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.
❤3🔥1
💰 Anthropic получила $16,8 млрд выручки за квартал. Но инвесторы ожидали большего.
По данным Financial Times, рост к предыдущему кварталу составил около 46%. До этого выручка увеличилась более чем вдвое: с $4,8 млрд до $11,5 млрд.
Компания второй квартал подряд сообщила о скорректированной прибыли. При этом 5–7% выручки ранее приносили конкуренты, обучавшие свои модели на ответах Claude. В третьем квартале Anthropic существенно ограничила эту практику.
https://www.ft.com/content/11632d03-358c-454b-af95-d06d4072932b
По данным Financial Times, рост к предыдущему кварталу составил около 46%. До этого выручка увеличилась более чем вдвое: с $4,8 млрд до $11,5 млрд.
Компания второй квартал подряд сообщила о скорректированной прибыли. При этом 5–7% выручки ранее приносили конкуренты, обучавшие свои модели на ответах Claude. В третьем квартале Anthropic существенно ограничила эту практику.
https://www.ft.com/content/11632d03-358c-454b-af95-d06d4072932b
👍4❤3
Forwarded from Machinelearning
Media is too big
VIEW IN TELEGRAM
Биотех-стартап бывшего сооснователя Neuralink Макса Ходака расширил сферу применения своего интерфейса мозг-компьютер на неизлечимое наследственное заболевание Штаргардта, приводящее к прогрессирующей слепоте из-за гибели фоторецепторов сетчатки.
В ходе клинических испытаний в Сиднейской офтальмологической больнице пациент с установленным микрочипом восстановил способность различать контрастные символы - на первом сеансе реабилитации он смог увидеть отдельную букву, а на втором - прочесть целое слово.
Аппаратный комплекс PRIMA включает субретинальный чип размером 2×2 мм и внешние очки со встроенной камерой, матрица которой выступает в роли искусственного фоторецептора - она улавливает оптический сигнал от очков и трансформирует его в электрические потенциалы, стимулируя сохранившиеся слои нейронов и передавая импульс по зрительному нерву в мозг.
Сейчас технология даёт монохромную картинку с узким полем обзора, но в Science Corporation уже готовят второе поколение сенсоров с меньшим размером электродов, рассчитывая в течение пяти лет приблизиться по разрешению к человеческому зрению.
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
❤6
🔥 Хочешь быстрее расти в IT? Хватит учиться в одиночку
Окружение решает больше, чем кажется.
Собрал папки и каналы, где можно быстрее влиться в нужное направление, следить за трендами и не вариться в своём пузыре.
AI: t.me/ai_machinelearning_big_data
Python: t.me/pythonl
Linux: t.me/linuxacademiya
Хакинг: t.me/linuxkalii
DevOps: t.me/DevOPSitsec
Docker: https://t.me/+90Z5TAyfuNU5YmRi
Golang: t.me/Golang_google
Rust: t.me/rust_code
C++: t.me/cpluspluc
C#: t.me/csharp_ci
Java: t.me/javatg
JavaScript: t.me/javascriptv
React: t.me/react_tg
Frontend: t.me/front
PHP: t.me/phpshka
Android: t.me/android_its
Мобильная разработка: t.me/mobdevelop
Базы данных: t.me/sqlhub
Data Science: t.me/data_analysis_ml
Big Data: t.me/bigdatai
Математика: t.me/data_math
Физика: t.me/fizmat
Kubernetes: t.me/kubernetc
GameDev: https://t.me/gamedev
Haskell: t.me/haskell_tg
Собеседования и карьера:
DS собеседования: t.me/machinelearning_interview
Python собеседования: t.me/python_job_interview
Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi
Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi
Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy
Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy
Папка Frontend: https://t.me/addlist/mzMMG3RPZhY2M2Iy
Полезное сверху:
ИТ-мемы: t.me/memes_prog
Английский для программистов: t.me/english_forprogrammers
ИИ и технологии: t.me/vistehno
954 ГБ open-source курсов: https://t.me/+rKBQEMccAA01MTcy
ИТ-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy
Max Ai: https://max.ru/ai_machinelearning_big_data
Max python: https://max.ru/pythonl
ТЕХНО: https://max.ru/vistehno
Max Go: https://max.ru/Golang_google
Max Linux: https://max.ru/linuxkalii
Devops: https://max.ru/DevOPSitsec
C#: https://max.ru/csharp_ci
C++: https://max.ru/cpluspluc
SQL: https://max.ru/sqlhub
Java: https://max.ru/javatg
Подписывайся на нужные направления и собирай себе ленту, которая реально двигает вперёд.
Окружение решает больше, чем кажется.
Собрал папки и каналы, где можно быстрее влиться в нужное направление, следить за трендами и не вариться в своём пузыре.
AI: t.me/ai_machinelearning_big_data
Python: t.me/pythonl
Linux: t.me/linuxacademiya
Хакинг: t.me/linuxkalii
DevOps: t.me/DevOPSitsec
Docker: https://t.me/+90Z5TAyfuNU5YmRi
Golang: t.me/Golang_google
Rust: t.me/rust_code
C++: t.me/cpluspluc
C#: t.me/csharp_ci
Java: t.me/javatg
JavaScript: t.me/javascriptv
React: t.me/react_tg
Frontend: t.me/front
PHP: t.me/phpshka
Android: t.me/android_its
Мобильная разработка: t.me/mobdevelop
Базы данных: t.me/sqlhub
Data Science: t.me/data_analysis_ml
Big Data: t.me/bigdatai
Математика: t.me/data_math
Физика: t.me/fizmat
Kubernetes: t.me/kubernetc
GameDev: https://t.me/gamedev
Haskell: t.me/haskell_tg
Собеседования и карьера:
DS собеседования: t.me/machinelearning_interview
Python собеседования: t.me/python_job_interview
Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi
Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi
Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy
Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy
Папка Frontend: https://t.me/addlist/mzMMG3RPZhY2M2Iy
Полезное сверху:
ИТ-мемы: t.me/memes_prog
Английский для программистов: t.me/english_forprogrammers
ИИ и технологии: t.me/vistehno
954 ГБ open-source курсов: https://t.me/+rKBQEMccAA01MTcy
ИТ-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy
Max Ai: https://max.ru/ai_machinelearning_big_data
Max python: https://max.ru/pythonl
ТЕХНО: https://max.ru/vistehno
Max Go: https://max.ru/Golang_google
Max Linux: https://max.ru/linuxkalii
Devops: https://max.ru/DevOPSitsec
C#: https://max.ru/csharp_ci
C++: https://max.ru/cpluspluc
SQL: https://max.ru/sqlhub
Java: https://max.ru/javatg
Подписывайся на нужные направления и собирай себе ленту, которая реально двигает вперёд.
❤2👍1🔥1😁1
DeepSeek обновила V4.1-Flash и открыла поисковый API
DeepSeek-V4.1-Flash-1017: рост на Terminal-Bench с 31,2 до 42,3, открытые веса под MIT и Search/Fetch API по $0,75 за 1000 вызовов.
17 октября DeepSeek выпустила DeepSeek-V4.1-Flash-1017, минорное обновление модели V4.1-Flash. Компания называет релиз улучшением по Парето: новая версия лучше проходит бенчмарки, быстрее закрывает задачи и пишет более короткие ответы, поэтому выигрыш получается и по качеству, и по стоимости. Модель уже работает на сайте, в приложении и через API, а веса выложены в открытый доступ под лицензией MIT.
https://uproger.com/deepseek-v4-1-flash-1017/
DeepSeek-V4.1-Flash-1017: рост на Terminal-Bench с 31,2 до 42,3, открытые веса под MIT и Search/Fetch API по $0,75 за 1000 вызовов.
17 октября DeepSeek выпустила DeepSeek-V4.1-Flash-1017, минорное обновление модели V4.1-Flash. Компания называет релиз улучшением по Парето: новая версия лучше проходит бенчмарки, быстрее закрывает задачи и пишет более короткие ответы, поэтому выигрыш получается и по качеству, и по стоимости. Модель уже работает на сайте, в приложении и через API, а веса выложены в открытый доступ под лицензией MIT.
https://uproger.com/deepseek-v4-1-flash-1017/
❤4👍3🔥1
25 лучших бесплатных ресурсов для изучения ИИ в 2026 году
Курсы Стэнфорда и MIT, книги, YouTube-каналы и открытые репозитории для изучения ИИ с нуля до LLM и агентов. Подборка по этапам и готовый маршрут обучения.
https://uproger.com/25-resursov-dlya-izucheniya-ii-2026/
Курсы Стэнфорда и MIT, книги, YouTube-каналы и открытые репозитории для изучения ИИ с нуля до LLM и агентов. Подборка по этапам и готовый маршрут обучения.
https://uproger.com/25-resursov-dlya-izucheniya-ii-2026/
❤4👍4🔥2
Forwarded from Kali Linux
🌡 Попросил Claude написать монитор температуры. Тот обнаружил, что Mac майнит крипту
Пользователь Reddit рассказал, что поручил Claude Code сделать приложение для мониторинга температуры Mac.
При проверке показаний датчиков агент заметил подозрительно высокие значения и посмотрел, что загружает процессор. Нашёл `xmrig` с нагрузкой около 1175% CPU, то есть примерно на 12 ядер.
Пользователь утверждает, что майнер работал без его ведома. По его словам, Claude помог удалить почти всё, один файл пришлось убрать вручную из-за ограничений доступа. После этого владелец дополнительно проверил компьютер через Malwarebytes.
https://www.reddit.com/r/claude/comments/1x9bb83/claude_caught_a_cryptominer_on_my_mac_whilst/
@linuxkalii
Пользователь Reddit рассказал, что поручил Claude Code сделать приложение для мониторинга температуры Mac.
При проверке показаний датчиков агент заметил подозрительно высокие значения и посмотрел, что загружает процессор. Нашёл `xmrig` с нагрузкой около 1175% CPU, то есть примерно на 12 ядер.
Пользователь утверждает, что майнер работал без его ведома. По его словам, Claude помог удалить почти всё, один файл пришлось убрать вручную из-за ограничений доступа. После этого владелец дополнительно проверил компьютер через Malwarebytes.
https://www.reddit.com/r/claude/comments/1x9bb83/claude_caught_a_cryptominer_on_my_mac_whilst/
@linuxkalii
👍19❤5🤔2🔥1
MemT-1.0-Nano - открытая ИИ-модель со встроенной долговременной памятью.
Она записывает информацию из диалога во внутреннее состояние и использует её в следующих ответах — без повторной загрузки всей переписки в контекст. Память можно сохранить и восстановить в новой сессии.
— Основа — Qwen3.6-35B-A3B.
— 36 млрд параметров, из них 3 млрд активных.
— При истории в 128 тысяч токенов состояние памяти занимает примерно в 66 раз меньше места, чем полный KV-кэш, по данным разработчиков.
Это подход к созданию ассистентов и агентов, которые используют прошлый опыт без постоянного раздувания контекста. Но в задачах на точное извлечение деталей из длинной истории лучшие системы с текстовой памятью пока впереди.
https://huggingface.co/MemTensor/MemT-1.0-Nano
Она записывает информацию из диалога во внутреннее состояние и использует её в следующих ответах — без повторной загрузки всей переписки в контекст. Память можно сохранить и восстановить в новой сессии.
— Основа — Qwen3.6-35B-A3B.
— 36 млрд параметров, из них 3 млрд активных.
— При истории в 128 тысяч токенов состояние памяти занимает примерно в 66 раз меньше места, чем полный KV-кэш, по данным разработчиков.
Это подход к созданию ассистентов и агентов, которые используют прошлый опыт без постоянного раздувания контекста. Но в задачах на точное извлечение деталей из длинной истории лучшие системы с текстовой памятью пока впереди.
https://huggingface.co/MemTensor/MemT-1.0-Nano
huggingface.co
MemTensor/MemT-1.0-Nano · Hugging Face
We’re on a journey to advance and democratize artificial intelligence through open source and open science.
🔥4👍2❤1
Forwarded from Machinelearning
Media is too big
VIEW IN TELEGRAM
Инженеры Huawei работают прямо в офисе DeepSeek, а заняты команды оптимизацией интерконекта и распределением вычислительных графов на уровне железа.
Раньше DeepSeek от обучения модели на Ascend отказалась из-за нестабильности и сырого ПО, теперь же компания открыла код низкоуровневого компилятора TileLang под Ascend, а вместе с ним библиотеки матричных операций и коммуникаций для MoE-архитектур.
Первое масштабное обучение на Ascend 950DT должно начаться до конца года, а на следующее поколение Ascend 960DT, которое ждут в начале 2027 года, Huawei гарантировала DeepSeek приоритетные поставки.
theinformation.com
Третья версия получила обновлённую модель эмбеддингов и технологию Dynamic Highlights, которая отбирает токены сразу по всей выборке результатов. Так отсекается дублирование фактов, а объём передаваемого в контекст модели текста падает на 95% против загрузки страниц целиком.
Собственный индекс компании на 100 млрд страниц пополнился структурированными данными, в базу добавили 1,27 млрд товарных позиций с ценами, каталоги организаций и сводки биржевых котировок, авиарейсов и спортивных событий в реальном времени.
Через REST API доступны два режима, упрощённое ранжирование Exa Lite стоит 4 доллара за тысячу обращений, полноценный Exa Auto обойдётся в 7 долларов за тысячу вызовов.
exa.ai
Скорость генерации у новой версии подтверждена на уровне 1068 токенов в секунду, параметров стало больше в 40 с лишним раз против первой Mercury, а контекстное окно выросло до 1 млн токенов. Этим американская лаборатория подтверждает, что законы масштабирования работают и для диффузионной генерации текста.
На бенчмарках Mercury 3 держится на уровне GPT-6 Luna и Claude Haiku 5.5, инференс идёт в 4–8 раз быстрее авторегрессионных моделей того же размера. Модель рассчитана на автономных браузерных агентов, голосовых ассистентов, поиск в реальном времени и поддержку.
Доступ открыт через платформу Inception, OpenRouter, Baseten и Vercel, базовая цена составляет 20 центов за миллион входных токенов и 70 центов за миллион выходных, кеширование контекста снижает её на 90%. В честь релиза действует скидка 50%.
inceptionlabs.ai
Модель Clairic появилась в режиме превью на Workers AI и работает без генерации токенов, за один параллельный проход. Она принимает текст или до четырёх изображений и возвращает строковые значения с точными смещениями символов, считает простые вещи вроде суммы и разницы дат, а также строит вероятностные диапазоны с 80-процентным покрытием.
Ответ приходит строго типизированным, со значением или оценкой уверенности. Целевые задачи – структурировать неразмеченные данные, то есть разбирать счета и квитанции и прогнозировать временные ряды.
Плата за выходные токены не взимается, превью доступно через REST API в Workers AI, веса Cloudflare обещает опубликовать позже.
cloudflare.com
Система UniUni собирает подготовку показательных выступлений и сценических перформансов групп роботов в одном окне: редактор хореографии с отдельной дорожкой на каждого робота и библиотекой движений, карта сцены облаком точек с лидара, где компания обещает сантиметровую точность, и экран наблюдения с зарядом, температурой и аварийной остановкой каждой машины.
Отдельная функция, названная ИИ-хореографией, принимает команды текстом и корректирует формации и маршруты роботов через генеративную постановку движений.
Несмотря на отсылки к концепции роя, архитектура UniUni остается централизованной и нацелена исключительно на индустрию развлечений, а не на автономное взаимодействие роботов в производственных задачах.
Unitree в X
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
❤2
Разделять стоит задачи, а не код
Когда одна рекомендательная система решает разные задачи, не обязательно создавать для каждой отдельный сервис или дублировать код. В AI VK для этого используют стримы — отдельные пайплайны со своими настройками, собранные из общих компонентов подбора кандидатов, фильтрации и вычисления признаков.
Так можно развивать разные механики независимо, не дублируя код и вычисления. В статье на Хабре — как устроены стримы, почему они ускоряют разработку и как растят метрики.
Когда одна рекомендательная система решает разные задачи, не обязательно создавать для каждой отдельный сервис или дублировать код. В AI VK для этого используют стримы — отдельные пайплайны со своими настройками, собранные из общих компонентов подбора кандидатов, фильтрации и вычисления признаков.
Так можно развивать разные механики независимо, не дублируя код и вычисления. В статье на Хабре — как устроены стримы, почему они ускоряют разработку и как растят метрики.
❤3👏1
Spark-X2.6-4B - открытая модель на 4 млрд параметров с контекстом до 1 млн токенов для локальных ИИ-агентов.
В тестах команды средний результат составил 63,3 балла против 52,1 у Spark-X2.5-4B и 49,1 у Qwen3.5-9B. Это сравнение на выбранном разработчиками наборе задач.
Что внутри:
- Три режима рассуждений: none, low и high — можно выбирать баланс между качеством ответа, скоростью и затратами.
- Форматы для локального запуска: FP8, INT8, INT4 и GGUF.
- Две версии: Instruct для диалогов и агентных задач, Base — для дальнейшего обучения.
- Поддержка популярных инструментов: Transformers, SGLang, vLLM, llama.cpp, Ollama, MLX и LM Studio.
Модель рассчитана на работу с кодом, инструментами и многошаговыми задачами. Для использования полного контекста в 1 млн токенов потребуется достаточно памяти.
https://github.com/XHToken/Spark-X2.6
В тестах команды средний результат составил 63,3 балла против 52,1 у Spark-X2.5-4B и 49,1 у Qwen3.5-9B. Это сравнение на выбранном разработчиками наборе задач.
Что внутри:
- Три режима рассуждений: none, low и high — можно выбирать баланс между качеством ответа, скоростью и затратами.
- Форматы для локального запуска: FP8, INT8, INT4 и GGUF.
- Две версии: Instruct для диалогов и агентных задач, Base — для дальнейшего обучения.
- Поддержка популярных инструментов: Transformers, SGLang, vLLM, llama.cpp, Ollama, MLX и LM Studio.
Модель рассчитана на работу с кодом, инструментами и многошаговыми задачами. Для использования полного контекста в 1 млн токенов потребуется достаточно памяти.
https://github.com/XHToken/Spark-X2.6
❤3👍3🔥1
5 GitHub-репозиториев для дообучения ИИ-моделей под свои задачи
Научить модель соблюдать нужный формат, отвечать в вашем стиле или выполнять специализированные инструкции — для этого пригодятся:
1. LLaMA-Factory - удобный старт
Дообучение языковых и мультимодальных моделей через веб-интерфейс или CLI. Поддерживает полное обучение, LoRA и QLoRA.
https://github.com/hiyouga/LlamaFactory
2. Unsloth - когда ограничена видеопамять
Оптимизирует обучение поддерживаемых моделей, снижая расход памяти и ускоряя вычисления. Есть готовые ноутбуки для первых экспериментов.
https://github.com/unslothai/unsloth
3. Axolotl - обучение через конфиги
Позволяет описать модель, датасет и параметры обучения в YAML. Подходит для воспроизводимых экспериментов и запуска на нескольких GPU.
https://github.com/axolotl-ai-cloud/axolotl
4. PEFT - обучать небольшую часть параметров
Библиотека Hugging Face для LoRA и других экономных методов адаптации. Помогает уменьшить требования к памяти и размер сохраняемых адаптеров.
https://github.com/huggingface/peft
5. TRL - обучение на примерах, предпочтениях и наградах
Инструменты для SFT, DPO и обучения с подкреплением. Пригодится, когда нужно улучшать ответы по выбранным критериям качества.
https://github.com/huggingface/trl
Эти инструменты можно комбинировать: например, использовать TRL для процесса обучения, а PEFT — для LoRA-адаптации.
Научить модель соблюдать нужный формат, отвечать в вашем стиле или выполнять специализированные инструкции — для этого пригодятся:
1. LLaMA-Factory - удобный старт
Дообучение языковых и мультимодальных моделей через веб-интерфейс или CLI. Поддерживает полное обучение, LoRA и QLoRA.
https://github.com/hiyouga/LlamaFactory
2. Unsloth - когда ограничена видеопамять
Оптимизирует обучение поддерживаемых моделей, снижая расход памяти и ускоряя вычисления. Есть готовые ноутбуки для первых экспериментов.
https://github.com/unslothai/unsloth
3. Axolotl - обучение через конфиги
Позволяет описать модель, датасет и параметры обучения в YAML. Подходит для воспроизводимых экспериментов и запуска на нескольких GPU.
https://github.com/axolotl-ai-cloud/axolotl
4. PEFT - обучать небольшую часть параметров
Библиотека Hugging Face для LoRA и других экономных методов адаптации. Помогает уменьшить требования к памяти и размер сохраняемых адаптеров.
https://github.com/huggingface/peft
5. TRL - обучение на примерах, предпочтениях и наградах
Инструменты для SFT, DPO и обучения с подкреплением. Пригодится, когда нужно улучшать ответы по выбранным критериям качества.
https://github.com/huggingface/trl
Эти инструменты можно комбинировать: например, использовать TRL для процесса обучения, а PEFT — для LoRA-адаптации.
🔥4👍3❤2
Алгоритм знает, где вы будете 7-го ноября 😎
RecSys-митап в Москве для тех, кто уже строит рекомендательные системы и хочет делать это еще лучше.
В программе — доклады от топовых экспертов Сбера с разбором кейсов, свежих подходов и неочевидных решений.
После официальной части — нетворкинг. Время в узком кругу профессионалов и сообщества Зеленый RecSys.
Участие бесплатное, но количество мест ограничено.
Москва. Суббота. 7 ноября. RecSys!
➡ ️ регистрируйтесь
RecSys-митап в Москве для тех, кто уже строит рекомендательные системы и хочет делать это еще лучше.
В программе — доклады от топовых экспертов Сбера с разбором кейсов, свежих подходов и неочевидных решений.
После официальной части — нетворкинг. Время в узком кругу профессионалов и сообщества Зеленый RecSys.
Участие бесплатное, но количество мест ограничено.
Москва. Суббота. 7 ноября. RecSys!
Please open Telegram to view this post
VIEW IN TELEGRAM
❤5👍5🔥4🤩2
От первого мотора до робота, который учится по демонстрациям: открытая дорожная карта по робототехнике на русском.
Robotics Roadmap 2026 предлагает план на 24 недели при занятиях по 2–3 часа в день. Обучение начинается с электроники и постепенно переходит к управлению и машинному обучению.
Внутри шесть модулей:
- Электроника, Python и Git - базовые схемы и инструменты.
- Arduino и ESP32 — моторы, датчики, линейный робот и балансир.
- CAD и 3D-печать — сборка робота-манипулятора.
- ROS 2 — симуляция, построение карты и автономная навигация.
- Управление и компьютерное зрение — регуляторы, кинематика, работа с камерой.
- LeRobot — сбор демонстраций и обучение робота.
Есть схемы подключения, примеры кода, списки компонентов, справочник по отладке и 30 идей проектов.
Начать можно без покупки железа — в симуляторах. Дальше предлагается оформлять проекты в портфолио: видео, схема, код и разбор того, что сломалось и как удалось исправить.
Полезная отправная точка для программиста, который хочет заставить свой код двигаться в физическом мире.
https://github.com/justxor/robotics-roadmap-2026/
Robotics Roadmap 2026 предлагает план на 24 недели при занятиях по 2–3 часа в день. Обучение начинается с электроники и постепенно переходит к управлению и машинному обучению.
Внутри шесть модулей:
- Электроника, Python и Git - базовые схемы и инструменты.
- Arduino и ESP32 — моторы, датчики, линейный робот и балансир.
- CAD и 3D-печать — сборка робота-манипулятора.
- ROS 2 — симуляция, построение карты и автономная навигация.
- Управление и компьютерное зрение — регуляторы, кинематика, работа с камерой.
- LeRobot — сбор демонстраций и обучение робота.
Есть схемы подключения, примеры кода, списки компонентов, справочник по отладке и 30 идей проектов.
Начать можно без покупки железа — в симуляторах. Дальше предлагается оформлять проекты в портфолио: видео, схема, код и разбор того, что сломалось и как удалось исправить.
Полезная отправная точка для программиста, который хочет заставить свой код двигаться в физическом мире.
https://github.com/justxor/robotics-roadmap-2026/
❤4🔥3👍2
ИИ-агент умеет отвечать на другом языке. Но сможет ли он на нём работать?
Команда Qwen представила BabelArena – бенчмарк для проверки агентов на 23 языках и задачах из 13 предметных областей.
Переводят не только запрос пользователя, но и инструкции, описания инструментов и содержимое рабочей среды. Это позволяет сравнивать выполнение одинаковых задач на разных языках.
Выводы исследования:
- Единого лидера нет: разные модели сильнее в разных группах задач.
- На языках с небольшим объёмом обучающих данных чаще возникают ошибки вызова инструментов и последовательности действий.
- Объём входных токенов может быть примерно вдвое выше, чем на английском, без сопоставимого роста числа шагов.
- В задачах со структурированным выводом агенты чаще сбиваются с выбранного языка, преимущественно переходя на английский.
https://arxiv.org/abs/2609.23490
https://github.com/QwenLM/BabelArena
Команда Qwen представила BabelArena – бенчмарк для проверки агентов на 23 языках и задачах из 13 предметных областей.
Переводят не только запрос пользователя, но и инструкции, описания инструментов и содержимое рабочей среды. Это позволяет сравнивать выполнение одинаковых задач на разных языках.
Выводы исследования:
- Единого лидера нет: разные модели сильнее в разных группах задач.
- На языках с небольшим объёмом обучающих данных чаще возникают ошибки вызова инструментов и последовательности действий.
- Объём входных токенов может быть примерно вдвое выше, чем на английском, без сопоставимого роста числа шагов.
- В задачах со структурированным выводом агенты чаще сбиваются с выбранного языка, преимущественно переходя на английский.
https://arxiv.org/abs/2609.23490
https://github.com/QwenLM/BabelArena
❤3👍3👏1
Atria Dawn вышла с открытыми весами и контекстом 512K – модель для исследовательских и инженерных ИИ-агентов.
Разработка Shanghai AI Laboratory построена на GLM-5.2 MoE с 744 млрд параметров. Контекст увеличен вдвое относительно Preview.
Модель рассчитана на многошаговую работу с инструментами:
- Исследования: поиск и систематизация источников, подготовка исполняемых планов экспериментов.
- Разработка: создание программ, интерактивных приложений, визуализаций и ML-систем.
- Документы: подготовка отчётов и презентаций из данных и требований.
- Безопасность: проверка уязвимостей, исправления и повторное тестирование в разрешённых средах.
В сравнении, опубликованном командой, Atria Dawn опережает участвующие модели на AutomationBench, CyberGym, SkillsBench и WideSearch. Например, на AutomationBench она набирает 54,7, а на CyberGym – 86,8.
Доступны полные и FP8-веса, самостоятельное развёртывание через SGLang и vLLM. Код и веса распространяются под MIT.
Модель принимает только текст.
https://huggingface.co/internlm/Atria-Dawn
Разработка Shanghai AI Laboratory построена на GLM-5.2 MoE с 744 млрд параметров. Контекст увеличен вдвое относительно Preview.
Модель рассчитана на многошаговую работу с инструментами:
- Исследования: поиск и систематизация источников, подготовка исполняемых планов экспериментов.
- Разработка: создание программ, интерактивных приложений, визуализаций и ML-систем.
- Документы: подготовка отчётов и презентаций из данных и требований.
- Безопасность: проверка уязвимостей, исправления и повторное тестирование в разрешённых средах.
В сравнении, опубликованном командой, Atria Dawn опережает участвующие модели на AutomationBench, CyberGym, SkillsBench и WideSearch. Например, на AutomationBench она набирает 54,7, а на CyberGym – 86,8.
Доступны полные и FP8-веса, самостоятельное развёртывание через SGLang и vLLM. Код и веса распространяются под MIT.
Модель принимает только текст.
https://huggingface.co/internlm/Atria-Dawn
❤4👍2🤯1