 млрд AI-выручки теперь появляется меньше чем за 2 дня. В 2023 году на это уходило около 180 дней.

Enterprise AI уже вышел за рамки пилотов, но глубокое внедрение на уровне всей компании всё ещё только начинается.

Упоминания AI появились в отчётных звонках у 31% отслеживаемых компаний из S&P 500.

Но только 20% компаний дали конкретные численные оценки влияния AI на бизнес.

Интересный момент по инфраструктуре: AI-выручка hyperscalers пока примерно покрывает амортизацию AI-инфраструктуры.

Но экономика GPU сильно зависит от предположения, что вычислительное оборудование будет использоваться около 6 лет. Для другой AI-инфраструктуры срок моделируют примерно на 14 лет.

Снижение цен на токены не обязательно снижает выручку.

Каждое снижение цены токенов на 10% приводит к росту использования токенов примерно на 12-18%.

Это значит, что спрос на AI выглядит эластичным по цене: чем дешевле становится AI, тем быстрее растёт использование.

Главные ограничения для будущего масштабирования - доступность электроэнергии и стоимость дата-центров.

intelligence.exponentialview.co