Машинное обучение RU

NVIDIA запустила Groq 3 LPX - отдельный ускоритель генерации токенов для платформы Vera Rubin

По данным NVIDIA, в бенчмарке Artificial Analysis система достигла 3400 output-токенов в секунду на Gemma 4 31B при контексте 100 000 токенов.

Компания называет это самым быстрым зафиксированным результатом для этой модели.

Также NVIDIA заявляет до 4x более быстрый отклик по сравнению с ближайшей альтернативной платформой - прежде всего для AI-агентов и других latency-sensitive нагрузок.

Первым облачным провайдером с Groq 3 LPX станет Nebius через Token Factory. Затем ускоритель появится и в инфраструктуре Groq.

https://x.com/nvidianewsroom/status/2091904293343252534

⚡️ Harness Engineering - полный курс на русском

Как заставить AI-агента писать код надёжно. Не «какую модель выбрать», а как спроектировать вокруг неё рабочую систему: инструкции, инструменты, среду, состояние и верификацию.

Курс - от нуля до продвинутых тем: теоретическая база из 11 блоков, 14 модулей, 8 практических проектов, 14 лабораторных работ, диагностический протокол «как починить агента», библиотека готовых шаблонов, карта инструментов, 40 приёмов и каталог антипаттернов.

Главный тезис курса: способность модели и надёжность исполнения - это две разные вещи. Одна и та же модель в «голой» среде и в среде с продуманным harness даёт качественно разные результаты. Апгрейд модели - это самый дорогой и обычно не самый эффективный способ починить агента.

https://github.com/justxor/Harness_ru

🔥 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_1001_notes
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' rel='nofollow'>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.

Tencent вывела свои модели перевода в OpenRouter

В OpenRouter появились:

• Hy-MT2-1.8B
• Hy-MT2-30B-A3B

Модели поддерживают перевод между 33 языками и умеют работать не только с обычным текстом, но и с контекстом, структурой и заданным стилем.

Попробовать можно здесь:
https://openrouter.ai/tencent

Бесплатная книга по performance engineering

В Algorithmica хорошо разобрали, почему классическая оценка сложности всё хуже отражает реальную производительность на современном железе.

Раньше модель была довольно логичной: процессор выполняет инструкции почти последовательно, у каждой есть своя стоимость, а значит можно примерно оценить время работы алгоритма количеством операций.

Потом всё упростили до асимптотики. Например, вместо точного количества операций в умножении матриц мы просто говорим O(n³) и игнорируем константы. Для сравнения алгоритмов на больших данных это удобно.

Но современные CPU устроены намного сложнее: кэши, конвейеры, параллельное выполнение инструкций, SIMD, prefetching, память с разной задержкой.

Поэтому два алгоритма с одинаковым O(n) могут отличаться по скорости в разы.

А иногда алгоритм с формально «хуже» сложностью на реальных размерах данных оказывается быстрее.

Хорошая серия для тех, кто хочет перейти от «у этого O(n), значит быстро» к пониманию того, как код реально выполняется процессором.

en.algorithmica.org/hpc/complexity/

Как будут развиваться технологии искусственного интеллекта в ближайшие годы? Какие исследовательские идеи уже превращаются в работающие продукты? С какими задачами сегодня сталкиваются AI-команды?

17 сентября в Москве пройдёт AI R&D DAY — конференция для исследователей, разработчиков, руководителей R&D-команд и специалистов, которые создают и внедряют передовые решения на основе искусственного интеллекта.
В центре программы — NextGenAI, проект, который исследует новые вызовы и формирует образ будущего ИИ.

Вас ждут 22 доклада в рамках двух треков. Поговорим о:
-новых подходах к созданию и обучению моделей;
-системах, которые одновременно работают с текстом, изображениями, звуком и другими типами данных;
-развитии голосовых технологий;
-оценке качества AI-решений;
-внедрении технологий в реальные продукты.

Участие бесплатное, места ограничены.
17 сентября — Москва (очно) и онлайн.
Регистрируйтесь
#реклама
О рекламодателе

🔥 Qwen3.8 27B уже «раздели» от большей части встроенных отказов и подготовили для локального запуска

Huihui-Qwen3.8-27B-abliterated — модифицированная версия Qwen3.8-27B, где через abliteration заметно ослабили safety-фильтры и склонность модели отказываться от запросов. Авторы прямо называют реализацию экспериментальной.

Теперь выложены все GGUF-квантизации, так что модель можно запускать через llama.cpp, LM Studio и совместимые инструменты. Отдельно появились готовые версии для Ollama.

Для Ollama достаточно:

ollama run huihui_ai/Qwen3.8-abliterated

Модель также можно протестировать прямо на Hugging Face, а в обсуждениях уже появились пользовательские тесты с довольно сильными результатами после abliteration.

При этом сами авторы предупреждают: фильтрация существенно снижена, поэтому модель лучше использовать для исследований и локальных экспериментов, а не без дополнительного контроля в публичном продакшене.

Hugging Face: huggingface.co/huihui-ai/Huihui-Qwen3.8-27B-abliterated

🔐 Как может работать watermarking в Claude.

При генерации текста модель почти никогда не имеет ровно один «правильный» следующий токен. Обычно есть несколько вариантов с близкими вероятностями, и выбор между ними делается через sampling.

Watermarking добавляет ещё один фактор: секретный ключ влияет на то, какой из подходящих токенов будет выбран в конкретной позиции.

Сам текст при этом выглядит обычным.

Но если повторять такой выбор на множестве позиций, появляется статистический паттерн, который крайне маловероятно получить случайно. По нему потом можно определить, что текст был сгенерирован моделью.

Watermark можно добавлять прямо во время inference.

Если механизм нужен из-за требований ЕС, почему включать его для всех пользователей, а не только для европейского трафика?

Технически региональное включение выглядит вполне возможным. Значит, причины могут быть уже не в самой модели, а в эксплуатации, унификации инфраструктуры и политике компании.

https://x.com/AnthropicAI/status/2088343978873966687

💸 Дешёвый токен ещё не значит дешёвую модель.

По исследованию AlphaSense, Kimi может стоить заметно дешевле GPT-5.6 Sol за токен, но обходиться дороже за один завершённый вопрос.

Причина простая: модель тратит больше токенов на сбор контекста, повторный retrieval и длинные цепочки перед тем, как добраться до полезного ответа.

Реальная формула стоимости выглядит так:

цена токена × количество токенов до завершения задачи

И здесь более дорогая модель может оказаться выгоднее, если она быстрее находит нужные данные, вовремя останавливается и работает с меньшим контекстом.

В многошаговых агентах это особенно критично: лишний retrieval на первом этапе раздувает контекст на всех следующих шагах.

AlphaSense пишет, что только изменение retrieval-пайплайна вокруг той же модели дало примерно 3× снижение стоимости.

Поэтому экономика AI всё сильнее зависит не от прайса API, а от retrieval, routing и evaluation вокруг самой модели.

https://www.alpha-sense.com/resources/product-articles/frontier-ai-models-context/

Что скрывается за монетизацией поиска и реков в Авито 👀

Рассчитать ожидаемую выручку сложнее, чем кажется: нельзя просто умножить вероятность на ставку. На практике всё упирается в данные, метрики и бизнес-ограничения.

Если вам интересно, как работает наше ранжирование, приходите на Хабр почитать и оставить комментарии.

🚀 DeepSeek обновила V4-Pro: упор теперь не просто на reasoning, а на полноценную агентную работу

Компания заявила о крупных улучшениях Agent-возможностей и добавила гибкое управление глубиной рассуждений для V4-Pro и V4-Flash.

Идея простая:

* low - простые задачи;
* high - обычные agent-workflows;
* max - сложные многошаговые задачи.

В актуальной API-документации DeepSeek для thinking mode фактически закреплены уровни high и max, а low/medium маппятся в high. Для сложных coding-agent сценариев effort может автоматически переключаться на max.

V4-Pro уже доступна через API как:


deepseek-v4-pro


Контекст - 1M токенов, максимальный output - до 384K, есть tool calling и thinking/non-thinking режимы.

DeepSeek также отдельно оптимизирует V4-линейку под coding agents вроде Claude Code и OpenCode.

Новая тарифная модель с peak/off-peak окнами. По заявлению DeepSeek, в непиковые часы API будет стоить на 50% дешевле, чтобы команды могли переносить тяжёлые batch-задачи на более дешёвое время.

https://x.com/deepseek_ai/status/2087864585504305397?s=46

До 20 августа открыт прием заявок в магистратуру «Машинное обучение» в Центральном университете!
У каждого абитуриента есть шанс получить грант до 75% на весь срок обучения.

«Машинное обучение» — это направление с несколькими форматами и треками. В офлайн-формате (пары по вечерам и в выходные в центре Москвы) можно выбрать один из трех треков:
1️⃣Индустриальный — сильная база в ML, современные инструменты, реальные задачи от партнеров
2️⃣Научный (AIRI × ЦУ) — сложные модели, исследования, подготовка к аспирантуре и работе в передовых лабораториях
3️⃣ML в электронной коммерции × Lamoda — работа с реальными данными Lamoda, применение ML для бизнес-задач и возможность попасть на стажировку в компанию

Для тех, кто хочет учиться из любой точки мира, есть онлайн-формат: основной трек и продвинутый — для специалистов с опытом в ML. Это полноценная альтернатива офлайну с теми же преподавателями и курсами.

Магистратура в ЦУ — это 2 года обучения, которое можно совмещать с работой, и диплом государственного образца. Карьерная поддержка начинается еще во время учебы: консультации, тренировочные собеседования и помощь с трудоустройством. Студенты уже в процессе обучения выходят на новые позиции или повышаются в грейде в Яндексе, Авито, Т-Банке и других компаниях.

🏆Поступление проходит через грантовый конкурс — это одновременно способ попасть на программу и возможность выиграть финансовую поддержку на все время обучения: грант покрывает до 75% стоимости.

В 2026 году доступно 550 грантов на все программы магистратуры. Подробнее о программах и условиях участия в конкурсе — по ссылкам:

➡️Офлайн программа
➡️Онлайн программа

🚀 Cognition уже обсуждает оценку выше $40 млрд - всего через 3 месяца после раунда при $26 млрд

По данным Bloomberg, новый раунд может превысить $1 млрд. При этом годовой темп выручки Cognition приближается к $1 млрд - получается оценка примерно в 40 годовых выручек.

Ещё в мае компания сообщала о $492 млн annualized revenue run rate. Если показатель действительно приблизился к $1 млрд, рост всего за несколько месяцев составил около 103%.

Отдельно впечатляет Devin: enterprise-использование росло примерно на 50% месяц к месяцу на протяжении шести месяцев.

Рынок AI-кодинга продолжает разгоняться, а инвесторы, похоже, готовы платить огромную премию за тех, кто уже превращает агентов в реальный бизнес.

https://www.bloomberg.com/news/articles/2026-08-12/ai-startup-cognition-in-new-funding-talks-at-40-billion-value