Оказывается, чувак, который рулит рекомендациями в ленте VK (привет, AI VK), вышел из тени и расказал, как они там вылизывают метрики. Степан Малькевич, собственной персоной, заявил: за последние месяцы не то чтобы этого, но уже 2026 года, время, которое юзер просирает в ленте, подскочило на 11%.

И нет, это не просто «мы покрутили ручку и стало лучше». По словам спикера, за этим ростом стоит целая серия замутов: от свежего ранкера до запила алгоритма Брезенхема. Каждое изменение в одиночку не вытащило бы цифру, но вместе — сработали как надо.

Детали и прочая аналитика тут: https://habr.com/ru/companies/vk/articles/1078192/

👉 Data Science | Machinelearning [ru]

LLM зацикливается: как найти причину, не трогая параметры?

LLM в продакшене может выглядеть стабильной неделями, а затем начать зацикливаться на одном абзаце, упираться в лимит токенов и создавать нагрузку на инфраструктуру — без единой ошибки в логах. В статье разбирают, как диагностировать такие сбои: какие сигналы помогают найти причину, почему изменение параметров генерации часто оказывается неверным первым шагом и как выстроить защиту от повторных петель на уровне системы. Разбирается кейс.

https://habr.com/ru/companies/otus/articles/1067766/

👉 Data Science | Machinelearning [ru]

Гонка за самую мощную ИИ-модель подходит к концу. Financial Times объясняет, почему бизнесу это больше не нужно.

Последние годы развитие генеративного ИИ напоминало спортивную таблицу: OpenAI выпускала GPT-4, Google отвечала Gemini, Anthropic показывала новую Claude. В 2026 году эта логика начала ломаться. Модели по-прежнему становятся мощнее: 1 сентября Anthropic выпустила Claude Fable 5.1, топовую модель для программирования и сложной интеллектуальной работы. Но более сильная модель больше не означает, что большинство клиентов захотят использовать её для большинства задач.

Financial Times обратила внимание на показательный пример. Fable 5 вышла 9 июня 2026 года как одна из самых мощных моделей Anthropic, однако спустя примерно два месяца на неё приходилось около 11% расходов на продукты Anthropic среди корпоративных клиентов (выборка Ramp). Это не 11% всей выручки, а показатель внутри конкретной выборки. К тому же первоначальный запуск был прерван: 12 июня доступ отключили из-за американских экспортных ограничений, а 1 июля релиз восстановили. Поэтому цифру нельзя считать идеальным измерением спроса. Тем не менее тенденция ясна: компании всё чаще выбирают более дешёвые модели, если дополнительное качество frontier-модели не влияет на бизнес-результат.

Читать далее: https://habr.com/ru/companies/syntx_ai/articles/1078182/?utm_campaign=1078182&utm_source=habrahabr&utm_medium=rss

👉 Data Science | Machinelearning [ru]

Разбор звонков на геймерской видюхе

Запустил офлайн-пайплайн, который переваривает телефонные разговоры. Вся эта бандура крутится на одной игровой карте. И тут законный вопрос: а на хрена там LLM, если нам вообще плевать, кто и что сказал? Спойлер: суть не в расшифровке. Читать далее

👉 Data Science | Machinelearning [ru]

На Хабре опубликовали сравнение подписочных моделей Anthropic, OpenAI и Google для художественного перевода, редактирования и сверки: Google (gemini-3.7-flash, gemini-3.1-pro), Anthropic (claude-opus-5), OpenAI (gpt-5.6-sol). Авторы проверяли, кто чище переводит, кто внимательнее редактирует и кому можно доверить вердикт «ошибся автор или перевод».

Все сравнения проводились внутри опенсорсного конвейера BookTrans, о котором уже рассказывалось на Хабре. Читать далее

👉 Data Science | Machinelearning [ru]

ИИ — и вот ты уже мидл? За один вечер? Звучит как сказка для джunов.

Но в Basis решили не ржать, а проверить эту дикую гипотезу на своём внутреннем хакатоне. Фишка была не в том, чтобы срезать рутину, а в том, чтобы максимально ускорить профессиональный рост разраба.

Подробности — на Хабре: Не замена, а суперсИИла.

👉 Data Science | Machinelearning [ru]

💻 Хакер похитил с помощью агента API-ключ и сжег кредитов на $600 000!

Исследователь METR навайбкодил приложение для управления ИИ-агентами. Из-за бага интерфейс на несколько дней оказался открыт всему интернету, хакер нашел его и попросил агента раскрыть API-ключ. Последующие три недели гений просто тратил кредиты на ИИ-модели.

Самое прекрасное: большой расход кредитов заметили не сразу, так как METR регулярно проводит масштабные тесты, которые потребляют огромное количество токенов

✖️ xCode Journal

LLM, персональные данные и 152-ФЗ

Мы занимаемся внедрением LLM и агентов в бизнесы. Одна из самых частых проблем — как обрабатывать данные клиентов и при этом соблюдать закон 152-ФЗ о персональных данных. Давайте разберёмся!

Читать статью

👉 Data Science | Machinelearning [ru]

31 августа Google выпустила TimesFM-3 — новую фундаментальную модель для работы с временными рядами. Задача семейства TimesFM — прогнозировать поведение системы на основе ретроспективных данных. В третьей версии исследователи применили токенизацию групп временных отсчетов, сам трансформер — decoder-only, а также заявлена поддержка множественных переменных (multi-variate).

Автор поста вспомнил полуторагодовалую задачу классификации сценариев поведения пользователя по данным энергопотребления. Задача нетипична для TimesFM, созданной для предсказания эволюции, но ради интереса он проверил, как с ней справятся современные ИИ-агенты. В итоге получился экспресс-тест разных подходов к вайб-кодингу: DeepSeek, OpenCode и Freebuff.

Читать далее

👉 Data Science | Machinelearning [ru]

6 бесплатных AI API‑шлюзов: модели, лимиты и реальные RPM

Проверили шесть AI API-сервисов с бесплатным доступом: VyceAI, Experiential, Dahl, APInex, ModelRouter и TokenForge. Сравнили доступные модели, стартовые лимиты, RPM и поведение API на практике.

Читать далее

👉 Data Science | Machinelearning [ru]

Автоматизация перевода технической документации с помощью инструментов вокруг LLM

Авторы запилили автоперевод технической документации, а вокруг LLM навесили отдельный слой — и именно он выполнял всю основную работу.

Читать далее

👉 Data Science | Machinelearning [ru]

Как научить нейросеть чужому стилю без дообучения

Обычно агента, который пишет голосом бренда, получают дообучением: выгружают архив постов, собирают датасет, арендуют A100 и оставляют LoRA учиться на ночь. Автор вместо этого написал два навыка для Claude Code / Codex. Они снимают манеру автора с готовых текстов и переписывают по ней любой нейрослоп — без обучения, датасета и видеокарты.

В тесте текст ChatGPT расходился с манерой одного крупного телеграм-канала по 14 признакам из 31, после работы навыков осталось 2. Вся работа занимает вечер, а результат переносится на любую модель: правила стиля лежат в промпте, а не в весах.

Первый навык читает выгрузку канала и снимает профиль стиля: скрипт замеряет десятки признаков — от длины фразы и абзаца до частоты тире, эмодзи и обращений к читателю, а модель превращает замеры в правила. Второй берёт правила и переписывает по ним любой черновик. Профиль снимается один раз и живёт обычным текстовым файлом в git, а текстов по нему пишется сколько угодно.

Источник: habr.com

👉 Data Science | Machinelearning [ru]

Как говорить с искусственным интеллектом: книга о промптах

Камиль Гадеев — автор книги «Промт-инжиниринг и работа с LLM. Как говорить с искусственным интеллектом» о работе с большими языковыми моделями (LLM). Она основана на статьях из его научно-философского блога на Хабре.

В книге рассматриваются внутреннее устройство промптов, галлюцинации искусственного интеллекта и приёмы, позволяющие эффективно получать от машины информативные и достоверные ответы. Книгу можно купить на сайте издательства.

В статье — рассказ Камиля Гадеева о том, как устроена книга, как с ней работать и для кого она предназначена. Читать далее

👉 Data Science | Machinelearning [ru]

Qwen и Grok отгадывают советские загадки на внимательность

Кто лучше справляется с советскими загадками на внимательность — Qwen, Grok или человек? Сравнили две классические головоломки и получили любопытные результаты.

Читать далее

👉 Data Science | Machinelearning [ru]

ИИ сделает формальную верификацию мейнстримом — прогноз Мартина Клеппманна

Привет, Хаброжители! Мы перевели для вас свежую статью Мартина Клеппманна о том, почему формальная верификация благодаря ИИ вот-вот перестанет быть уделом единиц и станет обычной практикой.

Сейчас много говорят о влиянии ИИ на разработку, но есть ракурс, который почти не рассматривают. Клеппманн считает, что ИИ превратит формальную верификацию, десятилетиями жившую на периферии, в программно-инженерный мейнстрим.

Читать далее: https://habr.com/ru/companies/piter/articles/1079352/

👉 Data Science | Machinelearning [ru]

🌐 Твоё ИИ-решение — в одной из крупнейших энергетических компаний России

Получи подготовленные данные и разработай ИИ-ассистента для энергетики на соревновании от ПАО «Интер РАО» при поддержке «Яндекса». Лучшие проекты смогут стать частью экосистемы компании. Призовой фонд — 750 000 рублей.

Регистрация открыта до 27 сентября.

Можно участвовать одному или командой до 5 человек. Идеальный состав: разработчик, специалист по машинному обучению, аналитик и дизайнер.

Стартуем 28 сентября. Придумай концепт проекта: самые сильные идеи участники доработают под руководством экспертов с 9 по 23 октября. Финал в Москве — 3 ноября.

Задачи соревнования — за какую возьмешься?

1️⃣ ИИ-помощник для подготовки презентаций.
Создай инструмент генерации презентации в корпоративном стиле из текстового брифа.

2️⃣ Помощник для анализа документов из судов.
Разработай систему, которая сможет распознавать, классифицировать и заносить судебные и исполнительные документы в базу данных.

3️⃣ Ассистент для создания ИТ/ИБ-дайджестов.
Напиши ассистента, который будет регулярно анализировать релевантные новости из различных источников и формировать краткую сводку.

4️⃣ Архитектор BPMN-диаграмм.
Создай генератор BPMN-диаграмм, который позволит из текстового описания процесса собрать валидную схему в формате BPMN 2.0.

Получи сильную строчку в портфолио и уникальный опыт работы под руководством экспертов Группы «Интер РАО».

Регистрируйся: https://cnrlink.com/interraohack26dsml

Разбор DeepSeek R1: техника, деньги и обвал рынка

В январе 2025 года небольшая китайская компания DeepSeek за один день обвалила американский фондовый рынок. 20 января она выложила модель R1 под MIT-лицензией, а уже 26 января приложение DeepSeek вышло на первое место в App Store США, обогнав ChatGPT.

27 января акции Nvidia упали на 17% — $589 млрд капитализации за один день, крупнейшее однодневное падение в истории фондового рынка США. Nasdaq потерял около 3%, суммарная просадка рынка — примерно $1 трлн. За неделю до этого анонсировали Stargate с вложениями до полутриллиона долларов в дата-центры, а OpenAI собирал раунд на $40 млрд. Обе цифры подкреплялись уверенностью, что количество видеокарт даёт преимущество, которое нельзя обесценить за семь дней.

Читать далее

👉 Data Science | Machinelearning [ru]