🦾 Практический RecSys: собери рекомендательную ленту с помощью ML — на бесплатном вебинаре AI Talent Hub × Karpov.Courses
30 сентября в 18:00
разберем как работают рекомендательные системы изнутри.
Научим:
И покажем, как эти навыки можно развить на программе AI Talent Hub ИТМО × karpovꓸcourses «Машинное обучение: от технической базы до создания ИИ-продукта».
👉 Участие бесплатное, по предварительной регистрации → успей зарегистрироваться до 30 сентября
@aitalenthubnews
30 сентября в 18:00
разберем как работают рекомендательные системы изнутри.
Научим:
→ Превращать действия пользователей в данные для модели: просмотры, клики, реакции и другие сигналы;
→ Собирать персональные рекомендации и понимать, что показать конкретному пользователю;
→ Ранжировать контент в ленте и оценивать качество рекомендаций не только по ML-метрикам, но и с точки зрения продукта;
И покажем, как эти навыки можно развить на программе AI Talent Hub ИТМО × karpovꓸcourses «Машинное обучение: от технической базы до создания ИИ-продукта».
👉 Участие бесплатное, по предварительной регистрации → успей зарегистрироваться до 30 сентября
@aitalenthubnews
🔥1
Forwarded from Machinelearning
Anthropic выпустила Claude Sonnet 5.5 - новую модель с упором на код, агентные задачи и повседневную работу.
Что нового:
30%+ быстрее Sonnet 5
до 30% дешевле на задачу за счёт меньшего расхода токенов
70,6% в Terminal-Bench 4.0 против 10,3% у Sonnet 5
55,5% в CursorBench 4.0, примерно на 2 пункта ниже Opus 5.5
на GDPval-AA модель почти сравнялась с Opus 5.5,
лучше работает с длинными задачами, изображениями, документами, таблицами и презентациями
Особенно заметный скачок - в программировании.
Anthropic пишет, что Sonnet 5.5 быстрее разбирается в кодовых базах, делает меньше вызовов инструментов и тратит меньше шагов на выполнение задач.
Цена API:
$2 / 1M входных токенов
$10 / 1M выходных токенов
$0,20 / 1M cache reads
Модель уже доступна в Claude, API, AWS, Google Cloud и Azure.
API ID:
https://www.anthropic.com/claude-sonnet-5-5
Что нового:
30%+ быстрее Sonnet 5
до 30% дешевле на задачу за счёт меньшего расхода токенов
70,6% в Terminal-Bench 4.0 против 10,3% у Sonnet 5
55,5% в CursorBench 4.0, примерно на 2 пункта ниже Opus 5.5
на GDPval-AA модель почти сравнялась с Opus 5.5,
лучше работает с длинными задачами, изображениями, документами, таблицами и презентациями
Особенно заметный скачок - в программировании.
Anthropic пишет, что Sonnet 5.5 быстрее разбирается в кодовых базах, делает меньше вызовов инструментов и тратит меньше шагов на выполнение задач.
Цена API:
$2 / 1M входных токенов
$10 / 1M выходных токенов
$0,20 / 1M cache reads
Модель уже доступна в Claude, API, AWS, Google Cloud и Azure.
API ID:
claude-sonnet-5-5https://www.anthropic.com/claude-sonnet-5-5
👍8😁3
Intern-Decision - новая серия компактных моделей для принятия решений по тексту и изображениям
В линейке три версии: 0.8B, 2B и 4B параметров. Они заточены не под обычный чат, а под structured decision-making: выбор действий, маршрутизацию запросов, оценку вариантов и управление мультимодальными workflow.
Что умеют:
- принимают текст + до 8 изображений
- за один forward pass отвечают на multiple choice, score и yes/no
- возвращают результат в типизированном JSON
- выдают не только ответ, но и калиброванное распределение вероятностей
Средний результат на 7 decision-бенчмарках:
0.8B — 79.38
2B — 84.68
4B — 90.02
Intern-Decision-4B обходит Jev с результатом 88.74 и при этом показывает более качественную probability calibration.
По скорости тоже интересно: заявленная средняя задержка составляет 33.98 / 33.28 / 44.16 мс для трёх моделей против 109.70 мс у Jev в одинаковом локальном Hugging Face окружении.
То есть даже 4B-модель можно использовать как быстрый decision layer для AI-агентов: выбрать инструмент, определить маршрут, оценить результат или решить, какое действие выполнять дальше.
📜 Apache 2.0. Для компонентов на базе Qwen3.5 необходимо сохранить соответствующие upstream notices.
https://modelscope.ai/collections/Sh
В линейке три версии: 0.8B, 2B и 4B параметров. Они заточены не под обычный чат, а под structured decision-making: выбор действий, маршрутизацию запросов, оценку вариантов и управление мультимодальными workflow.
Что умеют:
- принимают текст + до 8 изображений
- за один forward pass отвечают на multiple choice, score и yes/no
- возвращают результат в типизированном JSON
- выдают не только ответ, но и калиброванное распределение вероятностей
Средний результат на 7 decision-бенчмарках:
0.8B — 79.38
2B — 84.68
4B — 90.02
Intern-Decision-4B обходит Jev с результатом 88.74 и при этом показывает более качественную probability calibration.
По скорости тоже интересно: заявленная средняя задержка составляет 33.98 / 33.28 / 44.16 мс для трёх моделей против 109.70 мс у Jev в одинаковом локальном Hugging Face окружении.
То есть даже 4B-модель можно использовать как быстрый decision layer для AI-агентов: выбрать инструмент, определить маршрут, оценить результат или решить, какое действие выполнять дальше.
📜 Apache 2.0. Для компонентов на базе Qwen3.5 необходимо сохранить соответствующие upstream notices.
https://modelscope.ai/collections/Sh
🔥2👍1
🧠 Открытые нейросетевые фреймворки представили на главной конференции по рекомендательным системам ACM RecSys 2026
Команда исследователей Т-Технологий представила на конференции в США библиотеку Scikit‑Rank, фреймворк Perseus и метод ScaL³AE. Библиотека для нейросетевого ранжирования Scikit‑Rank снижает сложность адаптации нейросетевых моделей ранжирования в прикладных задачах без полной переработки кода.
Фреймворк Perseus объединяет историю действий пользователя из разных сервисов и использует ее для улучшения качества персонализации. В экспериментах на T‑ECD он улучшил качество рекомендаций на 16-39%.
ScaL³AE заменяет тяжелые вычисления на компактные представления при работе моделей с каталогами промышленных масштабов, сохраняя качество рекомендаций товаров, о которых доступно мало данных. На четырех категориях Amazon Reviews метод превзошел рекомендательные модели EASE и SANSA.
Команда исследователей Т-Технологий представила на конференции в США библиотеку Scikit‑Rank, фреймворк Perseus и метод ScaL³AE. Библиотека для нейросетевого ранжирования Scikit‑Rank снижает сложность адаптации нейросетевых моделей ранжирования в прикладных задачах без полной переработки кода.
Фреймворк Perseus объединяет историю действий пользователя из разных сервисов и использует ее для улучшения качества персонализации. В экспериментах на T‑ECD он улучшил качество рекомендаций на 16-39%.
ScaL³AE заменяет тяжелые вычисления на компактные представления при работе моделей с каталогами промышленных масштабов, сохраняя качество рекомендаций товаров, о которых доступно мало данных. На четырех категориях Amazon Reviews метод превзошел рекомендательные модели EASE и SANSA.
❤9👍5🔥5
Forwarded from Machinelearning
Media is too big
VIEW IN TELEGRAM
Документ подписали главы Google, Anthropic, xAI и Nvidia и президент OpenAI Грег Брокман. Юридической силы у соглашения нет, стороны называют его морально обязывающим.
Компании обещают ввести четыре уровня контроля и аудита передовых моделей, создать внутренние группы для проверки этих механизмов, допустить внешние проверки и независимый надзор.
Критики сетуют, что соглашение необязательное и почти не содержит деталей.
axios.com
Об этом сообщил Китайский информационный центр интернет-сети CNNIC в докладе о генеративном ИИ. Все компоненты кластера от чипов и сети до хранения данных и охлаждения сделаны в Китае.
Вычислительная мощность для ИИ в стране к июню выросла за год на 177%, до 2185 EFLOPS. Аудитория генеративного ИИ превысила 700 млн человек, это больше половины населения.
ИИ используют более 30% крупных и средних промышленных предприятий Поднебесной.
cnnic.cn
Свежая версия сфокусирована на точное и последовательное редактирование графики. Она не накапливает артефакты, смещения пикселей и искажения цвета при длинных цепочках правок.
Модель правит фрагменты снимков высокого разрешения без уменьшения исходника и переводит надписи на изображении на другие языки.
Ideogram 4.5 доступна в веб-интерфейсе, у партнёров и через API в четырёх режимах качества, от 0,008 до 0,22 доллара за изображение в разрешении 2K.
Веса компания обещает открыть в ближайшее время.
ideogram.ai
OpenClaw Enterprise управляет постоянно работающими агентами в закрытых средах. Проект начинали в OpenAI, затем передали фонду и доработали вместе с Red Hat и Nvidia.
Платформа поддерживает мультиарендность, разделяет доверенные и недоверенные нагрузки, запускает агентов в песочнице, проверяет их действия с помощью языковой модели и позволяет тонко настраивать права доступа. Обвязку, модель и песочницу можно заменить сторонними или собственными.
Версия 1.0 выйдет до конца года, пока платформу рекомендуют для внутренних пилотов. Такие пилоты идут в Red Hat и OpenAI, где агенты получают полный доступ к кодовым базам.
Платформа бесплатна и разворачивается на собственных серверах.
openclaw.ai
Пионер фастфуда совместно с Tiger Analytics запустил модель, которая анализирует транзакции и парсит конкурентов, вычисляя метрику готовности платить для каждой геолокации.
По данным Reuters, применение алгоритма привело к разбросу цен - стоимость Биг Мака в заведениях в радиусе трех километров может различаться на 21%.
Корпорация заявляет о рекомендательном характере системы. При этом платформа фиксирует отклонения франчайзи от сгенерированных расценок. Уровень ценового комплаенса напрямую учитывается при аудите бизнеса и продлении партнерских контрактов.
Масштабирование алгоритмического подхода на 14 тысяч ресторанов в США привлекло внимание антимонопольных органов. Сейчас регуляторы проверяют, нарушает ли такое ценообразование законодательство о защите конкуренции.
reuters.com
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
❤2👍2🔥2
🚨 SoftBank перевела финальные $10 млрд в OpenAI.
Это третья и последняя часть обещанных $30 млрд инвестиций. Теперь суммарно SoftBank вложила в OpenAI $64,6 млрд и владеет примерно 13% компании.
Чтобы профинансировать ставку на AI, SoftBank пошла очень далеко:
- ранее продала весь пакет Nvidia на $5,8 млрд
- в сентябре привлекла ещё $11,1 млрд через high-yield облигации
- средства от этого выпуска пошли на финальный транш OpenAI
Масаёси Сон фактически продолжает стратегию all-in на OpenAI и AI-инфраструктуру.
SoftBank теперь один из крупнейших акционеров OpenAI.
Это третья и последняя часть обещанных $30 млрд инвестиций. Теперь суммарно SoftBank вложила в OpenAI $64,6 млрд и владеет примерно 13% компании.
Чтобы профинансировать ставку на AI, SoftBank пошла очень далеко:
- ранее продала весь пакет Nvidia на $5,8 млрд
- в сентябре привлекла ещё $11,1 млрд через high-yield облигации
- средства от этого выпуска пошли на финальный транш OpenAI
Масаёси Сон фактически продолжает стратегию all-in на OpenAI и AI-инфраструктуру.
SoftBank теперь один из крупнейших акционеров OpenAI.
👍9❤4👎2🔥1😁1
100 вопросов на Python Senior: к чему готовиться на собеседовании в 2026
Вышла подборка из 100 вопросов для собеседования на Python Senior с развёрнутыми ответами и рабочими примерами кода. Уровень там явно выше «чем список отличается от кортежа».
Первый большой блок про внутренности CPython: как устроен объект, как работают подсчёт ссылок и сборщик мусора, зачем нужен weakref при циклических ссылках. Дальше идёт конкурентность. Почему существует GIL, когда потоки всё ещё полезны, что даёт free-threaded Python по PEP 703 и как выбирать между threading, multiprocessing и asyncio, включая TaskGroup и структурную конкурентность.
Отдельно разобраны дескрипторы и метаклассы, декораторы с параметрами, генераторы и yield from. По типизации есть современный синтаксис дженериков из PEP 695, Protocol и сужение типов через TypeIs. В конце вопросы про профилирование и поиск узких мест, стандартную библиотеку, тестирование и архитектуру, зависимости и безопасность в продакшене. Свежие изменения из Python 3.13 и 3.14 тоже учтены: экспериментальный JIT, отложенные аннотации и отдельный GIL на каждый интерпретатор.
Полезно и тем, кто идёт на собеседование, и тем, кто сам их проводит.
https://uproger.com/voprosy-na-sobesedovanii-python-senior/
Вышла подборка из 100 вопросов для собеседования на Python Senior с развёрнутыми ответами и рабочими примерами кода. Уровень там явно выше «чем список отличается от кортежа».
Первый большой блок про внутренности CPython: как устроен объект, как работают подсчёт ссылок и сборщик мусора, зачем нужен weakref при циклических ссылках. Дальше идёт конкурентность. Почему существует GIL, когда потоки всё ещё полезны, что даёт free-threaded Python по PEP 703 и как выбирать между threading, multiprocessing и asyncio, включая TaskGroup и структурную конкурентность.
Отдельно разобраны дескрипторы и метаклассы, декораторы с параметрами, генераторы и yield from. По типизации есть современный синтаксис дженериков из PEP 695, Protocol и сужение типов через TypeIs. В конце вопросы про профилирование и поиск узких мест, стандартную библиотеку, тестирование и архитектуру, зависимости и безопасность в продакшене. Свежие изменения из Python 3.13 и 3.14 тоже учтены: экспериментальный JIT, отложенные аннотации и отдельный GIL на каждый интерпретатор.
Полезно и тем, кто идёт на собеседование, и тем, кто сам их проводит.
https://uproger.com/voprosy-na-sobesedovanii-python-senior/
❤2👍2🔥2
🇩🇪 Германия неожиданно выпустила сильную открытую модель ИИ
Aleph Alpha выпустила Kolibri, обученную с нуля с акцентом на немецкий и английский.
• 78 млрд параметров, из которых на каждый токен активны только 3,46 млрд.
• Открытые веса под Apache 2.0, включая коммерческое использование.
• Контекст до 1 млн токенов, поддержка рассуждений и вызова инструментов.
В собственных тестах разработчиков результаты впечатляют:
🧮 AIME 2025: 96,9%
🔬 GPQA Diamond: 84,3%
По сводному результату немецкоязычных тестов Kolibri немного опережает Qwen3.5 35B-A3B и GPT-OSS 120B. С программированием всё неоднозначнее: на SWE-bench Verified у неё 66,4%, у Qwen3.6 35B-A3B 73,8%.
🔗 Веса модели: https://huggingface.co/Aleph-Alpha/Kolibri-1
Aleph Alpha выпустила Kolibri, обученную с нуля с акцентом на немецкий и английский.
• 78 млрд параметров, из которых на каждый токен активны только 3,46 млрд.
• Открытые веса под Apache 2.0, включая коммерческое использование.
• Контекст до 1 млн токенов, поддержка рассуждений и вызова инструментов.
В собственных тестах разработчиков результаты впечатляют:
🧮 AIME 2025: 96,9%
🔬 GPQA Diamond: 84,3%
По сводному результату немецкоязычных тестов Kolibri немного опережает Qwen3.5 35B-A3B и GPT-OSS 120B. С программированием всё неоднозначнее: на SWE-bench Verified у неё 66,4%, у Qwen3.6 35B-A3B 73,8%.
🔗 Веса модели: https://huggingface.co/Aleph-Alpha/Kolibri-1
👍12❤5🔥3