Forwarded from Никита Иванов
Один из мифов вокруг ИИ-кодинга: если подобрать нужный промпт — модель сама напишет качественный код
На деле это проверяется за минуту. Два разработчика с одной и той же просьбой «собери сервис для регистрации пользователей» получат разные результаты. У одного выйдет чистый Litestar с типизацией и тестами. У второго — заготовка, которая ляжет при первой же доработке.
Дело не в тексте запроса.
Модель не видит ваш проект. Она не знает, какие соглашения приняты, какие библиотеки уже подключены, какой уровень покрытия тестами считается нормальным. Пока этой информации у нее нет — она отвечает по своему усредненному представлению, а не по вашему.
Поэтому вокруг модели нужно достроить то же самое, что и у обычного разработчика: набор правил, шаблоны, инструменты проверки, критерии приемки.
Именно это и делает Алексей Жиряков на воркшопе karpovꓸcourses «AI-first разработка на Python». За 4 часа собирает готовую агентную среду поверх живого проекта на Litestar и PostgreSQL — от настройки правил до автоматического ревью и подсчета вклада ИИ в цифрах.
Алексей покажет, как настроить правила проекта под задачу агента, как через OpenRouter поднять связку моделей «дешевая пишет — дорогая проверяет», которая помогает снижать стоимость генерации, как научить агента проверять код по чек-листу вашей архитектуры и как измерить вклад ИИ по коммитам.
С воркшопа забираете шаблон AI-first проекта, готовый к продакшену, набор правил и чек-листов, настроенную схему выбора модели под задачу и запись эфира в LMS. Тем, кто пишет на FastAPI, тоже подходит — это отдельно прописано в разделе с вопросами.
Соберите агентную среду, которая пишет код по правилам вашего проекта: https://clc.to/erid_2W5zFHgXtWd
С промокодом
Реклама. ООО «КАРПОВ КУРСЫ». ИНН 7811764627. erid: 2W5zFHgXtWd
На деле это проверяется за минуту. Два разработчика с одной и той же просьбой «собери сервис для регистрации пользователей» получат разные результаты. У одного выйдет чистый Litestar с типизацией и тестами. У второго — заготовка, которая ляжет при первой же доработке.
Дело не в тексте запроса.
Модель не видит ваш проект. Она не знает, какие соглашения приняты, какие библиотеки уже подключены, какой уровень покрытия тестами считается нормальным. Пока этой информации у нее нет — она отвечает по своему усредненному представлению, а не по вашему.
Поэтому вокруг модели нужно достроить то же самое, что и у обычного разработчика: набор правил, шаблоны, инструменты проверки, критерии приемки.
Именно это и делает Алексей Жиряков на воркшопе karpovꓸcourses «AI-first разработка на Python». За 4 часа собирает готовую агентную среду поверх живого проекта на Litestar и PostgreSQL — от настройки правил до автоматического ревью и подсчета вклада ИИ в цифрах.
Алексей покажет, как настроить правила проекта под задачу агента, как через OpenRouter поднять связку моделей «дешевая пишет — дорогая проверяет», которая помогает снижать стоимость генерации, как научить агента проверять код по чек-листу вашей архитектуры и как измерить вклад ИИ по коммитам.
С воркшопа забираете шаблон AI-first проекта, готовый к продакшену, набор правил и чек-листов, настроенную схему выбора модели под задачу и запись эфира в LMS. Тем, кто пишет на FastAPI, тоже подходит — это отдельно прописано в разделе с вопросами.
Соберите агентную среду, которая пишет код по правилам вашего проекта: https://clc.to/erid_2W5zFHgXtWd
С промокодом
aikarpov20 — скидка 20%Реклама. ООО «КАРПОВ КУРСЫ». ИНН 7811764627. erid: 2W5zFHgXtWd
Google Research попыталась объяснить, откуда у diffusion-моделей берётся «креативность».
Почему генератор изображений не просто копирует обучающие примеры, а создаёт новые сцены, которых не было в датасете?
Ответ оказался математическим.
Во время обучения нейросеть не запоминает идеальную функцию удаления шума. Из-за регуляризации и особенностей градиентного обучения она усваивает её более сглаженную версию. Google называет этот эффект score smoothing.
Если бы функция была идеальной, каждый случайный шум в конце превращался бы в точную копию одного из обучающих примеров.
Но сглаживание создаёт между примерами «зоны интерполяции». Модель может остановиться не на известной точке, а между несколькими знакомыми образами и получить новый, но правдоподобный результат.
В многомерном пространстве это помогает модели восстановить скрытый data manifold - область, где находятся осмысленные изображения. Движение к этой области сохраняется быстрым, а схлопывание к конкретным обучающим картинкам ослабевает. Так появляется баланс между качеством и новизной.
То есть «творчество» diffusion-модели может быть не загадочным свойством и не случайностью.
Это побочный эффект того, что нейросеть учится не идеально и строит мосты между известными примерами.
Работа представлена на ICLR 2026, код экспериментов опубликован открыто.
https://research.google/blog/towards-demystifying-the-creativity-of-diffusion-models/
Почему генератор изображений не просто копирует обучающие примеры, а создаёт новые сцены, которых не было в датасете?
Ответ оказался математическим.
Во время обучения нейросеть не запоминает идеальную функцию удаления шума. Из-за регуляризации и особенностей градиентного обучения она усваивает её более сглаженную версию. Google называет этот эффект score smoothing.
Если бы функция была идеальной, каждый случайный шум в конце превращался бы в точную копию одного из обучающих примеров.
Но сглаживание создаёт между примерами «зоны интерполяции». Модель может остановиться не на известной точке, а между несколькими знакомыми образами и получить новый, но правдоподобный результат.
В многомерном пространстве это помогает модели восстановить скрытый data manifold - область, где находятся осмысленные изображения. Движение к этой области сохраняется быстрым, а схлопывание к конкретным обучающим картинкам ослабевает. Так появляется баланс между качеством и новизной.
То есть «творчество» diffusion-модели может быть не загадочным свойством и не случайностью.
Это побочный эффект того, что нейросеть учится не идеально и строит мосты между известными примерами.
Работа представлена на ICLR 2026, код экспериментов опубликован открыто.
https://research.google/blog/towards-demystifying-the-creativity-of-diffusion-models/
👍6👎2❤1🔥1🤔1
Andrej Karpathy just dropped 12-page PDF on "Graph Engineering" for multi-agentic systems
the shift: Karpathy's loop runs 700 experiments and forgets all of them. A graph remembers forever
here's the full system:
step 1 → build one loop: generate, critique, revise. 630 lines, 700 experiments in 48 hours
step 2 → go parallel: agents in separate worktrees, same repo, different branches, no conflicts
step 3 → add a knowledge graph: extract entities, resolve aliases, assemble typed edges, query through subgraphs
step 4 → ground your evaluator: it checks claims against graph edges, not vibes
step 5 → plug the graph as shared memory. workers write to it. evaluators fact-check against it. Loops persist overnight
step 6 → the agent forgets. the graph does not. stop rebuilding context from scratch every session
Karpathy ran 1 agent in 1 direction. Anthropic's graph runs 1,000 with shared memory - same model, it's the architecture
https://drive.google.com/file/d/1-GOg0kxcp8tx1BMUECMj2yJq6JYGmfhb/view
the shift: Karpathy's loop runs 700 experiments and forgets all of them. A graph remembers forever
here's the full system:
step 1 → build one loop: generate, critique, revise. 630 lines, 700 experiments in 48 hours
step 2 → go parallel: agents in separate worktrees, same repo, different branches, no conflicts
step 3 → add a knowledge graph: extract entities, resolve aliases, assemble typed edges, query through subgraphs
step 4 → ground your evaluator: it checks claims against graph edges, not vibes
step 5 → plug the graph as shared memory. workers write to it. evaluators fact-check against it. Loops persist overnight
step 6 → the agent forgets. the graph does not. stop rebuilding context from scratch every session
Karpathy ran 1 agent in 1 direction. Anthropic's graph runs 1,000 with shared memory - same model, it's the architecture
https://drive.google.com/file/d/1-GOg0kxcp8tx1BMUECMj2yJq6JYGmfhb/view
❤9👍4
Forwarded from Rust
Компания выложила в open source pdf-inspector - библиотеку на Rust, которая превращает PDF в Markdown, сохраняя структуру документа, заголовки и таблицы.
По заявленным тестам, обработка одной страницы занимает около 0,002 секунды, а набор из 200 PDF был пройден примерно за 2,8 секунды.
Главное здесь не одна скорость: парсер старается сохранить исходную логику документа, поэтому результат удобнее сразу отдавать в RAG, поиск, анализ или пайплайн подготовки данных.
Проект полностью открыт.
https://github.com/firecrawl/pdf-inspector
@rust_code
Please open Telegram to view this post
VIEW IN TELEGRAM
❤7👍3🔥2👏1🤔1
История кликов, просмотров и действий пользователя сама по себе мало что даёт. Гораздо интереснее — собрать всё это в единое представление его интересов.
Именно такой подход разобрали в VK: трансформерная модель строит нейропрофиль пользователя на сигналах из разных сервисов.
В статье — токенизация событий, временные и контентные признаки, attention, двухбашенная архитектура и обучение на больших каталогах.
Именно такой подход разобрали в VK: трансформерная модель строит нейропрофиль пользователя на сигналах из разных сервисов.
В статье — токенизация событий, временные и контентные признаки, attention, двухбашенная архитектура и обучение на больших каталогах.
❤1👍1
🚨 Цукерберг опубликовал большой текст о будущем ИИ - и его позиция довольно жёсткая: сверхинтеллект не должен принадлежать нескольким закрытым лабораториям.
Главные тезисы:
- задержка релиза американских моделей даже на месяц может ослабить лидерство США;
- самоулучшающийся ИИ теоретически способен в разы повысить эффективность вычислений;
- «единого доброжелательного сверхинтеллекта» не существует;
- опаснее всего сценарий, где несколько лабораторий создают самые мощные модели и оставляют их только себе;
- frontier-лаборатории, по его мнению, должны заранее передавать государству промежуточные чекпоинты для проверки.
Мощный ИИ должен распространяться шире, а контроль - строиться не через тотальное закрытие моделей, а через прозрачность и проверку.
#AI #LLM #OpenSource #Superintelligence
Главные тезисы:
- задержка релиза американских моделей даже на месяц может ослабить лидерство США;
- самоулучшающийся ИИ теоретически способен в разы повысить эффективность вычислений;
- «единого доброжелательного сверхинтеллекта» не существует;
- опаснее всего сценарий, где несколько лабораторий создают самые мощные модели и оставляют их только себе;
- frontier-лаборатории, по его мнению, должны заранее передавать государству промежуточные чекпоинты для проверки.
Мощный ИИ должен распространяться шире, а контроль - строиться не через тотальное закрытие моделей, а через прозрачность и проверку.
#AI #LLM #OpenSource #Superintelligence
👍2🔥2🤔1
Forwarded from AI VK Hub
Большинство современных рекомендательных моделей решает локальную задачу — предсказать следующее взаимодействие или следующий положительный фидбэк. Мы сформулировали задачу как RL на уровне сессии и обучили кандидатогенератор через off-policy REINFORCE на логах.
На индустриальных данных такая модель выигрывает у next-item и next-positive prediction по всем оценкам награды за сессию, сохраняя качество кандидатогенерации по recall-метрикам.
#aivkhub #ml #recsys
Please open Telegram to view this post
VIEW IN TELEGRAM
❤3👍2🔥1🎉1🤩1
Generalist AI представила GEN-1.5 - foundation model для роботов, которая умеет учиться новому физическому действию по одному короткому примеру, без дообучения.
Модели показывают действие длиной всего 3–12 секунд, после чего робот сразу пытается выполнить его сам. В тестах на 10 разных задачах такой one-shot подход дал в среднем 59% успешных выполнений.
Если дать модели 5 минут демонстраций и всего 10 шагов градиентного обучения, результат поднимается до 83%.
Есть и более странные примеры. GEN-1.5 умеет соединять два отдельных навыка в один сценарий, переносить демонстрацию из симуляции на реального робота и в некоторых случаях повторять действие, которое человек показал руками прямо перед камерой.
Модель также импровизирует: например, вместо щётки может использовать банан, чтобы сдвинуть предмет, или придумать другой способ работы с совком.
Пока задачи короткие и показатели далеко не идеальны. Но направление интересное: роботов постепенно начинают не программировать под каждый новый сценарий, а просто показывать им, что нужно сделать.
https://generalistai.com/blog/gen-1.5
Модели показывают действие длиной всего 3–12 секунд, после чего робот сразу пытается выполнить его сам. В тестах на 10 разных задачах такой one-shot подход дал в среднем 59% успешных выполнений.
Если дать модели 5 минут демонстраций и всего 10 шагов градиентного обучения, результат поднимается до 83%.
Есть и более странные примеры. GEN-1.5 умеет соединять два отдельных навыка в один сценарий, переносить демонстрацию из симуляции на реального робота и в некоторых случаях повторять действие, которое человек показал руками прямо перед камерой.
Модель также импровизирует: например, вместо щётки может использовать банан, чтобы сдвинуть предмет, или придумать другой способ работы с совком.
Пока задачи короткие и показатели далеко не идеальны. Но направление интересное: роботов постепенно начинают не программировать под каждый новый сценарий, а просто показывать им, что нужно сделать.
https://generalistai.com/blog/gen-1.5
❤3👍1
KDD 2026: что происходит с рекомендательными системами
Рекомендательные системы постепенно становятся заметно сложнее обычного «предскажем следующий клик». На KDD 2026 AI VK Research представила две работы, которые хорошо это доказывают.
Обе посвящены разным этапам recommendation pipeline, но объединяет их общий сдвиг: модель рассматривает рекомендации не как набор независимых предсказаний, а как последовательность действий.
Интересно было посмотреть, какие ещё темы оказались в центре внимания KDD и что сейчас происходит с research в recsys.
Рекомендательные системы постепенно становятся заметно сложнее обычного «предскажем следующий клик». На KDD 2026 AI VK Research представила две работы, которые хорошо это доказывают.
Обе посвящены разным этапам recommendation pipeline, но объединяет их общий сдвиг: модель рассматривает рекомендации не как набор независимых предсказаний, а как последовательность действий.
Интересно было посмотреть, какие ещё темы оказались в центре внимания KDD и что сейчас происходит с research в recsys.
Telegram
AI VK Hub
Репортаж с KDD 2026 ⬆️
На прошлой неделе команда AI VK Research участвовала в KDD 2026 — одной из ключевых мировых ML-конференций. Наши ребята представили результаты двух своих исследований, посвящённых развитию рекомендательных систем.
Что обсуждали на…
На прошлой неделе команда AI VK Research участвовала в KDD 2026 — одной из ключевых мировых ML-конференций. Наши ребята представили результаты двух своих исследований, посвящённых развитию рекомендательных систем.
Что обсуждали на…
🔥2🤩2
Forwarded from Machinelearning
Media is too big
VIEW IN TELEGRAM
OpenAI начнет показывать рекламу пользователям из 31 европейской страны. Блоки будут только на тарифах Free и Go, платные подписки их не увидят. В США и еще восьми регионах рекламная платформа работает с февраля 2026 года.
Деньги от рекламы, по словам компании, пойдут на поддержку бесплатного доступа к моделям. OpenAI обещает помечать объявления, не давать им влиять на ответы модели, не показывать рекламодателям содержание чатов и не продавать данные пользователей третьим лицам.
Заявки на размещение бизнес уже может подавать здесь.
openai.com
На конференции Supernova в Сан-Франциско Cerebras Systems представила CS-4. По заявлению компании, система до 30 раз быстрее кластеров на GPU Nvidia и AMD.
Производительность - 750 PFLOPS, в основе три процессора Wafer-Scale Engine нового поколения. Пропускная способность памяти 129,6 ПБ/с, скорость ввода-вывода 7,2 Тбит/с.
По сравнению с CS-3 производительность выросла вдвое, а памяти на каждый потребляемый ватт стало в 10 раз больше.
Первым заказчикам CS-4 начнут отгружать в текущем квартале.
cerebras.ai
Пекин смягчил собственные ограничения на ввоз ИИ-ускорителей - ByteDance и Tencent получили разрешения примерно на 10 000 чипов H200 каждая, следующие компании стоят в очереди.
Со стороны США ограничения ослабли раньше - Вашингтон предварительно согласовал продажу в Китай до 100 000 чипов на корпорацию.
Nvidia зарезервировала под китайских заказчиков около 500 000 H200, а производители серверов снова принимают заявки на машины с этими ускорителями.
ft.com
CISA, ФБР, АНБ и еще два ведомства выпустили совместное предупреждение об атаках на программируемые логические контроллеры Siemens S7. По их данным, уязвимые устройства ищут и взламывают скриптами, которые сгенерировал ИИ.
Код собран на открытых библиотеках автоматизации и притворяется легитимным инструментом мониторинга. Он позволяет менять конфигурацию контроллера, читать и записывать его память.
По оценке ведомств, ИИ снизил порог входа для атак на промышленные объекты - электростанции, заводы и коммунальные системы. Нынешние вторжения выглядят как разведка, но со временем те же приемы могут пойти на остановку производств и отключение систем безопасности.
Рекомендации стандартные: обновить прошивки контроллеров и полностью убрать их из интернета.
cisa.gov
Команда Научно-технического университета Китая связала запутанностью два удаленных модуля памяти на холодных атомах через оптоволокно длиной 420 км.
Достижение важно тем, что превзойден предел PLOB - теоретический потолок для прямой передачи запутанности по каналу без ретрансляции, который начинает мешать после 230 км. Обойти его удалось как раз потому, что квантовая память играет роль промежуточного узла. Это один из кирпичей для будущих квантовых повторителей и квантового интернета.
Чтобы уменьшить потери, квантовую память перевели с длины волны 795 нм на 780 нм и перестроили схему преобразования частот, подогнав сигнальные фотоны под окно сверхнизких потерь волокна. Рассинхронизацию фаз убрали автоподстройкой на двух длинах волн и трех частотах. Интерференция фотонов оставалась стабильной на всех 420 км.
Работа опубликована в Physical Review Letters.
cas.cn
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
❤8👍3🔥2
🔥 DeepSeek Harness получил официальную desktop-версию
Теперь DeepSeek Harness можно запускать как обычное приложение — без Node.js, терминала и отдельного браузера.
Доступны сборки:
- Windows x64
- macOS Apple Silicon
Версия свежая:
По сути, DeepSeek убирает главный порог входа в Harness: теперь достаточно скачать клиент и запустить его двойным кликом.
Windows: https://download.deepseek.com/dsh-desk/bin/win-x64/deepseek-harness-0.1.7-rc.1.20260924.1-win-x64.exe
Mac Apple Silicon: https://download.deepseek.com/dsh-desk/bin/mac-arm64/deepseek-harness-0.1.7-rc.1.20260924.1-mac-arm64.dmg
Документация: https://github.com/deepseek-ai/deepseek-harness/blob/master/apps/desktop/README.zh.md
Теперь DeepSeek Harness можно запускать как обычное приложение — без Node.js, терминала и отдельного браузера.
Доступны сборки:
- Windows x64
- macOS Apple Silicon
Версия свежая:
0.1.7-rc.1.20260924.1.По сути, DeepSeek убирает главный порог входа в Harness: теперь достаточно скачать клиент и запустить его двойным кликом.
Windows: https://download.deepseek.com/dsh-desk/bin/win-x64/deepseek-harness-0.1.7-rc.1.20260924.1-win-x64.exe
Mac Apple Silicon: https://download.deepseek.com/dsh-desk/bin/mac-arm64/deepseek-harness-0.1.7-rc.1.20260924.1-mac-arm64.dmg
Документация: https://github.com/deepseek-ai/deepseek-harness/blob/master/apps/desktop/README.zh.md
👍4
Forwarded from AI VK Hub
This media is not supported in your browser
VIEW IN TELEGRAM
Пользователь смотрит видео, листает клипы, ставит лайки — каждое действие становится сигналом для рекомендательной системы. Но важен не только отдельный сигнал, а его контекст и связь с другими событиями.
🎬 В новом ролике разбираем, как трансформер обрабатывает последовательность взаимодействий пользователя с контентом, определяет значимость событий и учитывает связи между видео, клипами и постами.
#AIVK #aivkhub #recsys
#AIVK #aivkhub #recsys
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from Machinelearning
Anysphere переработала обвязку своего агента и снизила траты пользователей на токены на 7% без потери качества.
Системный промпт сократили примерно на 75%, так как современным моделям больше не нужны длинные списки запретов, достаточно описать, как работает инструмент.
Встроенные инструменты, которые требуются меньше чем в 20% диалогов, убрали из постоянного контекста и подгружают по требованию, что на 60% уменьшило объём их описаний в статичной части запроса.
На месте остались чтение, поиск, правка файлов и терминал, а также
ask_question, вызов которого некоторые модели выдумывают при его отсутствии, и create_plan для режима планирования.Тем же способом раньше вынесли MCP-инструменты, и в сессиях с их вызовами общий расход токенов упал на 46,9%.
Остальную экономию дали кэш и работа с контекстом. С выхода GPT-5.6 API OpenAI позволяет явно размечать границы кэша, и Cursor ставит их после стабильных слоёв запроса перед растущей перепиской, а меняющиеся данные (навыки, субагенты и инфа об окружении) вынес в служебное пользовательское сообщение за этими границами.
Инструмент чтения файлов стал нумеровать каждую десятую строку вместо каждой - номер стоит три–пять токенов, а за сессию агент читает десятки тысяч строк, так что чтение из кэша сократилось на 1,6%.
Ещё из промпта убрали настойчивые советы отдавать изучение кодовой базы субагентам, поскольку модели освоили этот приём, а другую модель для субагента агент теперь выбирает только по указанию пользователя или обвязки.
Изменения уже действуют для пользователей Cursor, те же приёмы перенесут в Grok Bot.
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
👍3❤2👏1
🐍 Собираешь обработку данных мышкой, получаешь Python-код
Ciaren: открытый визуальный конструктор ETL и простых ML-пайплайнов. Соединяешь блоки, проверяешь данные на каждом шаге и экспортируешь результат в pandas, Polars или lazy Polars.
Что умеет:
• Читать CSV, Excel, Parquet, SQL и облачные хранилища. • Чистить данные, объединять таблицы, считать агрегаты. • Проверять качество данных. • Обучать и оценивать ML-модели. • Запускать обработку по расписанию.
Главная фишка: экспортированный код можно запускать отдельно от Ciaren и хранить в Git. Сам инструмент работает локально, данные не обязательно отправлять в облако.
Проект пока в альфе.
https://github.com/ciaren-labs/Ciaren
Ciaren: открытый визуальный конструктор ETL и простых ML-пайплайнов. Соединяешь блоки, проверяешь данные на каждом шаге и экспортируешь результат в pandas, Polars или lazy Polars.
Что умеет:
• Читать CSV, Excel, Parquet, SQL и облачные хранилища. • Чистить данные, объединять таблицы, считать агрегаты. • Проверять качество данных. • Обучать и оценивать ML-модели. • Запускать обработку по расписанию.
Главная фишка: экспортированный код можно запускать отдельно от Ciaren и хранить в Git. Сам инструмент работает локально, данные не обязательно отправлять в облако.
Проект пока в альфе.
https://github.com/ciaren-labs/Ciaren
❤4👍2🔥1👏1
🖥️ Какой ИИ запускать локально? Подборка под разный объём видеопамяти. Актуалочка на Октябрь 2026.
4–8 ГБ VRAM
Компактные модели LiquidAI LFM2.5, например 2.6B, для локального помощника с небольшими требованиями к ресурсам.
https://huggingface.co/LiquidAI/LFM2.5-2.6B
8–16 ГБ VRAM
Underdog Saluki 27B: сжатая версия Qwen3.8-27B с настройкой под вызов инструментов. Файл весов занимает 7,89 ГБ, но для работы потребуется дополнительная память под контекст и вычисления.
https://huggingface.co/ConwayResearch/Underdog-Saluki-27B-1.0
Для задач выбора действий и автоматизации также стоит посмотреть Clef-Flash от Cloudflare.
https://huggingface.co/Cloudflare/clef-flash
16–32 ГБ VRAM
Qwen3.8-27B в подходящей квантизации. Вариант для кода, работы с изображениями и агентных задач.
https://huggingface.co/Qwen/Qwen3.8-27B
32–96 ГБ VRAM + большой запас RAM
Можно рассматривать Qwen3.8-Flash-Next с частичной выгрузкой весов в оперативную память. Скорость будет зависеть от железа и объёма выгрузки.
https://huggingface.co/Qwen/Qwen3.8-Flash-Next
96–192 ГБ VRAM
Крупные MoE-модели: Qwen3.8-Flash-Next и GLM-5.3-Flash. Нужны подходящая квантизация и расчёт памяти под выбранный контекст.
https://huggingface.co/zai-org/GLM-5.3-Flash
💡 Диапазоны ориентировочные. Размер весов не равен потреблению памяти: контекст, KV-кэш и параллельные запросы тоже занимают место.
4–8 ГБ VRAM
Компактные модели LiquidAI LFM2.5, например 2.6B, для локального помощника с небольшими требованиями к ресурсам.
https://huggingface.co/LiquidAI/LFM2.5-2.6B
8–16 ГБ VRAM
Underdog Saluki 27B: сжатая версия Qwen3.8-27B с настройкой под вызов инструментов. Файл весов занимает 7,89 ГБ, но для работы потребуется дополнительная память под контекст и вычисления.
https://huggingface.co/ConwayResearch/Underdog-Saluki-27B-1.0
Для задач выбора действий и автоматизации также стоит посмотреть Clef-Flash от Cloudflare.
https://huggingface.co/Cloudflare/clef-flash
16–32 ГБ VRAM
Qwen3.8-27B в подходящей квантизации. Вариант для кода, работы с изображениями и агентных задач.
https://huggingface.co/Qwen/Qwen3.8-27B
32–96 ГБ VRAM + большой запас RAM
Можно рассматривать Qwen3.8-Flash-Next с частичной выгрузкой весов в оперативную память. Скорость будет зависеть от железа и объёма выгрузки.
https://huggingface.co/Qwen/Qwen3.8-Flash-Next
96–192 ГБ VRAM
Крупные MoE-модели: Qwen3.8-Flash-Next и GLM-5.3-Flash. Нужны подходящая квантизация и расчёт памяти под выбранный контекст.
https://huggingface.co/zai-org/GLM-5.3-Flash
💡 Диапазоны ориентировочные. Размер весов не равен потреблению памяти: контекст, KV-кэш и параллельные запросы тоже занимают место.
👍4❤2🔥1🤔1
This media is not supported in your browser
VIEW IN TELEGRAM
ИИ в разработке стал базой. Чем теперь отличаться?
ИИ-агенты стали таким же привычным инструментом, как Git. Но один доступ к ИИ мало что меняет. Разработка становится быстрее, только когда агенты встроены в процессы: от постановки задачи до ревью и релиза. Таких команд, которые успешно внедрили ИИ, на рынке пока немного.
27 ноября на Робоцехе red_mad_robot соберёт экспертов, у кого получилось успешно внедрить ИИ в процессы. На конференции вас ждут несколько докладов с реальными кейсами: от использования агентного цикла в рекомендательных системах до опыта применения дата-агента внутри банковского контура. Инженеры Альфа-Банка, MWS, ОТП и red_mad_robot поделятся, как искусственный интеллект меняет цикл разработки, где он её ускоряет, а где — только создаёт видимость.
А ещё два воркшопа с практическим результатом. На них вы узнаете, как работать в команде вместе с ИИ-агентами и как подготовить рабочее приложение на базе LLM. Без большого разговора тоже не обойдётся. На дискуссии эксперты из Сколково, AlpinaGPT и других компаний обсудят внедрение ИИ в компании через обучение сотрудников.
↗️ 27 ноября, 11:00, Москва, Инженерный амфитеатр ДКС
↗️ Доклады можно смотреть онлайн, воркшопы проходят только очно
↗️ Билеты ещё в продаже: upgrade.redmadrobot.com
ИИ-агенты стали таким же привычным инструментом, как Git. Но один доступ к ИИ мало что меняет. Разработка становится быстрее, только когда агенты встроены в процессы: от постановки задачи до ревью и релиза. Таких команд, которые успешно внедрили ИИ, на рынке пока немного.
27 ноября на Робоцехе red_mad_robot соберёт экспертов, у кого получилось успешно внедрить ИИ в процессы. На конференции вас ждут несколько докладов с реальными кейсами: от использования агентного цикла в рекомендательных системах до опыта применения дата-агента внутри банковского контура. Инженеры Альфа-Банка, MWS, ОТП и red_mad_robot поделятся, как искусственный интеллект меняет цикл разработки, где он её ускоряет, а где — только создаёт видимость.
А ещё два воркшопа с практическим результатом. На них вы узнаете, как работать в команде вместе с ИИ-агентами и как подготовить рабочее приложение на базе LLM. Без большого разговора тоже не обойдётся. На дискуссии эксперты из Сколково, AlpinaGPT и других компаний обсудят внедрение ИИ в компании через обучение сотрудников.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤2
Forwarded from Machinelearning
Media is too big
VIEW IN TELEGRAM
Обе компании уже работали вместе над проектом Patch the Planet, где модели OpenAI в связке с инструментами Trail of Bits автоматически искали и исправляли ошибки в открытом коде.
Нью-йоркская Trail of Bits основана в 2012 году, в ней около 40 сотрудников, специализируется она на реверс-инжиниринге, аудите криптографических систем и поиске уязвимостей в открытом коде, а среди её клиентов Uniswap, Aave и Worldcoin.
Поглощение расширит возможности OpenAI в практической безопасности продуктов.
theinformation.com
Модель рассчитана на художественный дубляж, аудиокниги и озвучку игр, поддерживает 83 языка и позволяет детально режиссировать эмоции.
Текстовые ремарки в квадратных скобках прямо внутри реплик дают шёпот, смех, гнев и другие эмоциональные краски. В бенчмарке Artificial Analysis Drama 3 показала точность 93,2% при чтении дат и контекстно-зависимых слов, обойдя S2.1 Pro.
Архитектура построена на MoE и несёт 35 млрд общих параметров при 3 млрд активных, с гибридным вниманием Gated DeltaNet и MTP-декодером аудиокодеков.
Веса лежат на Hugging Face, а бесплатно использовать модель в коммерческих проектах могут компании с годовой выручкой до 500 тыс. долларов.
fish.audio
Платформа децентрализованных вычислений забрала разработчика компактных открытых VLM. Ключевая технология стартапа – движок инференса Photon, который компилирует архитектуру модели в единую программу под ускоритель с помощью собственных ядер.
На Nvidia H100 связка Photon и Moondream держит больше 60 запросов в секунду с задержкой в десятки миллисекунд.
Основатели Вик Коррапати и Джей Аллен переходят в Prime Intellect, где займутся масштабированием инфраструктуры инференса, развитием VLM и агентов для управления интерфейсами.
Линейка моделей останется под брендом Moondream, движок Photon уже встроен, а доступ к Moondream 3.1 открыт через Prime Inference. Пользователей Moondream Cloud переведут на объединённую платформу.
primeintellect.ai
Совершеннолетним пользователям разрешили ставить на свои Android-устройства приложения, собранные в Google AI Studio, без аккаунта разработчика за 25 долларов.
Работают такие приложения в приватном режиме, то есть скрыты из поиска и рекомендаций магазина, а встроенные покупки в них заблокированы полностью. Рассчитано обновление на тех, кто пишет программы под себя и не собирается публиковать их.
В следующих обновлениях Google обещает дать возможность делиться самодельными приложениями с семьёй и друзьями.
bloomberg.com
По условиям партнёрства агенты Manus появятся в смартфонах серии Find X10, работать они будут в режиме Agent Mode фирменного ассистента AI Mind Pilot.
Система разберёт составной запрос на последовательность шагов, соберёт данные из установленных приложений, обработает локальные файлы и вызовет внешние API, чтобы выдать результат.
Поиск, сортировку и анализ файлов телефон делает у себя, не передавая содержимое на серверы Manus, а обращения к облачным сервисам и отправка конкретных данных идут только после подтверждения пользователем.
oppo.com
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
❤1👍1😁1