Kimi K3 здесь
2.8T параметров, 1М контекста. Официальных бенчмарков пока нет, но вроде как модель бьет Fable и Sol на BrowseCamp и выходит на 3 место на GDPval.
https://www.kimi.com/
Модель также доступна по API у нас на платформе DS Lab: https://dslab.tech/ai/models/llm/kimi-k3
2.8T параметров, 1М контекста. Официальных бенчмарков пока нет, но вроде как модель бьет Fable и Sol на BrowseCamp и выходит на 3 место на GDPval.
https://www.kimi.com/
Модель также доступна по API у нас на платформе DS Lab: https://dslab.tech/ai/models/llm/kimi-k3
1🤯206🔥52🤔24❤18👍16😁6⚡1☃1
Data Secrets
Kimi K3 здесь 2.8T параметров, 1М контекста. Официальных бенчмарков пока нет, но вроде как модель бьет Fable и Sol на BrowseCamp и выходит на 3 место на GDPval. https://www.kimi.com/ Модель также доступна по API у нас на платформе DS Lab: https://dsla…
Про Kimi K3. В итоге модель уверенно бьет Opus 4.8*, но до Fable и Sol дотягивает далеко не везде. Так или иначе, это новая открытая SOTA, и она как никогда близка к закрытым лидерам.
Из интересного также первое место на Frontend Code Arena, с достаточно большим отрывом от Fable и Sol.
А еще, помните то видео, которое Moonshot выпускали как тизер? Так вот его из 56 сырых видео полностью смонтировала сама K3.
* Цена при этом почти в два раза меньше Opus 4.8: $3 input / $15 output за миллион токенов.
Из интересного также первое место на Frontend Code Arena, с достаточно большим отрывом от Fable и Sol.
А еще, помните то видео, которое Moonshot выпускали как тизер? Так вот его из 56 сырых видео полностью смонтировала сама K3.
* Цена при этом почти в два раза меньше Opus 4.8: $3 input / $15 output за миллион токенов.
🔥220❤34👍30🤯7☃4🤨3❤🔥2😁1💯1🤗1
— Юра взял «скучную» нишу с готовым спросом → сначала печальные $100/мес, через год уже ~$10K/мес
— Денис сделал Telegram-игру в одиночку на основе AI → ~ $1500 за 1,5 месяца после запуска
— Аня без кода запустила AI-бота для изучения английского → первые ~$200 уже в 1 месяц
Разные результаты. Разный масштаб. Но общие правила:
1. не придумывать «гениальную идею», а брать существующий спрос
2. делать простой MVP и быстро запускаться
3. докручивать монетизацию и продукт по факту использования
Ребята сделали всё без команды, без инвестиций, а самое главное — без ожидания «идеального момента». Да, не у всех получается сразу. И не у всех выходит на $10K. Но если системно идти по схеме выше — появляется первый доход с продукта, а дальше уже есть что масштабировать.
В комьюнити разбираем такие кейсы регулярно: @its_capitan. Что сработало, что нет, и почему.
Реклама: ИП Зуев Игорь Владимирович, ИНН: 360408359441, Erid: 2VtzqukSh1k
Please open Telegram to view this post
VIEW IN TELEGRAM
🗿113😁50
This media is not supported in your browser
VIEW IN TELEGRAM
В Шэньчжэне стартовал первый в мире MMA чемпионат среди роботов – Ultimate Robot Knock-out Legeng
Выглядит достаточно эпично. Главный приз – полтора миллиона долларов, кстати.
Выглядит достаточно эпично. Главный приз – полтора миллиона долларов, кстати.
1❤169😁137🔥41🤯13🏆6👏5⚡3☃2💯1🍓1
Список обещаний Илона Маска пополнился: он пообещал сделать X полностью опенсорсным
Речь не о рекомендательном или каком-то отдельном алгоритме, он имеет в виду буквально X целиком.
Речь не о рекомендательном или каком-то отдельном алгоритме, он имеет в виду буквально X целиком.
Кроме того, мы пригласим независимых экспертов для проверки системы, которая сейчас работает, чтобы подтвердить, что открытый исходный код соответствует тому, что действительно запущено. Доверие через полную прозрачность – это единственное, чему стоит верить.
1🔥225🤔59😁27❤20🤯12
40% компаний в России уже используют ИИ — и специалистов, которые умеют его создавать, а не только применять, не хватает катастрофически.
В ИТМО не одна программа, а целая линейка:
🔹 Фундаментальные — глубокое обучение, LLM, генеративный ИИ
🔹 Прикладные — ИИ в финтехе, в промышленности, речевые технологии
🔹 Продуктовые — как выводить ИИ-решения на рынок
🔹 Онлайн-программы — по индивидуальному плану, без отрыва от работы
Плюс — безопасность ИИ-систем, если хочется защищать нейросети, а не только строить.
Бюджетные места, стажировки с первого семестра, поступление по портфолио или экзаменам — вариантов много.
Все программы по ИИ можно найти здесь.
Реклама. Университет ИТМО ИНН:7813045547
В ИТМО не одна программа, а целая линейка:
🔹 Фундаментальные — глубокое обучение, LLM, генеративный ИИ
🔹 Прикладные — ИИ в финтехе, в промышленности, речевые технологии
🔹 Продуктовые — как выводить ИИ-решения на рынок
🔹 Онлайн-программы — по индивидуальному плану, без отрыва от работы
Плюс — безопасность ИИ-систем, если хочется защищать нейросети, а не только строить.
Бюджетные места, стажировки с первого семестра, поступление по портфолио или экзаменам — вариантов много.
Все программы по ИИ можно найти здесь.
Реклама. Университет ИТМО ИНН:7813045547
😁29🗿19❤15🔥3🫡2👍1😍1🍓1
Forwarded from Data Secrets | Карьера
Hugging Face × alphaXiv запустили крутой челлендж
В качестве задачи разработчикам и исследователям предлагают взять любую интересующую научную работу и попытаться воспроизвести ее ключевые результаты с помощью агентов.
Цель проекта – создать публичную базу проверок научных работ, чтобы сделать их более прозрачными и воспроизводимыми. Особенно учитывая, что около 70% работ в ИИ не воспроизводятся.
Из приятного: организаторы предлагают GPU-кредиты на 4000$ + отдельные призы от OpenResearch. А сам челлендж закончится 2 августа, так что не упустите возможность поучаствовать.
В качестве задачи разработчикам и исследователям предлагают взять любую интересующую научную работу и попытаться воспроизвести ее ключевые результаты с помощью агентов.
Цель проекта – создать публичную базу проверок научных работ, чтобы сделать их более прозрачными и воспроизводимыми. Особенно учитывая, что около 70% работ в ИИ не воспроизводятся.
Из приятного: организаторы предлагают GPU-кредиты на 4000$ + отдельные призы от OpenResearch. А сам челлендж закончится 2 августа, так что не упустите возможность поучаствовать.
🔥131❤31👍9😁5🤯2
Т-Технологии выпустили опенсорс-модель T-Search
Сегодня команда Data Secrets посещает ML Conf. Послушали доклад Анатолия Потапова, руководителя группы фундаментальных технологий LLM в Центре искусственного интеллекта Т-Банка, где как раз презентовали модель.
T-Search это первая открытая русскоязычная модель для Agentic RAG, заточенная на многошаговый поиск для бизнеса.
В отличие от классического RAG с одним запросом, T-Search – агент-ретривер: внутри ReAct-цикл с тремя инструментами – search_corpus, save_and_advance (сохранение чанков, новый раунд) и finalize_ranking (финальный ранжированный список). Ответ модель не генерирует, только отдает evidence-чанки, генерацию берет на себя любая LLM. Это сокращает стоимость инференса на 20–50%.
Агент работает раундами: внутри раунда каждого вот такой ReAct-loop с бюджетом ~32K токенов; при заполнении 75% окна поиск блокируется, и агент либо сохраняет память и переходит в новый раунд, либо финализирует результат. Между раундами передается не вся история вызовов, а сжатое состояние поиска, так контекст остается в разумных пределах даже при глубоком поиске.
Бюджетом поиска можно управлять гибко: один быстрый прогон или несколько параллельных роллаутов с RRF-объединением.
Модель построена на Qwen3.6-35B-A3B, для запуска хватает одной H100. По recall T-Search обходит более крупные открытые модели, включая Qwen3.5-397B, GLM-5.2 и Kimi-K2.6. Вместе с ней выложили два бенчмарка: собранный вручную русскоязычный TRuST и синтетический SynthComp.
Модель уже опубликована на Hugging Face под лицензией Apache 2.0
Сегодня команда Data Secrets посещает ML Conf. Послушали доклад Анатолия Потапова, руководителя группы фундаментальных технологий LLM в Центре искусственного интеллекта Т-Банка, где как раз презентовали модель.
T-Search это первая открытая русскоязычная модель для Agentic RAG, заточенная на многошаговый поиск для бизнеса.
В отличие от классического RAG с одним запросом, T-Search – агент-ретривер: внутри ReAct-цикл с тремя инструментами – search_corpus, save_and_advance (сохранение чанков, новый раунд) и finalize_ranking (финальный ранжированный список). Ответ модель не генерирует, только отдает evidence-чанки, генерацию берет на себя любая LLM. Это сокращает стоимость инференса на 20–50%.
Агент работает раундами: внутри раунда каждого вот такой ReAct-loop с бюджетом ~32K токенов; при заполнении 75% окна поиск блокируется, и агент либо сохраняет память и переходит в новый раунд, либо финализирует результат. Между раундами передается не вся история вызовов, а сжатое состояние поиска, так контекст остается в разумных пределах даже при глубоком поиске.
Бюджетом поиска можно управлять гибко: один быстрый прогон или несколько параллельных роллаутов с RRF-объединением.
Модель построена на Qwen3.6-35B-A3B, для запуска хватает одной H100. По recall T-Search обходит более крупные открытые модели, включая Qwen3.5-397B, GLM-5.2 и Kimi-K2.6. Вместе с ней выложили два бенчмарка: собранный вручную русскоязычный TRuST и синтетический SynthComp.
Модель уже опубликована на Hugging Face под лицензией Apache 2.0
👍82❤41🔥26😁11❤🔥4😢3🕊2☃1🤯1🎉1😎1