От генерации кода мир дошел до создания ИИ-ученых. В связи с чем захотелось потестить AlphaEvolve от DeepMind. Однако DeepMind кодом делиться не захотели, поэтому глаз пал на опенсорную систему OpenEvolve.

AlphaEvolve vs OpenEvolve, в чём разница?

Оба используют LLM для эволюционной оптимизации кода: генерируют варианты программ, оценивают их и итеративно улучшают.
AlphaEvolve — закрытая система, заточенная под задачи Google (оптимизация железа, математические открытия).
OpenEvolve — опенсорсная реализация того же принципа:

• Тот же MAP-Elites алгоритм ("качество + разнообразие”):
Вместо того, чтобы хранить просто лучший код, система поддерживает сетку лучших решений, разбитую по характеристикам (сложность кода, производительность, использование памяти и т.д.)
Каждое новое решение — мутация уже найденного, поэтому качество растёт со временем, а не топчется на месте как при случайном переборе
• Те же diff-based правки кода: LLM предлагает не новую программу целиком, а патч (изменение)

Как бы ни хотелось, OpenEvolve не принимает на вход plain-описание STEM-задачи, а требует три файла определённой структуры:
1. initial_program.py — стартовый код с маркерами # EVOLVE-BLOCK-START / # EVOLVE-BLOCK-END, внутри которых агент будет мутировать решение
2. evaluator.py с функцией evaluate(program_path), которая запускает программу и возвращает метрики качества
3. config.yaml — настройки: какой LLM использовать, параметры базы программ, промпты

То есть, задачу нужно сначала переформулировать в код: написать начальное решение (пусть наивное) и придумать оценивающую функцию. Для физических задач, вроде LHC Olympics, нетривиально само по себе 🙃

LinkedIn 📱 | Telegram 📱

Полезные ресурсы для создания обзоров литературы и не только! 📚📁

consensus.app — ищет референсы к конкретным тезисам, даёт анализ по тегам, показывает квантиль журнала. Недавно появилась интеграция с библиотеками Zotero.

scispace.com — отвечает на вопросы по тексту статьи, делает лит обзоры и презентации.

elicit.com — строит таблицы с экстракцией данных, делает систематические обзоры. Но требует ждать минут 10. Есть бесплатная версия (нажать skip на странице выбора варианта подписки)

Не забудем про:

perplexity.ai — когда нужны четкие ответы, которым можно доверять, в real-time формате. Можно выбрать разные LLM под капотом.

prism.openai.com — свежий инструмент от OpenAI: LaTeX-нативный редактор для научных статей. Бесплатно для всех с ChatGPT-аккаунтом 🎉

LinkedIn 📱 | Telegram 📱

Агент vs LLM: в чём разница?

В прошлом посте писала про агентов, но что это вообще такое, чем они отличаются от привычного GPT? Добавим рубрику #ликбез
*И не забываем, что чатовая версия != вызову через API

LLM (большая языковая модель) — это мозг 🧠
Она принимает текст (и даже уже другие типы данных) на вход и генерирует текст (картинки и т. д.) на выход. Мощная, но пассивная: ждёт вопроса, отвечает и забывает.

ИИ-агент — это система, в центре которой стоит LLM, но вокруг модели выстроена полноценная инфраструктура:
🧩 Планировщик — разбивает задачу на шаги
🔧 Инструменты — API, браузер, код, файлы
📁 Память — краткосрочная (контекст сессии) и долговременная (векторные базы данных)

Пример: попросите агента собрать отчёт по продажам за апрель. Агент проанализирует, какие действия нужно выполнить, какими инструментами воспользоваться:
1️⃣ Понять цель: что именно нужно сделать
2️⃣ Разбить на подзадачи:
найти данные → обработать → сгенерировать отчёт → отправить
3️⃣Выбрать инструменты: база данных, код, email API
4️⃣ Выполнить и скорректировать результат, если потребуется

🎓 Хотите разобраться глубже? Рекомендую бесплатный курс от Hugging Face, есть версия первых вводных уроков на русском: 👉 https://huggingface.co/learn/agents-course/ru-RU/unit1/what-are-agents

Ключевое отличие: LLM отвечает на вопрос. Агент выполняет задачу.

LinkedIn 📱 | Telegram 📱

Вчера провела лекцию по введению в LLM для участников конференции ISAA2026 (International Conference on Intelligent Systems & AI Applications) в Омане 🇴🇲

Прошлись по полному пайплайну: от того, как текст превращается в токены и числовые векторы, до трёх типов архитектур: encoder (BERT), encoder-decoder (T5), decoder (GPT, Claude, LLaMA). Поговорили о том, почему именно decoder-only модели доминируют сегодня и откуда у них вообще берутся emergent abilities (zero-shot и few-shot learning).

LinkedIn 📱 | Telegram 📱