One Day Offer: научи роботов понимать мир! 🤖
Команда Центра робототехники Сбера делает то, что ещё недавно казалось невозможным — создаёт ИИ, который живёт в физическом мире: двигается, видит и принимает решения.
И ты можешь стать частью этого будущего — если пройдёшь отбор на One Day Offer для Robotics Software Engineer и Machine Learning Engineer.
Важно: твой код будет не просто строкой в репозитории, а командой для робота — сделать шаг или распознать предмет. Работать ты будешь с современным стеком: C++/Python, ROS2, PyTorch/Jax, VLA‑моделями.
Готов присоединиться? Регистрируйся по ссылке — встречаемся 26 сентября! 😉
Команда Центра робототехники Сбера делает то, что ещё недавно казалось невозможным — создаёт ИИ, который живёт в физическом мире: двигается, видит и принимает решения.
И ты можешь стать частью этого будущего — если пройдёшь отбор на One Day Offer для Robotics Software Engineer и Machine Learning Engineer.
Важно: твой код будет не просто строкой в репозитории, а командой для робота — сделать шаг или распознать предмет. Работать ты будешь с современным стеком: C++/Python, ROS2, PyTorch/Jax, VLA‑моделями.
Готов присоединиться? Регистрируйся по ссылке — встречаемся 26 сентября! 😉
👍2❤1
🚨 Китайские исследователи выпустили 75-страничную работу с почти апокалиптическим названием - «The Last AI Built by Humans».
33 автора предлагают дорожную карту к настоящему Recursive Self-Improvement (RSI) — системе, которая улучшает не только свои способности, но и сам процесс собственного улучшения.
Они выделяют 5 уровней автономности:
1. AI выполняет придуманные человеком улучшения
2. сам выбирает стратегию улучшения
3. самостоятельно собирает новый опыт
4. адаптирует себя под новые среды
5. recursive meta-improvement - начинает улучшать сам механизм, с помощью которого становится лучше
Авторы также вводят Headroom-Closed Index (HCI) для оценки того, насколько существующие LLM приблизились к пределам улучшения в конкретных задачах.
Работа рассматривает RSI в software engineering, научных исследованиях и embodied AI и связывает концепцию с уже существующими системами и ранними экспериментами.
Важно: это пока не демонстрация готового самоулучшающегося сверхинтеллекта. Это попытка формализовать путь от современных AI-агентов к системам, которые смогут всё большую часть собственного R&D делать самостоятельно.
Название работы звучит соответствующе:
«Последний ИИ, построенный людьми».
https://arxiv.org/abs/2609.11873
33 автора предлагают дорожную карту к настоящему Recursive Self-Improvement (RSI) — системе, которая улучшает не только свои способности, но и сам процесс собственного улучшения.
Они выделяют 5 уровней автономности:
1. AI выполняет придуманные человеком улучшения
2. сам выбирает стратегию улучшения
3. самостоятельно собирает новый опыт
4. адаптирует себя под новые среды
5. recursive meta-improvement - начинает улучшать сам механизм, с помощью которого становится лучше
Авторы также вводят Headroom-Closed Index (HCI) для оценки того, насколько существующие LLM приблизились к пределам улучшения в конкретных задачах.
Работа рассматривает RSI в software engineering, научных исследованиях и embodied AI и связывает концепцию с уже существующими системами и ранними экспериментами.
Важно: это пока не демонстрация готового самоулучшающегося сверхинтеллекта. Это попытка формализовать путь от современных AI-агентов к системам, которые смогут всё большую часть собственного R&D делать самостоятельно.
Название работы звучит соответствующе:
«Последний ИИ, построенный людьми».
https://arxiv.org/abs/2609.11873
❤14👍8🤣5💯2
Майкл Бьюрри считает, что OpenAI и Anthropic раздувают разговоры об опасности ИИ на фоне замедления роста и подготовки к IPO.
Его аргументы:
1. LLM — это не AGI
По мнению Бьюрри, современные языковые модели не ведут напрямую к AGI, поэтому призывы «замедлить ИИ» он считает сильно преувеличенными.
2. Замедление выгодно лидерам рынка
Если конкуренция быстро догоняет, пауза или более жёсткое регулирование сильнее всего помогает текущим лидерам сохранить позиции.
3. Опасность ИИ — часть IPO-нарратива
Логика Бьюрри: тезис «наши модели настолько мощные, что могут стать опасными» одновременно работает как сильный маркетинговый сигнал перед выходом на биржу.
4. Это может маскировать замедление роста
Он также предполагает, что разговоры о необходимости притормозить могут быть удобным объяснением более приземлённой проблемы — темпы роста уже сложнее поддерживать, а сроки IPO могут сдвигаться.
Фактически Бьюрри трактует AI safety-риторику OpenAI и Anthropic не только как вопрос безопасности, но и как часть конкурентной и финансовой стратегии.
Его аргументы:
1. LLM — это не AGI
По мнению Бьюрри, современные языковые модели не ведут напрямую к AGI, поэтому призывы «замедлить ИИ» он считает сильно преувеличенными.
2. Замедление выгодно лидерам рынка
Если конкуренция быстро догоняет, пауза или более жёсткое регулирование сильнее всего помогает текущим лидерам сохранить позиции.
3. Опасность ИИ — часть IPO-нарратива
Логика Бьюрри: тезис «наши модели настолько мощные, что могут стать опасными» одновременно работает как сильный маркетинговый сигнал перед выходом на биржу.
4. Это может маскировать замедление роста
Он также предполагает, что разговоры о необходимости притормозить могут быть удобным объяснением более приземлённой проблемы — темпы роста уже сложнее поддерживать, а сроки IPO могут сдвигаться.
Фактически Бьюрри трактует AI safety-риторику OpenAI и Anthropic не только как вопрос безопасности, но и как часть конкурентной и финансовой стратегии.
👍45🥰8🔥5🥱4❤3🤔3💯3💊1
Хакатон на космических данных. Санкт-Петербург, Красноярск или онлайн из любой точки страны.
Стартуем 18 сентября.
За выходные участники доводят одну из задач до рабочего решения.
Санкт-Петербург. К 2035 году над Землёй должен работать топливный узел, у которого заправляются корабли, и откуда он будет получать топливо - с Земли, с Луны или из резерва - пока не решил никто. Команде предстоит собрать схему поставок, посчитать резервы и решить, во что вкладываться сразу. Призовой фонд 1,2 млн ₽.
Красноярск. Спутник видит горящий лес раньше любого наземного поста, но вместе с пожаром ловит нагретые крыши, факелы на месторождениях и блики на воде. Команде предстоит научить сервис отличать настоящий очаг от шума, обвести гарь и выдать площадь в гектарах. Призовой фонд 600 тыс. ₽.
Лучшие забирают приз на площадке и билет в московский финал 25–27 сентября, где разыграют ещё 2,4 млн рублей.
Команда 3–5 человек, недостающих можно найти на платформе.
Регистрация по ссылке космохакатон.рф
Стартуем 18 сентября.
За выходные участники доводят одну из задач до рабочего решения.
Санкт-Петербург. К 2035 году над Землёй должен работать топливный узел, у которого заправляются корабли, и откуда он будет получать топливо - с Земли, с Луны или из резерва - пока не решил никто. Команде предстоит собрать схему поставок, посчитать резервы и решить, во что вкладываться сразу. Призовой фонд 1,2 млн ₽.
Красноярск. Спутник видит горящий лес раньше любого наземного поста, но вместе с пожаром ловит нагретые крыши, факелы на месторождениях и блики на воде. Команде предстоит научить сервис отличать настоящий очаг от шума, обвести гарь и выдать площадь в гектарах. Призовой фонд 600 тыс. ₽.
Лучшие забирают приз на площадке и билет в московский финал 25–27 сентября, где разыграют ещё 2,4 млн рублей.
Команда 3–5 человек, недостающих можно найти на платформе.
Регистрация по ссылке космохакатон.рф
❤4👍4🔥1
🚨 Google обвинили в том, что она взяла open-source код мобильного AI-агента, убрала имена авторов и выпустила его как Artemis.
Команда
- из 229 файлов 228 были идентичны
- внутри остался агент с случайным именем
- в раннем
- в следующем коммите эти имена заменили на другого автора, а остальные 228 файлов не изменились
Команда не возражает против использования их Apache 2.0-кода, претензия именно к отсутствию attribution.
После публичной жалобы в репозитории Google уже появился PR с исправлением attribution.
Очень неловкая история для компании, которая сама построила огромную часть своей репутации вокруг open source.
https://github.com/google/artemis/issues/40
Команда
mobile-use нашла очень странные совпадения:- из 229 файлов 228 были идентичны
- внутри остался агент с случайным именем
hopper и тем же prompt- в раннем
pyproject.toml сохранились имена трёх разработчиков mobile-use- в следующем коммите эти имена заменили на другого автора, а остальные 228 файлов не изменились
Команда не возражает против использования их Apache 2.0-кода, претензия именно к отсутствию attribution.
После публичной жалобы в репозитории Google уже появился PR с исправлением attribution.
Очень неловкая история для компании, которая сама построила огромную часть своей репутации вокруг open source.
https://github.com/google/artemis/issues/40
😁35❤4🔥4🤔3🥰1
🐳 Инженер DeepSeek объяснил, почему ускоряет развитие ИИ, который может превзойти его самого.
Согласно пересказу его эссе, Шэнъюй Лю работает над основным ядром механизма внимания DeepSeek V4.1. Ещё год назад ИИ помогал ему искать документацию и ошибки. Теперь самостоятельно разбирает CUDA, PTX и SASS, использует инструменты профилирования и подбирает оптимизации.
По личной оценке Лю, через 6–12 месяцев ИИ может сравняться с ним или обойти его. Это прогноз самого инженера.
Его беспокоит потеря любимой части профессии. Раньше он мог провести полдня, тщательно ускоряя код и пытаясь побить собственный рекорд. Теперь работа постепенно превращается в управление агентом, который делает это за него.
Почему тогда продолжать?
Лю опасается мира, где самые сильные модели принадлежат нескольким компаниям, а доступ к ним определяет возможности остальных. Получается замкнутый круг: для заработка нужен передовой ИИ, а для доступа к передовому ИИ уже нужны деньги.
Он описывает два крайних сценария: общедоступный ИИ как дешёвая инфраструктура — или мир Cyberpunk 2077 с концентрацией технологий и власти.
Открытые модели для него — способ приблизить первый сценарий. Лю не рассчитывает, что OpenAI и Anthropic добровольно откроют свои передовые разработки. По его словам, именно поэтому он остаётся в DeepSeek, даже понимая, как быстро меняется ценность его собственных навыков.
Согласно пересказу его эссе, Шэнъюй Лю работает над основным ядром механизма внимания DeepSeek V4.1. Ещё год назад ИИ помогал ему искать документацию и ошибки. Теперь самостоятельно разбирает CUDA, PTX и SASS, использует инструменты профилирования и подбирает оптимизации.
По личной оценке Лю, через 6–12 месяцев ИИ может сравняться с ним или обойти его. Это прогноз самого инженера.
Его беспокоит потеря любимой части профессии. Раньше он мог провести полдня, тщательно ускоряя код и пытаясь побить собственный рекорд. Теперь работа постепенно превращается в управление агентом, который делает это за него.
Почему тогда продолжать?
Лю опасается мира, где самые сильные модели принадлежат нескольким компаниям, а доступ к ним определяет возможности остальных. Получается замкнутый круг: для заработка нужен передовой ИИ, а для доступа к передовому ИИ уже нужны деньги.
Он описывает два крайних сценария: общедоступный ИИ как дешёвая инфраструктура — или мир Cyberpunk 2077 с концентрацией технологий и власти.
Открытые модели для него — способ приблизить первый сценарий. Лю не рассчитывает, что OpenAI и Anthropic добровольно откроют свои передовые разработки. По его словам, именно поэтому он остаётся в DeepSeek, даже понимая, как быстро меняется ценность его собственных навыков.
👍48❤22👏10💯5
🔥 Qwen3.8-27B Uncensored (Cyber/Agentic) теперь доступен в GGUF с калибровкой под реальные агентные задачи
Это не обычная квантизация на случайном английском тексте. Importance Matrix собрана на реальном agentic-coding трафике: tool calls, пути к файлам, shell-команды, JSON, commit hashes и смешанный Chinese/English.
Главное:
- 27B модель в GGUF
- IQ4_XS весит около 15 GiB
- контекст до 262K в протестированной конфигурации
- de-refusal / uncensored версия
- сохранены vision и MTP
- Apache 2.0
- заточена под coding, agents и cybersecurity-сценарии
Авторы отдельно тестировали сохранение точных путей, UUID и commit hashes — критично для агентов, где одна ошибка в символе ломает команду. IQ4_XS при этом оказался всего примерно на 0,42% хуже Q5_K_M по paired perplexity, но заметно компактнее.
Сам GGUF занимает ~15 ГБ, но реальное потребление VRAM зависит от context size, KV cache и offload - полный 262K контекст потребует существенно больше памяти.
https://huggingface.co/cyjin-yl/Qwen3.8-27B-Uncensored-Cyber-agentic-imatrix-GGUF
Это не обычная квантизация на случайном английском тексте. Importance Matrix собрана на реальном agentic-coding трафике: tool calls, пути к файлам, shell-команды, JSON, commit hashes и смешанный Chinese/English.
Главное:
- 27B модель в GGUF
- IQ4_XS весит около 15 GiB
- контекст до 262K в протестированной конфигурации
- de-refusal / uncensored версия
- сохранены vision и MTP
- Apache 2.0
- заточена под coding, agents и cybersecurity-сценарии
Авторы отдельно тестировали сохранение точных путей, UUID и commit hashes — критично для агентов, где одна ошибка в символе ломает команду. IQ4_XS при этом оказался всего примерно на 0,42% хуже Q5_K_M по paired perplexity, но заметно компактнее.
Сам GGUF занимает ~15 ГБ, но реальное потребление VRAM зависит от context size, KV cache и offload - полный 262K контекст потребует существенно больше памяти.
https://huggingface.co/cyjin-yl/Qwen3.8-27B-Uncensored-Cyber-agentic-imatrix-GGUF
❤10👍6🥰1🥱1
Команды нет — это не причина пропустить КосмоХакатон
18–20 сентября, Санкт-Петербург, Красноярск или онлайн из любой точки страны. На платформе есть подбор команды: регистрируетесь один, указываете, что умеете, и находите недостающих
К двум задачам, о которых писали раньше, добавились ещё две.
Санкт-Петербург - космонавт в открытом космосе. Солнечные вспышки, геомагнитные бури, радиация меняются по часам, решение о выходе принимают по прогнозу. Команде предстоит выделить ключевые угрозы и собрать техническое решение для их анализа. Данные, физика, инженерия.
Красноярск - зелёные финансы. Углеродные кредиты продаются под обещание, что где-то растёт лес, и проверить это обещание можно со спутника. Команде предстоит собрать платформу для токенизации и продажи кредитов, привязанных к реальному состоянию лесного массива. Данные, финансы, продукт.
Фонд площадок — 1,2 млн ₽ и 600 тыс. ₽. Лучшие забирают приз и билет в московский финал 25–27 сентября на 2,4 млн рублей.
Подробности и регистрация
18–20 сентября, Санкт-Петербург, Красноярск или онлайн из любой точки страны. На платформе есть подбор команды: регистрируетесь один, указываете, что умеете, и находите недостающих
К двум задачам, о которых писали раньше, добавились ещё две.
Санкт-Петербург - космонавт в открытом космосе. Солнечные вспышки, геомагнитные бури, радиация меняются по часам, решение о выходе принимают по прогнозу. Команде предстоит выделить ключевые угрозы и собрать техническое решение для их анализа. Данные, физика, инженерия.
Красноярск - зелёные финансы. Углеродные кредиты продаются под обещание, что где-то растёт лес, и проверить это обещание можно со спутника. Команде предстоит собрать платформу для токенизации и продажи кредитов, привязанных к реальному состоянию лесного массива. Данные, финансы, продукт.
Фонд площадок — 1,2 млн ₽ и 600 тыс. ₽. Лучшие забирают приз и билет в московский финал 25–27 сентября на 2,4 млн рублей.
Подробности и регистрация
🤣1
🦀 NVIDIA официально идёт в native GPU programming на Rust
Теперь CUDA Rust позволяет писать GPU kernels прямо на Rust и компилировать их в PTX - без необходимости держать kernel-код на C++ или другом языке.
NVIDIA развивает сразу два подхода:
SIMT через `cuda-oxide`
- привычная CUDA-модель: один thread → одна операция
- полный контроль над потоками и памятью
- custom
- memory safety проверяется на этапе компиляции
Tile через `cutile-rs`
- работа не с отдельными потоками, а с блоками данных
- компилятор сам решает, как разложить вычисления по GPU
- stable Rust 1.89+
- CUDA 13.3
- уже используется в Hugging Face Grout и
Ownership и типы позволяют ловить часть GPU race conditions и aliasing-ошибок ещё до запуска kernel.
NVIDIA прямо пишет, что в 2026 году начинает всерьёз развивать CUDA Rust и планирует наращивать поддержку в 2027+.
Пока оба проекта ранние и не production-ready, но направление очень показательное:
https://developer.nvidia.com/blog/introducing-cuda-rust-two-tracks-for-writing-gpu-kernels/
Теперь CUDA Rust позволяет писать GPU kernels прямо на Rust и компилировать их в PTX - без необходимости держать kernel-код на C++ или другом языке.
NVIDIA развивает сразу два подхода:
SIMT через `cuda-oxide`
- привычная CUDA-модель: один thread → одна операция
- полный контроль над потоками и памятью
- custom
rustc backend → MIR → LLVM → PTX- memory safety проверяется на этапе компиляции
Tile через `cutile-rs`
- работа не с отдельными потоками, а с блоками данных
- компилятор сам решает, как разложить вычисления по GPU
- stable Rust 1.89+
- CUDA 13.3
- уже используется в Hugging Face Grout и
mistral.rs Ownership и типы позволяют ловить часть GPU race conditions и aliasing-ошибок ещё до запуска kernel.
NVIDIA прямо пишет, что в 2026 году начинает всерьёз развивать CUDA Rust и планирует наращивать поддержку в 2027+.
Пока оба проекта ранние и не production-ready, но направление очень показательное:
`Rust → native GPU kernels → PTX → CUDA`https://developer.nvidia.com/blog/introducing-cuda-rust-two-tracks-for-writing-gpu-kernels/
🔥13❤4👍4🤨1
🔥 Z.ai раскрыла, как GLM-5.3 участвовала в оптимизации собственной inference-инфраструктуры.
Для GLM-5.3-Flash компания развернула serving stack на крупном кластере китайских AI-ускорителей и использовала Infra Agent на базе GLM-5.3 для работы с kernels, bottleneck’ами, операторами и настройкой inference engine.
Стек построен поверх SGLang и использует Encode-Prefill–Decode disaggregation, quantization и аппаратно-зависимые оптимизации.
По данным Z.ai, после серии таких оптимизаций end-to-end производительность выросла примерно в 3 раза относительно исходного baseline на том же железе.
https://z.ai/blog/glm-built-its-inference-infrastructure
Для GLM-5.3-Flash компания развернула serving stack на крупном кластере китайских AI-ускорителей и использовала Infra Agent на базе GLM-5.3 для работы с kernels, bottleneck’ами, операторами и настройкой inference engine.
Стек построен поверх SGLang и использует Encode-Prefill–Decode disaggregation, quantization и аппаратно-зависимые оптимизации.
По данным Z.ai, после серии таких оптимизаций end-to-end производительность выросла примерно в 3 раза относительно исходного baseline на том же железе.
https://z.ai/blog/glm-built-its-inference-infrastructure
❤8👍5🔥2
Robo Drive Party: закрытый ивент для тех, кто меняет мир технологий! ⚡️
21 сентября, Сбер.Среда — именно здесь соберутся топовые инженеры, которые создают роботов и проектируют архитектуру.
В программе тусовки:
✔️ Прямой диалог с инженерами и руководителями команд Центра робототехники — без формальностей и стресса.
✔️ Реальный шанс заглянуть в текущие проекты Сбера, обсудить инженерные задачи и главное — потенциальное сотрудничество.
Если ты работаешь в Physical AI, ML, RL, Cyber Security и мечтаешь создавать реальных роботов, а не экспериментальные прототипы,— регистрируйся на Robo Drive Party!
Тебя ждут польза, драйв и, если всё сложится, люди, с которыми ты будешь в одной команде! 😉
21 сентября, Сбер.Среда — именно здесь соберутся топовые инженеры, которые создают роботов и проектируют архитектуру.
В программе тусовки:
✔️ Прямой диалог с инженерами и руководителями команд Центра робототехники — без формальностей и стресса.
✔️ Реальный шанс заглянуть в текущие проекты Сбера, обсудить инженерные задачи и главное — потенциальное сотрудничество.
Если ты работаешь в Physical AI, ML, RL, Cyber Security и мечтаешь создавать реальных роботов, а не экспериментальные прототипы,— регистрируйся на Robo Drive Party!
Тебя ждут польза, драйв и, если всё сложится, люди, с которыми ты будешь в одной команде! 😉
👍5❤2❤🔥2🤨1
🦀 GitHub переписал runtime GitHub Copilot на Rust — с помощью самого Copilot
Изначально runtime был написан на TypeScript, работал поверх Node.js и V8.
Теперь это:
- более 800 000 строк production-кода на Rust
- крупная миграция работающей системы, а не экспериментальный прототип
- Copilot использовался прямо в процессе переноса и рефакторинга
Интересный момент: инструмент для генерации кода помог переписать собственную инфраструктуру на язык, ориентированный на производительность, контроль памяти и предсказуемость runtime.
Хороший пример того, куда движется разработка: AI всё чаще используется не только для написания отдельных функций, а для миграции больших production-систем между технологическими стеками.
https://github.blog/ai-and-ml/generative-ai/migrating-the-github-copilot-runtime-to-rust-using-copilot/
Изначально runtime был написан на TypeScript, работал поверх Node.js и V8.
Теперь это:
- более 800 000 строк production-кода на Rust
- крупная миграция работающей системы, а не экспериментальный прототип
- Copilot использовался прямо в процессе переноса и рефакторинга
Интересный момент: инструмент для генерации кода помог переписать собственную инфраструктуру на язык, ориентированный на производительность, контроль памяти и предсказуемость runtime.
Хороший пример того, куда движется разработка: AI всё чаще используется не только для написания отдельных функций, а для миграции больших production-систем между технологическими стеками.
https://github.blog/ai-and-ml/generative-ai/migrating-the-github-copilot-runtime-to-rust-using-copilot/
❤10👍4😁1🕊1