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
👍15❤5🔥5
🧠 Есть ли у Claude сознание? Автор диссертации на эту тему сомневается
На фоне обсуждений машинного сознания Майкл Тимоти Беннетт поделился своей позицией:
В 2025 году он подготовил в Австралийском национальном университете PhD-диссертацию How To Build Conscious Machines. В ней исследует, что такое субъективный опыт и какие свойства могли бы позволить машине им обладать.
Оценка Claude прозвучала в посте автора. Сама диссертация посвящена более широкому вопросу: как вообще создать машину с сознанием.
📄 Работа: https://openresearch-repository.anu.edu.au/bitstreams/6f333f30-2553-4032-8c3f-ff7a8f46f03a/download
На фоне обсуждений машинного сознания Майкл Тимоти Беннетт поделился своей позицией:
> «Я достаточно уверен, что Claude не обладает сознанием».
В 2025 году он подготовил в Австралийском национальном университете PhD-диссертацию How To Build Conscious Machines. В ней исследует, что такое субъективный опыт и какие свойства могли бы позволить машине им обладать.
Оценка Claude прозвучала в посте автора. Сама диссертация посвящена более широкому вопросу: как вообще создать машину с сознанием.
📄 Работа: https://openresearch-repository.anu.edu.au/bitstreams/6f333f30-2553-4032-8c3f-ff7a8f46f03a/download
❤3👍1🔥1
🔥 Бесплатный курс по Claude Code на русском: от установки до команды агентов
На GitHub выложили Claude Code PRO Course, бесплатный практический курс по Claude Code на русском языке. Он ведёт от первого запуска до настройки многоагентной работы в команде.
Внутри 12 модулей в четырёх уровнях сложности: основы, рабочий процесс, расширения и масштабирование. Сначала установка, промптинг, память проекта через CLAUDE.md, настройки и права доступа. Потом профессиональный рабочий процесс, скиллы и слэш-команды, сабагенты и хуки.
Дальше идут MCP, плагины и маркетплейсы, а в конце headless-режим, CI и GitHub Actions плюс продвинутые техники. Основной упор сделан на управление контекстом, разработку через тесты и автоматизацию через конфигурацию как код.
Теорией курс не ограничивается: есть 8 практических лабораторных, готовый стартовый набор, библиотека промптов и пример собственного плагина. Лицензия MIT.
https://github.com/justxor/claude-code-pro-course
На GitHub выложили Claude Code PRO Course, бесплатный практический курс по Claude Code на русском языке. Он ведёт от первого запуска до настройки многоагентной работы в команде.
Внутри 12 модулей в четырёх уровнях сложности: основы, рабочий процесс, расширения и масштабирование. Сначала установка, промптинг, память проекта через CLAUDE.md, настройки и права доступа. Потом профессиональный рабочий процесс, скиллы и слэш-команды, сабагенты и хуки.
Дальше идут MCP, плагины и маркетплейсы, а в конце headless-режим, CI и GitHub Actions плюс продвинутые техники. Основной упор сделан на управление контекстом, разработку через тесты и автоматизацию через конфигурацию как код.
Теорией курс не ограничивается: есть 8 практических лабораторных, готовый стартовый набор, библиотека промптов и пример собственного плагина. Лицензия MIT.
https://github.com/justxor/claude-code-pro-course
❤3
Forwarded from Machinelearning
Media is too big
VIEW IN TELEGRAM
Власти США сформировали межведомственную группу Super Intelligence Force для координации федеральной политики в сфере ИИ.
Новый орган подчиняется напрямую президенту США. Координатором группы назначен директор Национальной разведки Джей Клейтон. В состав также вошли председатель FTC Эндрю Фергюсон, замминистра обороны по R&D Эмиль Майкл и глава кадрового управления Скотт Купор.
Super Intelligence Force будет мониторить угрозы национальной безопасности, удерживать технологическое лидерство США и устранять барьеры, тормозящие разработку.
washingtonpost.com
Дэвид Робинсон, проработавший в компании три с половиной года и участвовавший в создании регламента готовности, объявил об отставке и опубликовал эссе о том, что в отрасли скорость выпуска побеждает качество проработки.
Подход, при котором проблемы устраняют по мере появления, он считает оправданным для ПО и недопустимым для ИИ - когда модель превзойдёт человека по когнитивным способностям, устранять последствия критического инцидента будет некому.
Дэвид считает, что разработка передовых моделей должна перейти на стандарты гражданской авиации и ядерной энергетики с их строгим резервированием и проектированием систем, исключающим катастрофу из-за человеческого фактора.
theatlantic.com
Немецкий стартап выпустил под лицензией Apache 2.0 большую языковую модель Kolibri 1, созданную в рамках европейской инициативы цифрового суверенитета и полностью соответствующую нормам EU AI Act.
Это MoE на 78 млрд общих и 3,5 активных параметров с базовым контекстным окном в 262 144 токена, которое может масштабироваться до одного миллиона.
Kolibri оптимизирована под немецкий и английский языки за счёт кастомного токенизатора UniBPE. Против галлюцинаций применён протокол Merlin-Arthur - модель учат отказываться от ответа, если контекст его не содержит.
Среди слабых сторон - скромные результаты в генерации кода, вызове функций и закрытых тестах на общую эрудицию без RAG.
aleph-alpha.com
Бретт Эддкок анонсировал Hark с агентом Handoff, рассчитанным на длинные автономные задачи в интернете - заказ еды, покупки, бронирование, поиск информации.
На каждый запрос поднимается отдельный виртуальный компьютер с браузером, файловой системой и терминалом, а подключённые аккаунты дают доступ к адресам и предпочтениям.
По собственным замерам Hark занял первое место в человеческой оценке Online-Mind2Web, обойдя GPT-5.4 на 8 пунктов и Claude Opus 4.8 на 2.
Проект, уже привлекший более 700 млн долларов от топовых инвесторов, планирует открыть бесплатный Pro-доступ первым 100 000 пользователей из листа ожидания.
hark.com
До конца месяца OpenAI запустит в США пилотный показ графической рекламы в ChatGPT. Баннеры будут появляться в интерфейсе на время ожидания генерации изображений.
Цель запуска - монетизация аудитории, которая достигла 1,2 млрд активных пользователей в неделю. Рекламные блоки получат маркировку и будут визуально изолированы от сгенерированного контента.
Для рекламной инфраструктуры компания интегрирует стек сторонних аналитических платформ по сбору данных о конверсиях и атрибуции кликов.
Внешние партнеры по верификации не получат прямого доступа к содержимому приватных диалогов.
openai.com
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
❤3👍2
Forwarded from Machinelearning
Все статьи написала внутренняя модель компании, название которой не раскрывают. На GitHub они разбиты на 372 семейства, от теории чисел и теоретической информатики до геометрии и математической физики.
Среди заявленных результатов есть доказательство рациональной гипотезы Ходжа для абелевых многообразий с комплексным умножением, гипотезы Капланского о прямой конечности в характеристике два и новая оценка показателя иррациональности числа
π.Рецензию работы не проходили, и независимо их пока никто не проверял.
Около 4000 задач модель получила во время внутренней оценки. Её расширили, когда прежние математические тесты перестали отличать модели друг от друга.
В среднем на один результат уходило столько вычислений, сколько примерно за три часа тратит ChatGPT Pro в режиме рассуждений.
Для 162 работ выложены доказательства на Lean. Каталог этих формализаций сама OpenAI считает как частичный и непроверенный. К десяти результатам приложены сокращённые записи рассуждений модели.
О том, как публиковать такие результаты, OpenAI советовалась с независимой Консультативной группой по математике и ИИ при Институте перспективных исследований в Принстоне.
Компания также обещает финансировать математические семинары и конференции в будущем.
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥6👍4❤1
DeepSeek Harness вышел на десктоп: плагины без терминала и задачи по расписанию
DeepSeek выпустила превью Harness v0.2 с десктопным приложением для macOS и Windows: менеджер плагинов, режим создателя, задачи по расписанию и планы на маркетплейс.
https://uproger.com/deepseek-harness-desktop/
DeepSeek выпустила превью Harness v0.2 с десктопным приложением для macOS и Windows: менеджер плагинов, режим создателя, задачи по расписанию и планы на маркетплейс.
https://uproger.com/deepseek-harness-desktop/
🔥6❤3👍3
🦀 Burn 0.22: меньше дженериков, быстрее сборка и почти вдвое меньше VRAM в тесте CNN.
Фреймворк глубокого обучения на Rust убрал параметр бэкенда из пользовательских моделей:
Теперь место и способ выполнения выбираются через
Пересборка после правки модели в замерах команды:
• CNN: 28,42 → 4,57 с, ускорение в 6,2 раза.
• Transformer: 14,73 → 1 с, ускорение в 14,7 раза.
В тесте обучения CNN на RTX 4050 Laptop, FP32 пропускная способность выросла на 80%, а пиковая VRAM после прогрева снизилась с 956 до 486 МиБ. Для Transformer экономия памяти составила около 18%. Это результаты конкретных тестовых моделей.
Также добавили LoRA и QLoRA, раннюю поддержку экспорта в ONNX, удалённые вычисления и повторное исполнение GPU-графов.
Обновление ломает совместимость API: Candle удалён, NdArray и LibTorch объявлены устаревшими.
https://tracel.ai/blog/release-0.22.0/
@machinelearning_ru
Фреймворк глубокого обучения на Rust убрал параметр бэкенда из пользовательских моделей:
// Было
struct Model<B: Backend> {
linear: Linear<B>,
}
// Стало
struct Model {
linear: Linear,
}
Теперь место и способ выполнения выбираются через
Device. Изменение модели затрагивает меньше кода при перекомпиляции.Пересборка после правки модели в замерах команды:
• CNN: 28,42 → 4,57 с, ускорение в 6,2 раза.
• Transformer: 14,73 → 1 с, ускорение в 14,7 раза.
В тесте обучения CNN на RTX 4050 Laptop, FP32 пропускная способность выросла на 80%, а пиковая VRAM после прогрева снизилась с 956 до 486 МиБ. Для Transformer экономия памяти составила около 18%. Это результаты конкретных тестовых моделей.
Также добавили LoRA и QLoRA, раннюю поддержку экспорта в ONNX, удалённые вычисления и повторное исполнение GPU-графов.
Обновление ломает совместимость API: Candle удалён, NdArray и LibTorch объявлены устаревшими.
https://tracel.ai/blog/release-0.22.0/
@machinelearning_ru
🔥5❤4👍2
Трюк Карпаты сработал: локальная LLM на Mac M5 выдает 117 токенов в секунду
Как open-source движок Uzu от Mirai обходит потолок пропускной способности памяти на Apple M5 и разгоняет Qwen3.5 9B с 22 до 117 токенов в секунду: квантизация, спекулятивный декодинг, Weaver и бенчмарк против llama.cpp и MLX.
https://uproger.com/uzu-uskorenie-lokalnyh-llm-apple-m5/
Как open-source движок Uzu от Mirai обходит потолок пропускной способности памяти на Apple M5 и разгоняет Qwen3.5 9B с 22 до 117 токенов в секунду: квантизация, спекулятивный декодинг, Weaver и бенчмарк против llama.cpp и MLX.
https://uproger.com/uzu-uskorenie-lokalnyh-llm-apple-m5/
❤13👍4
🚨 Palantir оспаривает роль ИИ в ударе по школе в Минабе.
Технический директор компании Шьям Санкар назвал ошибочным сообщение Bloomberg о чрезмерном доверии военных системе Maven. По его версии, вероятная причина трагедии связана с человеческой ошибкой.
После удара Palantir добавила ИИ-агентов для дополнительных проверок. Итоговый отчёт расследования ещё не опубликован, поэтому заявление Санкара остаётся позицией компании.
По словам Санкара, отказ от Claude не повлиял на операции: доступны альтернативы, включая OpenAI, xAI и NVIDIA Nemotron.
https://www.cbsnews.com/news/shyam-sankar-chief-technology-officer-palantir-face-the-nation-transcript-10-11-2026/
Технический директор компании Шьям Санкар назвал ошибочным сообщение Bloomberg о чрезмерном доверии военных системе Maven. По его версии, вероятная причина трагедии связана с человеческой ошибкой.
После удара Palantir добавила ИИ-агентов для дополнительных проверок. Итоговый отчёт расследования ещё не опубликован, поэтому заявление Санкара остаётся позицией компании.
По словам Санкара, отказ от Claude не повлиял на операции: доступны альтернативы, включая OpenAI, xAI и NVIDIA Nemotron.
https://www.cbsnews.com/news/shyam-sankar-chief-technology-officer-palantir-face-the-nation-transcript-10-11-2026/
❤2👍2🔥2
🛡 Anthropic усложнила обучение чужих моделей на рассуждениях Claude
По оценке компании, новая защита сократила объём извлекаемых рассуждений на её платформе на 90–99%.
Для дистилляции особенно ценны подробные цепочки решения: другую модель обучают не только ответам, но и тому, как они получены.
Anthropic ограничила перенос рассуждений между аккаунтами и моделями, внедрила классификаторы попыток извлечения и усилила блокировки.
Разница заметна: в эксперименте обучение на полных рассуждениях дало 80,4% на SWE-bench Verified, а на сокращённых версиях лишь 71,8%.
Защита затронула и обычных разработчиков: некоторым пришлось обновить интеграции. Возможны ошибочные блокировки, а за определённые заблокированные запросы теперь тоже берут плату.
Компания признаёт: борьба продолжается, и пока неизвестно, как долго продержится этот результат.
https://www.anthropic.com/research/distillation-defenses
По оценке компании, новая защита сократила объём извлекаемых рассуждений на её платформе на 90–99%.
Для дистилляции особенно ценны подробные цепочки решения: другую модель обучают не только ответам, но и тому, как они получены.
Anthropic ограничила перенос рассуждений между аккаунтами и моделями, внедрила классификаторы попыток извлечения и усилила блокировки.
Разница заметна: в эксперименте обучение на полных рассуждениях дало 80,4% на SWE-bench Verified, а на сокращённых версиях лишь 71,8%.
Защита затронула и обычных разработчиков: некоторым пришлось обновить интеграции. Возможны ошибочные блокировки, а за определённые заблокированные запросы теперь тоже берут плату.
Компания признаёт: борьба продолжается, и пока неизвестно, как долго продержится этот результат.
https://www.anthropic.com/research/distillation-defenses
❤5🔥4👍3
Kandinsky 6.0 Video — новая линейка моделей генерации видео со звуком
Модели генерируют видео с диалогами, музыкой и звуками окружения. Аудиодорожка синхронизирована с происходящим в кадре, движения губ персонажей совпадают с речью. Это первая российская нейросеть, генерирующая видео с синхронным звуком.
— Флагман новой линейки, Kandinsky 6.0 Video Pro — показывает качество на уровне Veo 3.1 Audio, а среди открытых моделей уступает только MiniMax H3, достигая паритета с LTX 2.5.
— Есть компактная Video Lite (3B) для запуска дома — доступны пресеты для видеокарт с 16–32 ГБ VRAM.
Веса моделей доступны на Hugging Face, код — на GitHub и на GitVerse. Также опубликован подробный технический отчёт с описанием архитектуры, данных, процесса обучения и результатов тестирования. Модель можно попробовать бесплатно в ГигаЧате в разделе генерации видео.
Модели генерируют видео с диалогами, музыкой и звуками окружения. Аудиодорожка синхронизирована с происходящим в кадре, движения губ персонажей совпадают с речью. Это первая российская нейросеть, генерирующая видео с синхронным звуком.
— Флагман новой линейки, Kandinsky 6.0 Video Pro — показывает качество на уровне Veo 3.1 Audio, а среди открытых моделей уступает только MiniMax H3, достигая паритета с LTX 2.5.
— Есть компактная Video Lite (3B) для запуска дома — доступны пресеты для видеокарт с 16–32 ГБ VRAM.
Веса моделей доступны на Hugging Face, код — на GitHub и на GitVerse. Также опубликован подробный технический отчёт с описанием архитектуры, данных, процесса обучения и результатов тестирования. Модель можно попробовать бесплатно в ГигаЧате в разделе генерации видео.
❤4👍3🔥3👎1
Родриго Серран разобрал в своём блоге пять нововведений Python 3.15, которые ему кажутся самыми интересными. Собрали их суть.
Ленивые импорты (PEP 810). Появилось ключевое слово lazy: помеченный модуль не загружается, пока имя реально не понадобилось. Отличный способ ускорить медленный старт приложения, особенно с тяжёлыми зависимостями.
lazy import json
lazy from math import sqrt
Встроенный frozendict (PEP 814). Неизменяемый и хешируемый словарь. Поменять или удалить ключ нельзя, прилетит TypeError, зато его можно использовать как ключ другого словаря или элемент множества.
version_info = frozendict({"major": 3, "minor": 15, "patch": 0})
version_info["patch"] += 1 # TypeError
Встроенный sentinel (PEP 661). Именованные заглушки, которые невозможно спутать с нормальными значениями вроде None. Удобно, когда None это валидный аргумент, а отличить «не передано» всё равно нужно. Печатают своё имя и образуют собственный тип, так что аннотации остаются чистыми.
NOTHING = sentinel("NOTHING")
if find_and_return(dataset, filter_function) is NOTHING:
print("Никто не подошёл под условие")
Распаковка внутри comprehension (PEP 798). Теперь звёздочку можно использовать прямо в list, dict, set и генераторных выражениях. Нового поведения не добавляет, но заменяет вложенные циклы на короткую строку.
flat = [*sub for sub in nested]
Профайлер Tachyon (PEP 799). Высокочастотный сэмплирующий профайлер прямо в стандартной библиотеке: до миллиона замеров в секунду. Может профилировать скрипт или подключаться к уже запущенному процессу с минимальными накладными расходами.
python -m profiling.sampling run script.py
python -m profiling.sampling attach 12345
Источник: https://mathspp.com/blog/the-5-most-exciting-new-features-of-python-315
Please open Telegram to view this post
VIEW IN TELEGRAM
❤4👍2
Сравните модели GigaChat на своей задаче в GigaPlatform AI Studio
Это среда, в которой можно менять настройки моделей и проверять ответы на своих запросах.
В AI Studio можно:
• Сравнить ответы двух моделей на одном запросе.
• Сравнить ответы при разной температуре.
• Настроить системный промпт и проверить его на нескольких запросах.
• Сохранить промпт и историю диалога в JSON.
Пять рабочих сценариев разобрали в статье.
Попробуйте AI Studio бесплатно и без ВПН.
Это среда, в которой можно менять настройки моделей и проверять ответы на своих запросах.
В AI Studio можно:
• Сравнить ответы двух моделей на одном запросе.
• Сравнить ответы при разной температуре.
• Настроить системный промпт и проверить его на нескольких запросах.
• Сохранить промпт и историю диалога в JSON.
Пять рабочих сценариев разобрали в статье.
Попробуйте AI Studio бесплатно и без ВПН.
👎4👍2
Forwarded from Machinelearning
Media is too big
VIEW IN TELEGRAM
Стартап рассчитывает переделать Sora в профессиональный инструментарий для кинематографистов, а OpenAI взамен получит долю в компании. Передача весов пока обсуждается, зато позволит лаборатории монетизировать замороженный проект.
Развитие Sora свернули из-за вычислительных расходов, по оценкам ежедневные убытки доходили до 1 млн долларов. После отмены возможной сделки с Disney на 1 млрд компания весной отключила веб-клиент, а в сентябре закрыла доступ к API.
Освободившиеся ускорители ушли на обучение моделей для кодинга и поддержку ChatGPT, а инфраструктурные риски генеративного видео теперь берёт на себя проект бывшего руководителя разработки Sora.
theinformation.com
В Yau Laboratory Alliance for Mathematics and Artificial Intelligence вошли восемь научных центров и больше тысячи учёных, инициатором выступил лауреат Филдсовской премии Шинтан Яу.
Цель в том, чтобы сократить технологическое отставание от США в фундаментальных науках. Заниматься альянс будет архитектурами для генерации гипотез, формализации доказательств и выстраивания цепочек рассуждений, а команды сосредоточатся на математических наборах данных и инструментах проверки.
Внедрение ИИ исследователи называют неизбежной сменой научной парадигмы и противопоставляют свой подход скепсису части академического сообщества, в том числе призывам филдсовского лауреата Теренса Тао повременить с генеративными алгоритмами.
scmp.com
Решение разработчик диалоговой платформы объясняет возросшим регуляторным, юридическим и операционным давлением, покупателя ищет через судебный аукцион.
Первым претендентом выступила The Walt Disney Company, предложившая 20 млн долларов за бессрочную неэксклюзивную лицензию и обязавшаяся дать техподдержку силами бывших разработчиков стартапа, ранее переманенных в штат.
Суд рассмотрит и заявки сторонних претендентов, готовых перебить ставку, завершить продажу планируют к началу декабря. До конца торгов платформа работает, но если новый владелец откажется её поддерживать, проект закроют.
businesswire.com
На OCP Global Summit компания передала в открытый фонд OCP спецификации вычислительных полок и стоек на архитектуре MGX 1.2.
Стандарт рассчитан на сверхплотные кластеры до 250 кВт на стойку и унифицирует прямое жидкостное охлаждение, шинопровод на 5000 А и питание 800 В постоянного тока. Открыта и архитектура процессоров Vera для координации агентных систем, так что OEM-производители смогут собирать совместимое оборудование без проприетарных документов.
Вместе с Google и AMD опубликован стандарт Open Data Center v0.7, а в открытый доступ выложены утилиты DSX OS для автоматизации развёртывания и проверки кластеров перед обучением.
nvidia.com
На большинстве из 94 действующих энергоблоков США языковые модели для работы с документацией уже используют или тестируют. Они составляют отчёты, разбирают данные о прошлых инцидентах и готовят инструкции по ремонту узлов. Разрабатывают их стартапы Atomic Canyon и Nuclearn, обучая на массиве регламентов NRC и закрытых базах знаний энергетических институтов.
Причины внедрения две, это отток опытных инженеров и бюрократические требования к проверке каждого технического шага. Ради стандартов безопасности системы ставят на серверах самих площадок или в защищённых ведомственных средах с разграничением доступа.
Автоматизация управления реакторами запрещена, алгоритмы работают только как поисковые и аналитические помощники, окончательное решение всегда принимает инженер.
ieee.org
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
Сравните модели GigaChat на своей задаче в GigaPlatform AI Studio
Это среда, в которой можно менять настройки моделей и проверять ответы на своих запросах.
В AI Studio можно:
• Сравнить ответы двух моделей на одном запросе.
• Сравнить ответы при разной температуре.
• Настроить системный промпт и проверить его на нескольких запросах.
• Сохранить промпт и историю диалога в JSON.
Пять рабочих сценариев разобрали в статье.
Попробуйте AI Studio бесплатно и без ВПН.
Это среда, в которой можно менять настройки моделей и проверять ответы на своих запросах.
В AI Studio можно:
• Сравнить ответы двух моделей на одном запросе.
• Сравнить ответы при разной температуре.
• Настроить системный промпт и проверить его на нескольких запросах.
• Сохранить промпт и историю диалога в JSON.
Пять рабочих сценариев разобрали в статье.
Попробуйте AI Studio бесплатно и без ВПН.
AI VK Reserach масштабировали графовые нейросети для рекомендаций
Исследователи представят на конференции CIKM 2026 метод масштабирования графовых нейросетей (GNN). Решение протестировали на социальном графе из 194 млн пользователей и 28 млрд связей. В A/B-тесте количество добавлений в друзья из рекомендаций выросло на 16%.
Графовые нейросети анализируют связи между пользователями и их социальное окружение, чтобы предсказывать новые знакомства. Основная сложность — обучение таких моделей на графах с сотнями миллионов пользователей и миллиардами связей.
Для масштабирования исследователи предложили два подхода:
• Multi-Hash User Embeddings — вместо хранения отдельного эмбеддинга для каждого пользователя применяются несколько хеш-функций и общая таблица векторов. Это позволило сократить потребление видеопамяти со 203 до 2 ГБ, более чем в 100 раз.
• Temporal Neighbor Sampling — алгоритм учитывает время появления социальных связей и исключает использование будущих данных при обучении. Оптимизация ускорила семплирование в 2,5 раза.
📊 В двухнедельном A/B-тесте относительно предыдущей модели ранжирования получили:
+16% добавлений в друзья из рекомендаций
+11,5% пользователей, добавивших хотя бы одного рекомендованного друга
При этом задержки онлайн-ранжирования не увеличились.
Исследование: Scaling Graph Neural Networks for Friend Recommendation: Multi-Hash User Embeddings and Temporal Neighbor Sampling, основной трек CIKM 2026.
Исследователи представят на конференции CIKM 2026 метод масштабирования графовых нейросетей (GNN). Решение протестировали на социальном графе из 194 млн пользователей и 28 млрд связей. В A/B-тесте количество добавлений в друзья из рекомендаций выросло на 16%.
Графовые нейросети анализируют связи между пользователями и их социальное окружение, чтобы предсказывать новые знакомства. Основная сложность — обучение таких моделей на графах с сотнями миллионов пользователей и миллиардами связей.
Для масштабирования исследователи предложили два подхода:
• Multi-Hash User Embeddings — вместо хранения отдельного эмбеддинга для каждого пользователя применяются несколько хеш-функций и общая таблица векторов. Это позволило сократить потребление видеопамяти со 203 до 2 ГБ, более чем в 100 раз.
• Temporal Neighbor Sampling — алгоритм учитывает время появления социальных связей и исключает использование будущих данных при обучении. Оптимизация ускорила семплирование в 2,5 раза.
📊 В двухнедельном A/B-тесте относительно предыдущей модели ранжирования получили:
+16% добавлений в друзья из рекомендаций
+11,5% пользователей, добавивших хотя бы одного рекомендованного друга
При этом задержки онлайн-ранжирования не увеличились.
Исследование: Scaling Graph Neural Networks for Friend Recommendation: Multi-Hash User Embeddings and Temporal Neighbor Sampling, основной трек CIKM 2026.