Интересная тема..

https://t.me/tips_ai/4641

Слушайте, тут со странной вещью столкнулся, но поскольку с нейронками в этом варюсь, напишу здесь.

Делаю пет-проект по переноске законодательства в граф, на основе онтологии, которая описывается триплетами: субъект - предикат - объект. С дополнениями, условиями, списками и пр. Типа такого: Орган регулирования - устанавливает - тарифы {в соответствии с Основами ценообразования}. Ожидаю и надеюсь, что эта структара поможет нейронкам лучше и надежнее понимать законодательство.

В этой системе, упрощенно, предикат - это глагол. У нас есть ограниченно количество сущностей, составляющих субъекты и объекты, и предикатов - глаголов. На этом и строится направленный (это важно) граф. Субекты и объекты - это вершины (сущности), ребра - предикаты (глаголы).

И для сущностей, и для глаголов формируются реестры, описываются свойства, формируются синонимы, типы и пр.

Так вот, собственно, в чем сидит заноза - раньше я слушал лекции по квантовой механике, и там все время возникали частицы - переносчики взаимодействия. И это было очень сложно понять. А у меня здесь в графе глаголы - ребра графа - как переносчики взаимодействия выступают, и как частицы тоже, потому что их свойства не сильно от свойств вершин отличаются.

В итоге не могу понять, это реально разумная аналогия или у меня крыша от вайбкодинга уже двигается... Но вообще красиво, я с этой мыслью даже смирился как-то.

Один очень простой промпт

Новость не совсем об этом, но то, что робота научили потеть… двигаемся в сторону механических людей..

https://t.me/ai_machinelearning_big_data/9778

Компактная LLM впервые вошла в топ-3 бенчмарка MERA

Новая Cotype Light 3 на 9 млрд параметров обошла на русскоязычных задачах даже модели на 100+ млрд параметров, набрав 0,792 балла из 1,0. Разрыв с Qwen3-235B-A22B на 235 млрд составил всего 0,003 в пользу последнего.

В MWS AI говорят, что их модель одинаково точно работает с текстом и визуальными данными в едином контексте: может обрабатывать договоры, технические чертежи, формы, изображения. За счёт этого на Cotype Light 3 удобно строить специализированных агентов: они смогут самостоятельно решать большие задачи на корпоративных материалах.

Фокус в релизе сделали на возможность дообучения под отраслевую специфику и развёртывания в закрытом контуре. Модель в стандартной точности (FP16/BF16) занимает около 18 ГБ видеопамяти. Это позволяет запускать инференс Cotype Light 3 на одном серверном ускорителе — без многокарточных конфигураций и специализированных кластеров.

В ходе тестирования MWS AI также подтвердила полную совместимость моделей семейства Cotype со всеми компонентами отечественных ПАКов, включая «Машину ИИ» от Скала^р (продукт Группы Rubytech).

@anti_agi

Обновления от лидеров второго эшелона - GLM 5V и Qwen 3.6. Могут пригодиться, если приходится использовать модели по апи..

Интересный релиз от Google, жаль только, что для таких моделек 16Гб маловато..

https://t.me/How2AI/1602

⚡️ Карпати собрал второй мозг на LLM

Андрей Карпаты, один из самых влиятельных людей в мире AI, поделился подходом, который может изменить то, как мы работаем с информацией. Он перестал тратить токены LLM на написание кода и переключился на нечто более интересное: построение персональных баз знаний с помощью языковых моделей.

Идея простая, но мощная. Карпаты собирает сырые данные из разных источников (статьи, научные работы, репозитории, датасеты, изображения) в директорию raw/.

Затем LLM инкрементально “компилирует” из этого вики – коллекцию .md файлов с четкой структурой директорий. Модель сама создает саммари, обратные ссылки, категоризирует данные по концептам, пишет статьи для каждого из них и связывает все между собой. Для конвертации веб-статей в .md файлы он использует расширение Obsidian Web Clipper, а все связанные изображения скачивает локально, чтобы LLM мог к ним обращаться.

В качестве IDE выступает Obsidian. Через него Карпаты просматривает сырые данные, скомпилированную вики и визуализации. Важный момент: LLM пишет и поддерживает все данные вики самостоятельно, человек почти не трогает это руками. Плюс Obsidian-плагины вроде Marp позволяют рендерить данные в других форматах, например в слайды.

Еще один крутой прием - LLM-«линтинг» вики. Модель прогоняет проверки здоровья базы, находит противоречивые данные, заполняет пробелы через веб-поиск, обнаруживает интересные связи для новых статей и постепенно повышает целостность данных.

Следующий логичный шаг - синтетическая генерация данных и файнтюнинг, чтобы LLM «знала» данные в своих весах, а не только через контекстное окно. Карпати считает, что здесь есть место для нового крутого продукта, а не просто набора скриптов. И с этим сложно не согласиться.

https://uproger.com/karpati-sobral-vtoroj-mozg-na-llm/

🐍 полезные ресурсы 🚀Max

@machinelearning_interview

Все ругают Антропик за отказ запускать OpenClaw через Claude, но вот возможность подключить к OpenClaw Claude code через acpx никуда не делась… у меня все так и работает. Агент сидит на GPT-5.4, но может вызывать и Claude, и Gemini

https://t.me/ai_machinelearning_big_data/9812