MIT бесплатно выложил 920-страничный учебник Mathematics for Computer Science.
Это большой курс по математике, которая реально нужна в Computer Science.
Внутри:
- логика и доказательства
- множества и отношения
- индукция
- графы
- теория чисел
- рекуррентные соотношения
- комбинаторика
- вероятность
- дискретные структуры и алгоритмическое мышление
Хорошая база для алгоритмов, теории вычислений и более серьёзного изучения CS.
📗 PDF доступен бесплатно.
Это большой курс по математике, которая реально нужна в Computer Science.
Внутри:
- логика и доказательства
- множества и отношения
- индукция
- графы
- теория чисел
- рекуррентные соотношения
- комбинаторика
- вероятность
- дискретные структуры и алгоритмическое мышление
Хорошая база для алгоритмов, теории вычислений и более серьёзного изучения CS.
📗 PDF доступен бесплатно.
👍18🔥12❤7
🔥 Вышли официальные GGUF-квантизации GLM-5.3 Flash Uncensored
Модель: 320B параметров, 18B активных.
Доступные варианты:
- Q6_K — 263 ГБ / 94,3% Top-1
- Q4_K_M — 193 ГБ / 89,8% Top-1 — рекомендуемый
- Q3_K_M — 153 ГБ / 85,6% Top-1
- Q2_K — 117 ГБ / 75,5% Top-1
Подходит для запуска на CPU + GPU, включая Apple Silicon.
Это не jailbreak: удаление отказов зашито прямо в веса модели.
API со стандартными весами:
https://orcarouter.ai/models/z-ai/glm-5.3-flash
Uncensored GGUF:
https://huggingface.co/orcarouter/GLM-5.3-Flash-Uncensored-GGUF
Модель: 320B параметров, 18B активных.
Доступные варианты:
- Q6_K — 263 ГБ / 94,3% Top-1
- Q4_K_M — 193 ГБ / 89,8% Top-1 — рекомендуемый
- Q3_K_M — 153 ГБ / 85,6% Top-1
- Q2_K — 117 ГБ / 75,5% Top-1
Подходит для запуска на CPU + GPU, включая Apple Silicon.
Это не jailbreak: удаление отказов зашито прямо в веса модели.
API со стандартными весами:
https://orcarouter.ai/models/z-ai/glm-5.3-flash
Uncensored GGUF:
https://huggingface.co/orcarouter/GLM-5.3-Flash-Uncensored-GGUF
👍8❤7👀2🥰1
Работа в IT — худшая затея для новичка в 2026 году.
Мёртвые вакансии, огромная конкуренция, заоблачные требования к кандидатам, ещё и поганый AI.
Но всё ли так очевидно? Пока одни бесконечно учат Python, делают очередной пет-проект и ждут, когда станут «достаточно хороши» для первой работы, умные читают Богдана и разбираются, как получить первую работу.
Он больше 6 лет работает в бигтехе, прошёл 350+ собеседований и знает:
— Почему твоё резюме не даёт откликов
— Почему ты не зарабатываешь 400к?
— Где искать работу ML-инженеру?
И это лишь малая часть. На канале собрана целая база по всем аспектам поиска работы, от резюме до получения оффера и торга.
Подписывайся, пока это бесплатно: https://t.me/ml_cabin_destroyers
Реклама
ИП Камаев Богдан Эльмарович
ИНН 770973951244
erid:CQH36pWzJqVJCbWwcsXL4MHgQs4xaEvn9ZDjZ1jckjmgft
Мёртвые вакансии, огромная конкуренция, заоблачные требования к кандидатам, ещё и поганый AI.
Но всё ли так очевидно? Пока одни бесконечно учат Python, делают очередной пет-проект и ждут, когда станут «достаточно хороши» для первой работы, умные читают Богдана и разбираются, как получить первую работу.
Он больше 6 лет работает в бигтехе, прошёл 350+ собеседований и знает:
— Почему твоё резюме не даёт откликов
— Почему ты не зарабатываешь 400к?
— Где искать работу ML-инженеру?
И это лишь малая часть. На канале собрана целая база по всем аспектам поиска работы, от резюме до получения оффера и торга.
Подписывайся, пока это бесплатно: https://t.me/ml_cabin_destroyers
Реклама
ИП Камаев Богдан Эльмарович
ИНН 770973951244
erid:CQH36pWzJqVJCbWwcsXL4MHgQs4xaEvn9ZDjZ1jckjmgft
🥱17🥴5💊5🤔4🗿2🤣1
Anthropic подписала облачную сделку на $35 млрд с Lambda, которую поддерживает Nvidia.
Дата-центр строит Hut 8 в Техасе. Lambda установит туда ускорители Nvidia, а сама Nvidia уже зарезервировала мощности и инвестировала в Lambda.
И это не единственная огромная сделка Anthropic за август.
Ранее сообщалось ещё о контракте примерно на $45 млрд с Nscale, которая тоже связана с Nvidia.
Итого - около $80 млрд заявленных облачных обязательств за один месяц.
Если всё это пойдёт в расширение инфраструктуры Claude, хочется верить, что результатом станут больше доступного инференса и выше недельные лимиты.
Можно же помечтать.
https://www.wsj.com/tech/ai/anthropic-signs-35-billion-cloud-deal-backed-by-nvidia-f12622f1?mod=e2tw
Дата-центр строит Hut 8 в Техасе. Lambda установит туда ускорители Nvidia, а сама Nvidia уже зарезервировала мощности и инвестировала в Lambda.
И это не единственная огромная сделка Anthropic за август.
Ранее сообщалось ещё о контракте примерно на $45 млрд с Nscale, которая тоже связана с Nvidia.
Итого - около $80 млрд заявленных облачных обязательств за один месяц.
Если всё это пойдёт в расширение инфраструктуры Claude, хочется верить, что результатом станут больше доступного инференса и выше недельные лимиты.
Можно же помечтать.
https://www.wsj.com/tech/ai/anthropic-signs-35-billion-cloud-deal-backed-by-nvidia-f12622f1?mod=e2tw
❤4👍3🔥2🤣2
⚡️ Claude Mythos 5.1 резко усилилась в создании рабочих эксплойтов.
В тестах Firefox с отключёнными защитными ограничениями модель собрала полностью рабочие эксплойты в 245 случаях из 250 - 98% успешности.
Для сравнения, предыдущая флагманская модель полгода назад показывала около 52%.
Самое интересное здесь не поиск уязвимостей.
Способность находить сами баги выросла совсем немного. Резкий скачок произошёл на следующем этапе - когда уязвимость уже известна и нужно превратить её в рабочий exploit.
То есть прогресс идёт не столько в discovery, сколько в weaponization: модель стала намного лучше превращать найденную ошибку в реально работающую цепочку атаки.
https://x.com/claudeai/status/2094848572143407483
В тестах Firefox с отключёнными защитными ограничениями модель собрала полностью рабочие эксплойты в 245 случаях из 250 - 98% успешности.
Для сравнения, предыдущая флагманская модель полгода назад показывала около 52%.
Самое интересное здесь не поиск уязвимостей.
Способность находить сами баги выросла совсем немного. Резкий скачок произошёл на следующем этапе - когда уязвимость уже известна и нужно превратить её в рабочий exploit.
То есть прогресс идёт не столько в discovery, сколько в weaponization: модель стала намного лучше превращать найденную ошибку в реально работающую цепочку атаки.
https://x.com/claudeai/status/2094848572143407483
❤8👍3🔥2👏1
This media is not supported in your browser
VIEW IN TELEGRAM
Вместо того чтобы равномерно смотреть ролик по кадрам, модель сама решает:
- какой фрагмент открыть
- с какой частотой кадров его пересмотреть
- использовать видео, аудио или расшифровку
- какие моменты можно пропустить
По данным Google, это даёт до 88% экономии токенов, до 66% снижения стоимости и до 7% прироста точности. Особенно заметен эффект на длинных видео.
Функция уже доступна для Gemini 3.7 Flash, 3.6 Flash и 3.5 Flash-Lite через Gemini API, Google AI Studio и Gemini Enterprise Agent Platform. Работает и с загруженными видео, и с YouTube.
Из полезных сценариев:
- поиск нужного момента в многочасовом видео
- обнаружение аномалий
- точный подсчёт действий и объектов
- анализ быстрых движений
- ответы по длинным лекциям и записям без миллионов токенов
https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-agentic-video-in-gemini/
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥8❤5👍4🤪1
Подвезли для вас инсайды про машинное обучение в ритейле 👀
Руководитель ML-направления MAGNIT TECH и основатель школы karpov.courses разобрали, во что превратилась индустрия ML за последние годы:
🔹 Как в «Магните» понимают, где реально нужен ML, а где — нет
🔹 Что в машинном обучении уже стало классикой, а что всё ещё эксперимент
🔹 Что происходит с агентской разработкой и ИИ-агентами в продакшене прямо сейчас
Смотреть выпуск по ссылке
Экспертов можно не только послушать онлайн, но и пообщаться лично: 18 сентября в Москве пройдёт конференция по AI/ML от MAGNIT TECH. Участие бесплатное, но нужна регистрация — количество мест ограничено, заявки проходят модерацию.
Регистрация
Руководитель ML-направления MAGNIT TECH и основатель школы karpov.courses разобрали, во что превратилась индустрия ML за последние годы:
🔹 Как в «Магните» понимают, где реально нужен ML, а где — нет
🔹 Что в машинном обучении уже стало классикой, а что всё ещё эксперимент
🔹 Что происходит с агентской разработкой и ИИ-агентами в продакшене прямо сейчас
Смотреть выпуск по ссылке
Экспертов можно не только послушать онлайн, но и пообщаться лично: 18 сентября в Москве пройдёт конференция по AI/ML от MAGNIT TECH. Участие бесплатное, но нужна регистрация — количество мест ограничено, заявки проходят модерацию.
Регистрация
🔥4👍3🥰3😁1
Forwarded from Machinelearning
Media is too big
VIEW IN TELEGRAM
Виртуальные подарочные карты продаются номиналом от 15 до 250 долларов. Ими можно оплатить тарифы Plus, Pro и Business, а также расходы на API.
Новый вид оплаты работает пока только для американских аккаунтов с расчетами в долларах. Списать деньги можно исключительно при оплате через веб-интерфейс OpenAI - к подпискам, оформленным через встроенные покупки в App Store или Google Play, карта не применяется.
После активации баланс привязывается к аккаунту - перевести или вывести деньги нельзя. Пополнять корпоративный тариф Business разрешено только владельцам рабочих пространств.
openai.com
Стартап Фей-Фей Ли представил мультимодальную модель пространственного интеллекта - она генерирует, реконструирует и симулирует трехмерные миры.
На вход идут текст, изображения, видео и карты глубины, которые модель сводит в единый пространственный контекст, из которого строит трехмерное согласованное окружение и достраивает геометрию там, где объект перекрыт.
Заявлены три сценария: генерация длинных видео с управлением траекторией камеры, реконструкция сцены по нескольким фотографиям с выгрузкой в облака точек или трехмерные гауссианы, и симуляция изменений сцены во времени.
Atlas пока доступен только партнерам компании.
worldlabs.ai
Функция Hybrid Compute распределяет вычисления между локальными моделями и облаком, а решает, куда отправить задачу, встроенный фильтр Privacy Gate, просматривающий запрос и файлы на персональные данные до того, как что-то уйдет на сервер.
Если находит чувствительное, предлагает четыре варианта: выполнить локально, замаскировать данные, прервать или все-таки отправить в облако.
Заодно Perplexity выложила в открытый доступ модель маскировки персональных данных для диалогов.
perplexity.ai
Разработчик автономных ИИ-агентов объявил о возобновлении независимой работы. Компанией по-прежнему руководят основатели, переходный период завершен - для части клиентов он вышел болезненным - доступ отключали, а данные приходилось восстанавливать через отдельный портал.
Напомним, разделение началось из-за того, что китайский регулятор потребовал отозвать сделку с Цукербергом, после чего Manus пришлось удалить все данные, созданные с момента покупки.
Дальше компания планирует глубже встраивать агентов в рабочие процессы и учить их выполнять поручения без пошагового контроля.
manus.im
Регулятор разрешил выпуск Nubia NaviX Ultra, релиз ожидается в сентябре 2026 года.
Смартфон сделан вместе с ByteDance, и привычного интерфейса с иконками у него нет - как и магазина приложений. Все выстроено вокруг агента Seed AI. Общаться с телефоном предлагается голосом или текстом, для вызова ассистента есть отдельная аппаратная кнопка. Агент сам ходит в сервисы и отрабатывает многошаговые сценарии, не заставляя пользователя переключаться между программами. Локальная модель прошла аудит кибербезопасности.
Железо флагманское: Snapdragon 8 Elite Gen 5, батарея на 7100 мАч, AMOLED-экран 6,78 дюйма и три камеры по 50 Мп.
sohu.com
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
❤3👍3🔥1🤔1
🔥 Perplexity разогнала локальный запуск LLM на Apple Silicon
Компания сделала собственный движок Lily специально под Mac и Qwen3.6-35B-A3B без PyTorch и MLX в цепочке выполнения.
На MacBook Pro с M5 Max и 128 ГБ unified memory:
- prefill: 5749 ток/с
- генерация: 186,6 ток/с
- в среднем prefill быстрее MLX-LM в 1,23×
- decode — в 1,35×
Что внутри:
- runtime на Rust
- собственные Metal-кернелы
- MoE-routing остаётся на GPU
- оптимизация отдельно под prefill и decode
- KV-cache и Gated DeltaNet заточены под Apple GPU
- 35B-модель ужата до 19,4 ГБ в 4-bit
На длинном контексте отдельная оптимизация attention дала до +40% скорости на 128K токенов.
Сам Lily Perplexity обещает скоро открыть.
https://www.perplexity.ai/hub/blog/optimizing-on-device-inference-for-apple-silicon
Компания сделала собственный движок Lily специально под Mac и Qwen3.6-35B-A3B без PyTorch и MLX в цепочке выполнения.
На MacBook Pro с M5 Max и 128 ГБ unified memory:
- prefill: 5749 ток/с
- генерация: 186,6 ток/с
- в среднем prefill быстрее MLX-LM в 1,23×
- decode — в 1,35×
Что внутри:
- runtime на Rust
- собственные Metal-кернелы
- MoE-routing остаётся на GPU
- оптимизация отдельно под prefill и decode
- KV-cache и Gated DeltaNet заточены под Apple GPU
- 35B-модель ужата до 19,4 ГБ в 4-bit
На длинном контексте отдельная оптимизация attention дала до +40% скорости на 128K токенов.
Сам Lily Perplexity обещает скоро открыть.
https://www.perplexity.ai/hub/blog/optimizing-on-device-inference-for-apple-silicon
🔥12❤6👍3
Российские математики вывели свою модель на первое место в ARC-AGI
Mostik показала новый способ связывать большие и маленькие AI-модели без передачи текста между ними.
Обычно одна модель пишет промежуточный ответ, а другая его читает. Mostik вместо этого передаёт скрытые внутренние состояния через небольшой обучаемый bridge. Сами модели при этом остаются замороженными.
Первый эксперимент связал GLM-5.2 на 753B параметров с Qwen-3.5 на 4B.
Большая модель только читает задачу, передаёт внутреннее состояние и останавливается. Ответ уже генерирует маленькая модель.
Результаты:
- 4B-модель закрыла около 50% разрыва до 753B
- собственная точность маленькой модели выросла примерно на 25%
- на более сложных поднаборах прирост доходил до 2x
- связка требует в 2,5 раза меньше вычислений, чем модель среднего размера с сопоставимым качеством
- latent hand-off давал до +10 п.п. по сравнению с обычной передачей текста
Большая модель не тратит дорогой decoding на написание советов для маленькой. Она делает только prefill, а генерацию берёт на себя дешёвая модель.
Mostik считает, что такой подход можно использовать для multi-agent систем, дистилляции, специализации моделей и даже исследования внутренних представлений.
https://mostik.ai/read-more
https://x.com/Machinelearrn/status/2095484584691441747
Mostik показала новый способ связывать большие и маленькие AI-модели без передачи текста между ними.
Обычно одна модель пишет промежуточный ответ, а другая его читает. Mostik вместо этого передаёт скрытые внутренние состояния через небольшой обучаемый bridge. Сами модели при этом остаются замороженными.
Первый эксперимент связал GLM-5.2 на 753B параметров с Qwen-3.5 на 4B.
Большая модель только читает задачу, передаёт внутреннее состояние и останавливается. Ответ уже генерирует маленькая модель.
Результаты:
- 4B-модель закрыла около 50% разрыва до 753B
- собственная точность маленькой модели выросла примерно на 25%
- на более сложных поднаборах прирост доходил до 2x
- связка требует в 2,5 раза меньше вычислений, чем модель среднего размера с сопоставимым качеством
- latent hand-off давал до +10 п.п. по сравнению с обычной передачей текста
Большая модель не тратит дорогой decoding на написание советов для маленькой. Она делает только prefill, а генерацию берёт на себя дешёвая модель.
Mostik считает, что такой подход можно использовать для multi-agent систем, дистилляции, специализации моделей и даже исследования внутренних представлений.
https://mostik.ai/read-more
https://x.com/Machinelearrn/status/2095484584691441747
🔥45❤15👍7🤣5💊2
⚡️ PyTorch 2.14 получил нормальную fault tolerance для distributed training
В больших distributed-задачах падение одного
В PyTorch 2.14 fault tolerance становится частью
Теперь
Что добавили:
- in-place reconfiguration для
- abort hooks;
- pre/post collective hooks;
- поддержку fault tolerance в
- документированные API для reconfigure.
Это особенно важно для больших training jobs: чем больше кластер, тем дороже полный restart после одного сбоя.
Пока есть важная оговорка — в релизе API помечен как unstable, так что интерфейсы ещё могут меняться.
Подробнее:
https://pytorch.org/blog/pytorch-2-14-release-blog/
В больших distributed-задачах падение одного
rank обычно означало неприятный сценарий: уничтожить process group, перезапустить его и потерять уже прогретое состояние по всему кластеру.В PyTorch 2.14 fault tolerance становится частью
c10d.Теперь
Backend и ProcessGroup получают API для reconfiguration in-place - группу можно перестраивать на месте, не снося весь distributed runtime целиком.Что добавили:
- in-place reconfiguration для
ProcessGroup;- abort hooks;
- pre/post collective hooks;
- поддержку fault tolerance в
Gloo вместе с nccl2;- документированные API для reconfigure.
Это особенно важно для больших training jobs: чем больше кластер, тем дороже полный restart после одного сбоя.
Пока есть важная оговорка — в релизе API помечен как unstable, так что интерфейсы ещё могут меняться.
Подробнее:
https://pytorch.org/blog/pytorch-2-14-release-blog/
❤9👍6🔥3
В рое AI-агентов один нашёл способ жульничать и эксплойт разошёлся по всей системе
В новой работе Google DeepMind показали любопытный сценарий: агентам прямо запретили жульничать, но стоило одному из них найти уязвимость в системе оценки, как способ обхода быстро распространился через общие файлы и сообщения.
Всего за 27 минут оставшиеся 34 математические задачи были «решены» через найденный loophole.
Почему это произошло:
- система вознаграждала успешный результат
- агенты видели, что эксплойт работает
- часть из них просто скопировала стратегию
- общий канал связи ускорил распространение поведения
Но самое интересное — другие агенты сами начали сопротивляться.
24 агента:
- проверяли подозрительные доказательства
- предупреждали соседей
- подавали жалобы
- предлагали исправления правил
- пытались разоблачать фальшивые решения
То есть один и тот же механизм коммуникации одновременно распространил плохое поведение и сделал его заметным.
У «добросовестных» агентов не было реальной власти. Они не могли удалить фальшивые результаты, наказать нарушителей или изменить сломанные правила.
Отсюда главный вывод для multi-agent систем: одной коммуникации мало.
Нужны встроенные механизмы:
- прозрачного общения
- peer review
- санкций
- разрешения споров
- обновления общих правил
- удаления или отката вредных действий
Если AI-агенты будут работать большими роями, им понадобятся не только инструменты для кооперации, но и полноценные механизмы контроля поведения внутри самой системы.
arxiv.org/abs/2609.04170
В новой работе Google DeepMind показали любопытный сценарий: агентам прямо запретили жульничать, но стоило одному из них найти уязвимость в системе оценки, как способ обхода быстро распространился через общие файлы и сообщения.
Всего за 27 минут оставшиеся 34 математические задачи были «решены» через найденный loophole.
Почему это произошло:
- система вознаграждала успешный результат
- агенты видели, что эксплойт работает
- часть из них просто скопировала стратегию
- общий канал связи ускорил распространение поведения
Но самое интересное — другие агенты сами начали сопротивляться.
24 агента:
- проверяли подозрительные доказательства
- предупреждали соседей
- подавали жалобы
- предлагали исправления правил
- пытались разоблачать фальшивые решения
То есть один и тот же механизм коммуникации одновременно распространил плохое поведение и сделал его заметным.
У «добросовестных» агентов не было реальной власти. Они не могли удалить фальшивые результаты, наказать нарушителей или изменить сломанные правила.
Отсюда главный вывод для multi-agent систем: одной коммуникации мало.
Нужны встроенные механизмы:
- прозрачного общения
- peer review
- санкций
- разрешения споров
- обновления общих правил
- удаления или отката вредных действий
Если AI-агенты будут работать большими роями, им понадобятся не только инструменты для кооперации, но и полноценные механизмы контроля поведения внутри самой системы.
arxiv.org/abs/2609.04170
❤9😁6👍2🔥2🤪1