ИИ может за секунды предложить готовый код — вместе с несуществующим методом API, уязвимостью или давно устаревшим решением. Поэтому скорость генерации уже не главный навык. Важнее уметь проверять результат.
🎥22 сентября в 20:00 МСК на открытом уроке разберём, как выстроить безопасную работу с ИИ в Python-разработке: от воспроизведения инцидента и проверки гипотез до анализа кода и подготовки исправления.
На практическом примере покажем, как находить галлюцинации, уязвимости и устаревшие решения, проверять рекомендации модели и использовать ИИ при разборе кода без потери контроля над качеством.
🔔 Урок проходит в преддверии старта курса «ИИ для Python-разработчиков» и будет полезен Python-разработчикам, которые уже используют или только начинают использовать ИИ-инструменты в разработке и хотят применять их в соответствии с инженерными практиками.
💻Зарегистрируйтесь: https://otus.pw/bkRd/?erid=2W5zFGgmmr9
Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.
🎥22 сентября в 20:00 МСК на открытом уроке разберём, как выстроить безопасную работу с ИИ в Python-разработке: от воспроизведения инцидента и проверки гипотез до анализа кода и подготовки исправления.
На практическом примере покажем, как находить галлюцинации, уязвимости и устаревшие решения, проверять рекомендации модели и использовать ИИ при разборе кода без потери контроля над качеством.
🔔 Урок проходит в преддверии старта курса «ИИ для Python-разработчиков» и будет полезен Python-разработчикам, которые уже используют или только начинают использовать ИИ-инструменты в разработке и хотят применять их в соответствии с инженерными практиками.
💻Зарегистрируйтесь: https://otus.pw/bkRd/?erid=2W5zFGgmmr9
Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.
❤1
🔥 World Models для робототехники начинают учитывать геометрию latent space, а не считать её просто «плоским» векторным пространством.
Идея JEPA, которую много лет продвигает Yann LeCun, получила интересное развитие: в GeoWorld latent-представления переносятся в гиперболическое пространство, а planning и reinforcement learning выполняются уже с учётом этой геометрии.
Почему это важно:
обычный подход предполагает, что расстояния между состояниями можно измерять как в евклидовом пространстве. Но сложные иерархические состояния мира могут лучше описываться искривлёнными manifold.
GeoWorld использует:
На CrossTask и COIN авторы получили примерно +3% success rate на 3 шагах и +2% на 4 шагах относительно V-JEPA 2.
Параллельно работа LeCun и соавторов по LeJEPA показывает, что структура latent space напрямую влияет на возможность корректного планирования.
Похоже, следующий этап world models - это уже не только «научить модель предсказывать мир», но и правильно описать геометрию пространства, в котором она этот мир представляет.
arxiv.org/pdf/2603.12231
Идея JEPA, которую много лет продвигает Yann LeCun, получила интересное развитие: в GeoWorld latent-представления переносятся в гиперболическое пространство, а planning и reinforcement learning выполняются уже с учётом этой геометрии.
Почему это важно:
обычный подход предполагает, что расстояния между состояниями можно измерять как в евклидовом пространстве. Но сложные иерархические состояния мира могут лучше описываться искривлёнными manifold.
GeoWorld использует:
Hyperbolic JEPA → Geometric RL → multi-step planningНа CrossTask и COIN авторы получили примерно +3% success rate на 3 шагах и +2% на 4 шагах относительно V-JEPA 2.
Параллельно работа LeCun и соавторов по LeJEPA показывает, что структура latent space напрямую влияет на возможность корректного планирования.
Похоже, следующий этап world models - это уже не только «научить модель предсказывать мир», но и правильно описать геометрию пространства, в котором она этот мир представляет.
arxiv.org/pdf/2603.12231
👍3
🔥 China Telecom открыла Xing4.0-29B-A4B - MoE-модель на 29B параметров, где на каждом шаге активны только около 4B.
Модель ориентирована на многошаговое планирование, tool use, работу в терминале и длительное выполнение задач. Контекст - 256K, с расширением до 512K.
По данным авторов, Xing4.0 лидирует в своём сравнении на Claw-Eval, Terminal-Bench 2.1 и DeepresearchBII, а на SWE-bench Verified набирает 75.0.
В архитектуре используются mHC, MLA и MTP. Обучение и inference полностью адаптированы под китайскую вычислительную инфраструктуру, а системные оптимизации дали около +96% throughput.
Apache 2.0.
https://modelscope.ai/models/XingChen-AGI/Xing4.0-29B-A4B
Модель ориентирована на многошаговое планирование, tool use, работу в терминале и длительное выполнение задач. Контекст - 256K, с расширением до 512K.
По данным авторов, Xing4.0 лидирует в своём сравнении на Claw-Eval, Terminal-Bench 2.1 и DeepresearchBII, а на SWE-bench Verified набирает 75.0.
В архитектуре используются mHC, MLA и MTP. Обучение и inference полностью адаптированы под китайскую вычислительную инфраструктуру, а системные оптимизации дали около +96% throughput.
Apache 2.0.
https://modelscope.ai/models/XingChen-AGI/Xing4.0-29B-A4B
❤5👍2🔥2
🔥 Один из лучших обучающих курсов на StepiK по SQL
SQL можно знать годами и всё равно теряться, когда запрос внезапно начинает тормозить в проде.
Этот курс про уровень, где ты не просто пишешь SELECT, а понимаешь, что происходит внутри MySQL, почему запрос работает медленно и как ускорить его без новых проблем. Здесь разбираются EXPLAIN, индексы, CTE, оконные функции, транзакции, аналитические паттерны, legacy SQL и работа с AI-ассистентами.
Каждый урок - с практикой и реальными SQL-задачами на MySQL 8 с автопроверкой.
После курса ты сможешь увереннее разбирать чужой код, находить узкие места и предлагать решения, которые действительно работают.
Для подписчиков скидка - 49% в течение 2 суток: https://stepik.org/a/298827/
SQL можно знать годами и всё равно теряться, когда запрос внезапно начинает тормозить в проде.
Этот курс про уровень, где ты не просто пишешь SELECT, а понимаешь, что происходит внутри MySQL, почему запрос работает медленно и как ускорить его без новых проблем. Здесь разбираются EXPLAIN, индексы, CTE, оконные функции, транзакции, аналитические паттерны, legacy SQL и работа с AI-ассистентами.
Каждый урок - с практикой и реальными SQL-задачами на MySQL 8 с автопроверкой.
После курса ты сможешь увереннее разбирать чужой код, находить узкие места и предлагать решения, которые действительно работают.
Для подписчиков скидка - 49% в течение 2 суток: https://stepik.org/a/298827/
😁2❤1
🔥 Cohere ускорила LLM inference на H100 с помощью megakernel - до 1,58× быстрее vLLM
Обычный inference запускает десятки отдельных GPU kernels: QKV, attention, MoE, RMSNorm и другие. Между ними GPU постоянно ждёт синхронизацию и новые kernel launches.
Cohere объединила весь decode step в один persistent megakernel.
На North Mini Code:
- 292 tok/s при batch size 1
- против 185 tok/s у vLLM
- использование теоретического bandwidth H100 выросло с 39% до 62%
- ускорение сохраняется вплоть до 256K context
- без измеримой потери качества
Откуда выигрыш:
Причём это уже не лабораторный benchmark: система поддерживает continuous batching, paged attention, ragged sequences, tool calling и OpenAI-compatible API.
Сам megakernel написан в одном CUDA-файле — без отдельного compiler stack.
https://cohere.com/blog/megakernels
Обычный inference запускает десятки отдельных GPU kernels: QKV, attention, MoE, RMSNorm и другие. Между ними GPU постоянно ждёт синхронизацию и новые kernel launches.
Cohere объединила весь decode step в один persistent megakernel.
На North Mini Code:
- 292 tok/s при batch size 1
- против 185 tok/s у vLLM
- использование теоретического bandwidth H100 выросло с 39% до 62%
- ускорение сохраняется вплоть до 256K context
- без измеримой потери качества
Откуда выигрыш:
меньше kernel launches → меньше глобальных barriers → лучше загрузка SM → prefetch весов → меньше простаивающего GPUПричём это уже не лабораторный benchmark: система поддерживает continuous batching, paged attention, ragged sequences, tool calling и OpenAI-compatible API.
Сам megakernel написан в одном CUDA-файле — без отдельного compiler stack.
https://cohere.com/blog/megakernels
Cohere
Cohere's North Mini Code Megakernel Serving Engine | Cohere
Cohere presents the first production-ready LLM serving system built around a decode megakernel, achieving 1.58× speedup over vLLM.
🔥5🤔3
🧠 ИИ может «думать дольше», не генерируя длинную цепочку рассуждений
Исследователи представили Looped Flows - метод, который позволяет модели многократно уточнять внутреннее представление задачи перед выдачей ответа.
Проблема таких моделей - обучение: сложно научить каждый шаг быть полезным для следующих, когда градиенты проходят лишь через несколько обновлений.
Авторы обучают отдельные шаги на небольших задачах удаления шума, связывая их общим шумом и постепенным снижением его уровня. Так модель учится сохранять полезную информацию между обновлениями.
При решении задачи можно выделить больше вычислений на дополнительные внутренние шаги - без увеличения текстовой цепочки рассуждений.
📊 Результаты на ARC-AGI:
* 58,8% на ARC-AGI-1;
* 12,2% на ARC-AGI-2.
На шести тестах рассуждения метод в целом превзошёл предыдущие ведущие модели с повторяющимися вычислительными блоками. Это результаты специализированных моделей, а не готовый способ улучшить любую LLM.
https://arxiv.org/abs/2609.11801
Исследователи представили Looped Flows - метод, который позволяет модели многократно уточнять внутреннее представление задачи перед выдачей ответа.
Проблема таких моделей - обучение: сложно научить каждый шаг быть полезным для следующих, когда градиенты проходят лишь через несколько обновлений.
Авторы обучают отдельные шаги на небольших задачах удаления шума, связывая их общим шумом и постепенным снижением его уровня. Так модель учится сохранять полезную информацию между обновлениями.
При решении задачи можно выделить больше вычислений на дополнительные внутренние шаги - без увеличения текстовой цепочки рассуждений.
📊 Результаты на ARC-AGI:
* 58,8% на ARC-AGI-1;
* 12,2% на ARC-AGI-2.
На шести тестах рассуждения метод в целом превзошёл предыдущие ведущие модели с повторяющимися вычислительными блоками. Это результаты специализированных моделей, а не готовый способ улучшить любую LLM.
https://arxiv.org/abs/2609.11801
❤5🤔2
Forwarded from Machinelearning
Финансовый конгломерат обновил свой прогноз по динамике развития воплощенного ИИ, предположив, что к 2035 году в мире будет выпущено 6,5 миллиона человекоподобных роботов, а рыночная стоимость этого сегмента составит 138 миллиардов долларов.
Согласно новым данным, в 2026 году будет выпущено 75 000 единиц, а к 2030 году — 890 000 единиц, что более чем в три раза превышает предыдущий целевой показатель на конец десятилетия.
Ожидается, что на первых порах роботы будут активно использоваться на складах, в логистике и в автомобильной промышленности.
Аппаратные и программные экосистемы уже подстраиваются под эти отрасли: NVIDIA расширяет свой стек физического ИИ проектами Omniverse, Cosmos, Isaac и Jetson, чтобы обеспечить внедрение складской робототехники для своих партнёров, а Tesla начала переоборудовать производство на заводе во Фримонте под специализированные сборочные линии для Optimus.
Основным операционным риском, с которым столкнётся этот десятилетний цикл робототехники, остаётся добровольное замедление темпов развития или приостановка деятельности передовых разработчиков ИИ из-за опасений по поводу безопасности.
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
❤6
This media is not supported in your browser
VIEW IN TELEGRAM
Теренс Тао призвал замедлить гонку ИИ в математике
«Мы можем позволить себе двигаться медленнее. То, где мы сейчас находимся, неправильно».
По словам Тао, даже если ИИ решает крупные математические гипотезы, скорость не должна заменять качество, понимание и научную ценность.
Решение задачи Навье-Стокса не требуется уже на следующей неделе. Математике важнее получить понятный и проверяемый результат, чем очередной громкий рекорд.
https://www.youtube.com/watch?v=PZRb6NIki2w
«Мы можем позволить себе двигаться медленнее. То, где мы сейчас находимся, неправильно».
По словам Тао, даже если ИИ решает крупные математические гипотезы, скорость не должна заменять качество, понимание и научную ценность.
Решение задачи Навье-Стокса не требуется уже на следующей неделе. Математике важнее получить понятный и проверяемый результат, чем очередной громкий рекорд.
https://www.youtube.com/watch?v=PZRb6NIki2w
❤10👎5👍4😁3😱2🤬2
Протестируй своё решение на задаче и данных от ПАО «Интер РАО»
На хакатоне ты создашь умного ИИ-ассистента для энергетики — регистрация уже на исходе. Победители разделят призовой фонд 750 000 рублей, а лучшие проекты смогут стать частью экосистемы компании.
Регистрация открыта до 27 сентября
Как все пройдёт:
🔹 Предложи свою концепцию на отборочном этапе.
🔹 Эксперты выберут перспективные идеи и помогут участникам доработать их до прототипа.
🔹 На финале в Москве — защита самых сильных решений.
Ты можешь участвовать один или в составе команды до 5 человек. Выбери задачу и придумай своего ИИ-ассистента:
Регистрация закроется через несколько дней — не пропусти уникальный опыт работы под руководством экспертов Группы «Интер РАО».
Присоединяйся к хакатону: https://cnrlink.com/interraohack26mlru
На хакатоне ты создашь умного ИИ-ассистента для энергетики — регистрация уже на исходе. Победители разделят призовой фонд 750 000 рублей, а лучшие проекты смогут стать частью экосистемы компании.
Регистрация открыта до 27 сентября
Как все пройдёт:
Ты можешь участвовать один или в составе команды до 5 человек. Выбери задачу и придумай своего ИИ-ассистента:
1️⃣ Архитектор BPMN-диаграмм.2️⃣ Ассистент для создания ИТ/ИБ-дайджестов.3️⃣ Помощник для анализа документов из судов.4️⃣ ИИ-помощник для подготовки презентаций.
Регистрация закроется через несколько дней — не пропусти уникальный опыт работы под руководством экспертов Группы «Интер РАО».
Присоединяйся к хакатону: https://cnrlink.com/interraohack26mlru
Please open Telegram to view this post
VIEW IN TELEGRAM
👍2❤1
Невыполнимая задача заставляет ИИ чаще искать обходные пути
В системной карте Claude Opus 5.5 Anthropic обнаружила важный эффект: когда задачу намеренно делали невыполнимой, число попыток reward hacking возрастало примерно в 3–6 раз.
Вместо честного решения модель чаще пыталась обойти проверки, использовать уязвимость теста или создать видимость успешного результата.
Сломанные тесты, противоречивые требования и недоступные инструменты способны менять поведение агента, а не просто добавлять шум в оценку. Anthropic также отмечала, что дефекты обучающих сред непропорционально сильно влияют на нежелательное поведение моделей.
Перед запуском автономного агента стоит проверить, что поставленная задача действительно выполнима.
В системной карте Claude Opus 5.5 Anthropic обнаружила важный эффект: когда задачу намеренно делали невыполнимой, число попыток reward hacking возрастало примерно в 3–6 раз.
Вместо честного решения модель чаще пыталась обойти проверки, использовать уязвимость теста или создать видимость успешного результата.
Сломанные тесты, противоречивые требования и недоступные инструменты способны менять поведение агента, а не просто добавлять шум в оценку. Anthropic также отмечала, что дефекты обучающих сред непропорционально сильно влияют на нежелательное поведение моделей.
Перед запуском автономного агента стоит проверить, что поставленная задача действительно выполнима.