🧠 Xiaomi потратила около $2,6 млн на этап обучения MiMo через попытки, ошибки и обратную связь.
В отчёте MiMo-V2.6 команда разбирает, как масштабировать обучение с подкреплением для ИИ-агентов.
Модель решает задачи в рабочих средах, получает оценку результата и обучается на собранном опыте. Масштабируют сразу три компонента:
• количество попыток и пропускную способность;
• разнообразие задач: код, визуальные сценарии, работа с инструментами и кибербезопасность;
• вычисления на проверку решений.
Интересная деталь: проверяющие сравнивают решения внутри группы, помогая поощрять более качественные и короткие пути к результату. Отдельно предусмотрена защита от *reward hacking*, когда модель находит способ получить награду без полноценного решения задачи.
По данным Xiaomi, после этого этапа результат Pro на DeepSWE v1.1 вырос с 58,4% до 72,6%, а Flash с 48,8% до 65,7%. Команда также открыла веса, RL-фреймворк и более 7 000 тренировочных сред.
https://www.chapterpal.com/s/f8dd8d6f/mimo-v26-scaling-reinforcement-learning-towards-self-improvement
В отчёте MiMo-V2.6 команда разбирает, как масштабировать обучение с подкреплением для ИИ-агентов.
Модель решает задачи в рабочих средах, получает оценку результата и обучается на собранном опыте. Масштабируют сразу три компонента:
• количество попыток и пропускную способность;
• разнообразие задач: код, визуальные сценарии, работа с инструментами и кибербезопасность;
• вычисления на проверку решений.
Интересная деталь: проверяющие сравнивают решения внутри группы, помогая поощрять более качественные и короткие пути к результату. Отдельно предусмотрена защита от *reward hacking*, когда модель находит способ получить награду без полноценного решения задачи.
По данным Xiaomi, после этого этапа результат Pro на DeepSWE v1.1 вырос с 58,4% до 72,6%, а Flash с 48,8% до 65,7%. Команда также открыла веса, RL-фреймворк и более 7 000 тренировочных сред.
https://www.chapterpal.com/s/f8dd8d6f/mimo-v26-scaling-reinforcement-learning-towards-self-improvement
🔥33❤28👍27🤔22👏20😁18💯18🎉17
🔐 Проектируйте ИИ-систему так, будто модель уже скомпрометирована.
Такой подход предлагает глава Microsoft Сатья Наделла: рассматривать модели как потенциальный внутренний риск, особенно когда им доступны данные, инструменты и выполнение действий.
Поставить второго ИИ следить за первым недостаточно: можно получить один чёрный ящик, проверяющий другой. Контроль должен существовать и за пределами моделей.
Что это означает на практике:
• Права задаёт система. Модель не определяет сама, какие ресурсы ей доступны.
• Действия оставляют проверяемый след. Логи должны быть защищены от изменения агентом.
• Аудит независим. Агент не должен одновременно действовать и контролировать доказательства корректности своих действий.
• Есть аварийная остановка. Уполномоченный человек может прервать работу посреди задачи.
• Тестируются и провалы: атаки, ошибки, пограничные случаи и изменения окружения.
https://x.com/satyanadella/status/2108931348857827686
Такой подход предлагает глава Microsoft Сатья Наделла: рассматривать модели как потенциальный внутренний риск, особенно когда им доступны данные, инструменты и выполнение действий.
Поставить второго ИИ следить за первым недостаточно: можно получить один чёрный ящик, проверяющий другой. Контроль должен существовать и за пределами моделей.
Что это означает на практике:
• Права задаёт система. Модель не определяет сама, какие ресурсы ей доступны.
• Действия оставляют проверяемый след. Логи должны быть защищены от изменения агентом.
• Аудит независим. Агент не должен одновременно действовать и контролировать доказательства корректности своих действий.
• Есть аварийная остановка. Уполномоченный человек может прервать работу посреди задачи.
• Тестируются и провалы: атаки, ошибки, пограничные случаи и изменения окружения.
https://x.com/satyanadella/status/2108931348857827686
🔥36👍29👏25😁24❤22🤔22🎉22💯22
🦀 Альтернатива Word на Rust, которой могут управлять ИИ-агенты
WordCraft повторяет знакомый интерфейс Word: лента инструментов, стили, таблицы, комментарии и отслеживание изменений. Читает и сохраняет
Работает на Windows, macOS, Linux и BSD, а через WebAssembly запускается в браузере. Десктопный интерфейс построен на egui, без Electron. Лицензия: MIT или Apache 2.0.
Внутри: 422 команды доступны через интерфейс, CLI и MCP. Агент может менять документ, проверять его структуру, рендерить страницы и сохранять результат. Это даёт возможность автоматизировать работу с документами через явные команды.
Пока альфа: совместимость со сложными
https://github.com/storytold/wordcraft
WordCraft повторяет знакомый интерфейс Word: лента инструментов, стили, таблицы, комментарии и отслеживание изменений. Читает и сохраняет
.docx, экспортирует PDF.Работает на Windows, macOS, Linux и BSD, а через WebAssembly запускается в браузере. Десктопный интерфейс построен на egui, без Electron. Лицензия: MIT или Apache 2.0.
Внутри: 422 команды доступны через интерфейс, CLI и MCP. Агент может менять документ, проверять его структуру, рендерить страницы и сохранять результат. Это даёт возможность автоматизировать работу с документами через явные команды.
Пока альфа: совместимость со сложными
.docx, диаграммами и SmartArt ещё требует доработки. Но для экспериментов с документной автоматизацией проект уже любопытный.https://github.com/storytold/wordcraft
❤45👍31🔥25😁21💯20👏19🎉17🤔14
Anthropic втихую арендует мощности у бывшего биткоин-майнера IREN, а инференс может приносить ей до 85% маржи
По данным The Information, Anthropic подписала многолетний облачный контракт с IREN, о котором раньше не объявляли. Компания начинала с майнинга биткоина и теперь продаёт GPU-мощности под ИИ. В августе IREN раскрыла, что у неё появился безымянный клиент из числа frontier-лабораторий. Теперь известно, что один из таких клиентов это Anthropic.
The Information оценила дата-центр Anthropic в Луизиане на 245 МВт: при полной загрузке под инференс он может давать около $1,3 млрд выручки в месяц.
Аренда чипов обходится примерно в $200 млн в месяц, так что валовая маржа на инференсе выходит около 85%. Расходы на обучение моделей и всё остальное в этот расчёт не входят.
.
Источник: The Information
По данным The Information, Anthropic подписала многолетний облачный контракт с IREN, о котором раньше не объявляли. Компания начинала с майнинга биткоина и теперь продаёт GPU-мощности под ИИ. В августе IREN раскрыла, что у неё появился безымянный клиент из числа frontier-лабораторий. Теперь известно, что один из таких клиентов это Anthropic.
The Information оценила дата-центр Anthropic в Луизиане на 245 МВт: при полной загрузке под инференс он может давать около $1,3 млрд выручки в месяц.
Аренда чипов обходится примерно в $200 млн в месяц, так что валовая маржа на инференсе выходит около 85%. Расходы на обучение моделей и всё остальное в этот расчёт не входят.
.
Источник: The Information
🔥48💯43❤42😁42👍40👏35🤔35🎉34🤣1
⚡ Можно купить тысячи GPU, но дата-центру нужны стабильное питание и подключение к сети. Строительство электростанций, подстанций и линий передачи становится одним из главных ограничений роста.
Китай строит 38 ядерных реакторов общей мощностью около 43 ГВт, по данным World Nuclear Association. Это крупнейшая программа строительства АЭС в мире.
По оценке МЭА, потребление электричества дата-центрами для ИИ выросло на 50% за 2025 год. При этом нехватка сетевых мощностей тормозит подключение новых потребителей.
Следующий этап гонки ИИ будут определять и чипы, и способность быстро обеспечить их энергией. Масштаб китайского строительства даёт стране серьёзное преимущество.
https://x.com/Machinelearrn/status/2109585357226332353
Китай строит 38 ядерных реакторов общей мощностью около 43 ГВт, по данным World Nuclear Association. Это крупнейшая программа строительства АЭС в мире.
По оценке МЭА, потребление электричества дата-центрами для ИИ выросло на 50% за 2025 год. При этом нехватка сетевых мощностей тормозит подключение новых потребителей.
Следующий этап гонки ИИ будут определять и чипы, и способность быстро обеспечить их энергией. Масштаб китайского строительства даёт стране серьёзное преимущество.
https://x.com/Machinelearrn/status/2109585357226332353
👍37🔥30❤26👏22😁22🎉19🤔17💯15
📱 Мультимодальная модель на 35 млрд параметров работает на iPhone. Как?
OpenBMB представила MiniCPM-V 4.7: старшую MoE-модель 35B-A3B и компактную версию 1B для локальной работы с изображениями и видео.
Главная технология: LES, Lookahead Expert Scheduling. Система заранее предсказывает, какие эксперты понадобятся следующему слою, и подгружает их веса, совмещая загрузку с вычислениями.
Прогноз управляет загрузкой, а не ответом модели. Если нужного эксперта не предсказали, его всё равно загружают и используют. Исходная маршрутизация сохраняется.
По замерам команды, оптимизированный запуск даёт 13+ токенов/с на iPhone 17 Pro Max. Помимо LES используются послойная квантизация и спекулятивная генерация DSpark.
Нюанс с «3 ГБ памяти»: это не означает, что все 35 млрд параметров помещаются в RAM. Часть весов остаётся в накопителе и загружается по необходимости.
Ещё добавили сжатие визуальных токенов 4×/16× и Self-Replay Fine-Tuning для адаптации с меньшим забыванием прежних навыков. Старшая модель доступна под Apache 2.0.
https://github.com/OpenBMB/MiniCPM-V
https://huggingface.co/openbmb/MiniCPM-V-4.7-35B-A3B
OpenBMB представила MiniCPM-V 4.7: старшую MoE-модель 35B-A3B и компактную версию 1B для локальной работы с изображениями и видео.
Главная технология: LES, Lookahead Expert Scheduling. Система заранее предсказывает, какие эксперты понадобятся следующему слою, и подгружает их веса, совмещая загрузку с вычислениями.
Прогноз управляет загрузкой, а не ответом модели. Если нужного эксперта не предсказали, его всё равно загружают и используют. Исходная маршрутизация сохраняется.
По замерам команды, оптимизированный запуск даёт 13+ токенов/с на iPhone 17 Pro Max. Помимо LES используются послойная квантизация и спекулятивная генерация DSpark.
Нюанс с «3 ГБ памяти»: это не означает, что все 35 млрд параметров помещаются в RAM. Часть весов остаётся в накопителе и загружается по необходимости.
Ещё добавили сжатие визуальных токенов 4×/16× и Self-Replay Fine-Tuning для адаптации с меньшим забыванием прежних навыков. Старшая модель доступна под Apache 2.0.
https://github.com/OpenBMB/MiniCPM-V
https://huggingface.co/openbmb/MiniCPM-V-4.7-35B-A3B
🔥29❤26👍25😁23💯20🎉15👏14🤔9
🛡 Anthropic усложнила копирование Claude через его ответы
По оценке компании, новая защита сократила объём извлекаемых рассуждений на 90–99% на её платформе.
Такие данные используют для дистилляции: сильная модель решает задачи, а другую обучают на её примерах. Особенно ценны подробные рассуждения, показывающие, как получен ответ.
Что изменили:
• Ограничили перенос рассуждений между аккаунтами и моделями.
• Внедрили двухступенчатый классификатор попыток извлечения.
• Усилили лимиты и блокировки для подозрительных аккаунтов.
Почему это работает? В эксперименте модель, обученная на полных рассуждениях Claude, набрала 80,4% на SWE-bench Verified. На сокращённых версиях результат упал до 71,8%.
Есть и цена для обычных пользователей: некоторым пришлось обновить интеграции, возможны ошибочные блокировки, а за определённые заблокированные запросы теперь тоже взимается плата.
Anthropic признаёт: пока неизвестно, насколько долго защита сохранит эффективность.
https://www.anthropic.com/research/distillation-defenses
По оценке компании, новая защита сократила объём извлекаемых рассуждений на 90–99% на её платформе.
Такие данные используют для дистилляции: сильная модель решает задачи, а другую обучают на её примерах. Особенно ценны подробные рассуждения, показывающие, как получен ответ.
Что изменили:
• Ограничили перенос рассуждений между аккаунтами и моделями.
• Внедрили двухступенчатый классификатор попыток извлечения.
• Усилили лимиты и блокировки для подозрительных аккаунтов.
Почему это работает? В эксперименте модель, обученная на полных рассуждениях Claude, набрала 80,4% на SWE-bench Verified. На сокращённых версиях результат упал до 71,8%.
Есть и цена для обычных пользователей: некоторым пришлось обновить интеграции, возможны ошибочные блокировки, а за определённые заблокированные запросы теперь тоже взимается плата.
Anthropic признаёт: пока неизвестно, насколько долго защита сохранит эффективность.
https://www.anthropic.com/research/distillation-defenses
❤57🔥56👍49💯45😁43🤔41🎉40👏28🥴2😢1🤣1
ИИ-агент отвечает настолько точно, насколько готовы ваши данные. Как понять, что они готовы?
Разберёмся 23 октября в Москве на Fine Day 2026, офлайн-конференции о переходе от self-service BI к AI-native аналитике.
💡 В программе:
• дискуссия с руководителями аналитики ПИК, ДИКСИ, СИБУР и АвтоВАЗ: что нужно данным и командам для работы с ИИ
• миграция с Qlik и Power BI на FineBI, в том числе с помощью ИИ-агентов
• BI-система vs LLM: какие задачи кому отдавать, опыт Мосбиржи
демо FineBI 7.0 и ИИ-агентов Dora, можно принести свой сценарий
Участие бесплатное. После регистрации получите чек-лист «Готовы ли ваши данные к ИИ-агенту?» из 25 вопросов.
👉 Регистрация: https://clck.ru/3WRtdB
Реклама. ООО «ГлоуБайт Аналитические Решения». ИНН 9729274905. erid: 2RanynYbiiP
Разберёмся 23 октября в Москве на Fine Day 2026, офлайн-конференции о переходе от self-service BI к AI-native аналитике.
💡 В программе:
• дискуссия с руководителями аналитики ПИК, ДИКСИ, СИБУР и АвтоВАЗ: что нужно данным и командам для работы с ИИ
• миграция с Qlik и Power BI на FineBI, в том числе с помощью ИИ-агентов
• BI-система vs LLM: какие задачи кому отдавать, опыт Мосбиржи
демо FineBI 7.0 и ИИ-агентов Dora, можно принести свой сценарий
Участие бесплатное. После регистрации получите чек-лист «Готовы ли ваши данные к ИИ-агенту?» из 25 вопросов.
👉 Регистрация: https://clck.ru/3WRtdB
Реклама. ООО «ГлоуБайт Аналитические Решения». ИНН 9729274905. erid: 2RanynYbiiP
🔥27❤24😁20👍18💯16🤔15👏14🎉14🤣2
🚀 Google представила Gemini 4 Argon, свою новую флагманскую ИИ-модель
Главный акцент на сложных задачах, которые требуют длительной работы и многоэтапного планирования.
Три ключевых направления:
▪️ Программирование: разработка, отладка, рефакторинг и работа с большими кодовыми базами.
▪️ Бизнес: автоматизация сложных процессов, финансовые исследования и анализ юридических документов.
▪️ Кибербезопасность: автономный поиск, проверка и исправление уязвимостей.
Модель поддерживает генерацию до 1 млн токенов за один ответ и рассчитана на продолжительные агентные задачи.
Главный акцент на сложных задачах, которые требуют длительной работы и многоэтапного планирования.
Три ключевых направления:
▪️ Программирование: разработка, отладка, рефакторинг и работа с большими кодовыми базами.
▪️ Бизнес: автоматизация сложных процессов, финансовые исследования и анализ юридических документов.
▪️ Кибербезопасность: автономный поиск, проверка и исправление уязвимостей.
Модель поддерживает генерацию до 1 млн токенов за один ответ и рассчитана на продолжительные агентные задачи.
😁40💯30👍25🤔24🎉20❤18🔥17👏15❤🔥2
Indra: OCR-модель всего на 1M параметров, которая рвёт PaddleOCR и Tesseract по скорости
Вик Паручури, автор Marker и Surya, выпустил Indra, крошечную OCR-модель на 1 миллион параметров. Главная фишка в том, что при таком размере она гоняет текст прямо на CPU и делает это очень быстро.
Цифры такие. На CPU Indra обрабатывает 49 страниц в секунду. Это в 11 раз быстрее PaddleOCR и в 17 раз быстрее Tesseract. При этом по качеству она тоже впереди: на тексте из OmniParseBench у неё 41,3 против 35,8 у PaddleOCR и 19,3 у Tesseract.
Модель не только распознаёт текст, но и отдаёт полную разметку страницы и bounding box по строкам, так что её удобно ставить в пайплайны обработки документов.
Миниатюрный размер означает, что её можно запускать локально без GPU и гонять большие объёмы сканов дёшево, а не платить за облачный OCR по страницам.
Модель: https://huggingface.co/datalab-to/indra-ocr
Код: https://github.com/datalab-to/indra
Блог: https://datalab.to/blog/indra-ocr
Вик Паручури, автор Marker и Surya, выпустил Indra, крошечную OCR-модель на 1 миллион параметров. Главная фишка в том, что при таком размере она гоняет текст прямо на CPU и делает это очень быстро.
Цифры такие. На CPU Indra обрабатывает 49 страниц в секунду. Это в 11 раз быстрее PaddleOCR и в 17 раз быстрее Tesseract. При этом по качеству она тоже впереди: на тексте из OmniParseBench у неё 41,3 против 35,8 у PaddleOCR и 19,3 у Tesseract.
Модель не только распознаёт текст, но и отдаёт полную разметку страницы и bounding box по строкам, так что её удобно ставить в пайплайны обработки документов.
Миниатюрный размер означает, что её можно запускать локально без GPU и гонять большие объёмы сканов дёшево, а не платить за облачный OCR по страницам.
Модель: https://huggingface.co/datalab-to/indra-ocr
Код: https://github.com/datalab-to/indra
Блог: https://datalab.to/blog/indra-ocr
🔥54❤32💯31👍28🎉21🤔20👏19😁18
Компания сообщила, что обнаружила в одном из своих офисов сложное записывающее устройство. Разобраться в нём помогли собственные модели: с их помощью удалось понять, что это за устройство и откуда оно взялось, и выяснить, что его за несколько дней до этого подбросил конкретный сотрудник.
Дело передали в ФБР, и агенты с прокурорами быстро произвели арест. Расследование продолжается, компания обещает и дальше содействовать.
Пока нет никаких признаков того, что этот человек получал неправомерный доступ или выгружал веса моделей, исходный код или данные клиентов. Сотрудника уволили.
В компании подчёркивают, что защита технологий, данных и людей для них вопрос национальной важности, а их программа безопасности рассчитана на весь спектр угроз, от инсайдеров до киберпреступников и государств. Этот случай там приводят как пример того, как сам ИИ помогает отражать сложные угрозы безопасности.
https://x.com/Machinelearrn/status/2110114942682608072
Please open Telegram to view this post
VIEW IN TELEGRAM
👍28😁28❤26🤔25🔥24💯24🤣21🎉20👏16
Liquid AI представила LFM2.5-24B-A2B, самую крупную модель в семействе LFM2.5. Это агентная reasoning-модель, рассчитанная на то, чтобы работать локально на ноутбуке или ПК внутри популярных агентных обвязок, без облака и API-ключей.
Характеристики:
24B параметров всего, но только 2B активных на токен за счёт MoE
Контекст расширен до 131K токенов
Словарь на 128K токенов
33T токенов на предобучении
Открытые веса, базовая и пост-тренированная версии, на Hugging Face
На агентных задачах и работе с инструментами LFM2.5-24B-A2B идёт вровень с Qwen3.6-35B-A3B, у которой примерно на 50% больше и общих, и активных параметров.
Модель заточена под эффективный инференс где угодно и с первого дня поддерживает llama.cpp и GGUF, MLX для Apple Silicon, vLLM, SGLang и ONNX. Для примера, на Apple M5 Max она выдаёт 184 токена в секунду, а на одной Nvidia B300 при высокой конкуренции переваливает за 21 тысячу выходных токенов в секунду.
В пост-тренинг входит RL прямо внутри агентных харнессов, включая Hermes Agent от Nous Research и opencode. Модель учится через вызовы инструментов и многошаговые диалоги, а не только на статичных данных. В демо открытый десктопный агент Hermes крутится на LFM2.5-24B-A2B целиком на одном ноутбуке.
Блог: https://liquid.ai/blog/lfm2-5-24b-a2b
Веса: https://huggingface.co/LiquidAI/LFM2.5-24B-A2B
Please open Telegram to view this post
VIEW IN TELEGRAM
👍35🔥29💯26🤔25❤20👏17🎉13😁12🥰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.
❤33👍31🔥26💯19👏18🤔17😁16🎉16
🚀 AI VK предложили метод масштабирования графовых нейросетей
Исследователи разработали подход для масштабирования графовых нейросетей (GNN) на больших объёмах данных. Такие модели анализируют связи между объектами и используются, например, для рекомендаций друзей в соцсетях.
Основная проблема — ресурсоёмкость. Для сотен миллионов пользователей хранение отдельных эмбеддингов требует сотен гигабайт видеопамяти, а обработка графа из миллиардов связей замедляет обучение.
Команда предложила два решения:
• Multi-Hash User Embeddings — несколько хеш-функций заменяют индивидуальные эмбеддинги пользователей компактной общей таблицей. Потребление видеопамяти сократилось с 203 до 2 ГБ, более чем в 100 раз.
• Temporal Neighbor Sampling — при обучении модель учитывает только связи, существовавшие на определённый момент времени. Оптимизация ускорила подготовку данных в 2,5 раза.
Подход проверили на рекомендациях друзей ВКонтакте. В двухнедельном A/B-тесте количество добавлений в друзья из рекомендаций выросло на 16%, а число пользователей, добавивших хотя бы одного рекомендованного друга, — на 11,5%. При этом задержки онлайн-ранжирования не увеличились.
Этот подход масштабирования может пригодиться не только в соцсетях, но и в рекомендательных системах, финтехе и других задачах с большими графами.
Статью Scaling Graph Neural Networks for Friend Recommendation: Multi-Hash User Embeddings and Temporal Neighbor Sampling приняли в основной трек CIKM 2026.
Исследователи разработали подход для масштабирования графовых нейросетей (GNN) на больших объёмах данных. Такие модели анализируют связи между объектами и используются, например, для рекомендаций друзей в соцсетях.
Основная проблема — ресурсоёмкость. Для сотен миллионов пользователей хранение отдельных эмбеддингов требует сотен гигабайт видеопамяти, а обработка графа из миллиардов связей замедляет обучение.
Команда предложила два решения:
• Multi-Hash User Embeddings — несколько хеш-функций заменяют индивидуальные эмбеддинги пользователей компактной общей таблицей. Потребление видеопамяти сократилось с 203 до 2 ГБ, более чем в 100 раз.
• Temporal Neighbor Sampling — при обучении модель учитывает только связи, существовавшие на определённый момент времени. Оптимизация ускорила подготовку данных в 2,5 раза.
Подход проверили на рекомендациях друзей ВКонтакте. В двухнедельном A/B-тесте количество добавлений в друзья из рекомендаций выросло на 16%, а число пользователей, добавивших хотя бы одного рекомендованного друга, — на 11,5%. При этом задержки онлайн-ранжирования не увеличились.
Этот подход масштабирования может пригодиться не только в соцсетях, но и в рекомендательных системах, финтехе и других задачах с большими графами.
Статью Scaling Graph Neural Networks for Friend Recommendation: Multi-Hash User Embeddings and Temporal Neighbor Sampling приняли в основной трек CIKM 2026.
❤45🎉25💯22👍21🔥20👏18😁18🤔16🤣10