#дайджест Дайджест AI/ML за неделю 20–26 июля 2026 Anthropic: Claude Opus 5 Модель почти уровня Fable 5 в 2 раза дешевле и без настолько драконовских ограничений по безопасности, хотя ее тоже переключает на Opus 4.8 если вы делаете что-то подозрительное. На CursorBench отстает от Fable на 0.5%, на Frontier-Bench больше чем вдвое обгоняет Opus 4.8. Контекст 1М, выход до 128К, есть fast mode в 2.5 раза быстрее и в 2 раза дороже. Opus 5 теперь дефолт для Max и самая умная модель в Pro, доступна в приложениях, Claude Code и API. Блогпост Black Forest Labs: FLUX 3 FLUX теперь не только картинки. Модель обучена на изображениях, видео и аудио. Генерирует и редактирует изображения, видео до 20 секунд со звуком и предсказывает действия для роботов.  FLUX 3 Image и Video доступны только в early access через API, цены пока нет. Открытый мультимодальный FLUX 3 Dev обещают потом. Блогпост, FLUX 3 × mimic OpenAI: GPT-5.6 Sol взломала Hugging Face Во время тестирования GPT-5.6 Sol и еще более умная внутренняя модель сбежали из песочницы ради ответов на тест. Нашли zero-day в прокси, добыли доступ в интернет, вскрыли продакшен базу Hugging Face, после чего всех превратили в скрепки атаку остановила агентная система HF на Kimi K3. отчет Hugging Face, Разбор OpenAI Poolside: Laguna S 2.1 Открытая кодинг-модель 118B-A8B с контекстом 1М, thinking/no-thinking и весами от BF16 до NVFP4. На Terminal-Bench 2.1 набрала 70.2% против 88% у Kimi K3 и Fable 5, на DeepSWE - 40.4% против 69–70%. В общем немного хуже 300B-1Т моделей при размере 118B, на OpenRouter стоит $0.10/$0.20 за миллион токенов и $0.01 за кэш. Блогпост, Веса Alibaba: Qwen-Image-3.0 Рекламируют значимые улучшения во всякой инфографике с текстом. Обещают читаемый текст размером 10px, 12 языков, генерацию и редактирование до 2048×2048 с 1–3 референсами  по промптам до 4.5K токенов. Пока invite-only preview в Alibaba Model Studio, API на ограниченное время бесплатный. Открытых весов нет. Блогпост, API KeenTools: GeoTracker for Houdini Плагин переносит движение объекта или камеры из обычного видео прямо в 3D-сцену Houdini. Затреканный объект можно сразу использовать в симуляциях - например, заставить его расталкивать частицы или выпускать дым. Плагин также сам оценивает фокусное расстояние и зум камеры. 3D-модель объекта нужно подготовить самим, но если высокая точность не нужна, машину обещают затрекать даже обычным кубом. 15 дней бесплатно, дальше $19.99 в месяц или $95.94 за первый год по стартовой скидке. Страница продукта Google: Frozen v2 Говорят Google делает отдельный серверный чип, в котором прямо в кремний зашита часть архитектуры Gemini. Изначально хотели зашивать веса, но релизы моделей раз в месяц мешают такому подходу. Ожидают 6-10х инференс и хотят начать использовать в 2028г. Это все утечки из The Information от сотрудников, а не данные от самого гугла, так что цифры и сроки не точны, но работа в этом направлении явно ведется. Статья The Information Менее значительные релизы: Qualcomm: MobileWan - Wan2.2-5B запихнули в телефон: 5 секунд видео 480×832 при 16 fps генерируются за 20 секунд, VBench 83.79. Проект Google: Gemini 3.6 Flash и 3.5 Flash-Lite - гугл расстраивает нас очередным минорным релизом. 3.6 Flash тратит на 17% меньше выходных токенов за тот же результат чем 3.5 Flash, вторая выдает около 350 токенов/с за $0.30/$2.50. У обеих контекст 1М. Блогпост Lightricks: LTX-2.3 Clean Plate - IC-LoRA для удаления людей, машин и других динамических объектов из видео с восстановлением фона. Веса

✔️ Vals-Smith: оценивайте модели на своей кодовой базе Независимая бенчмарк-платформа Vals представила Vals-Smith - инструмент для автоматической генерации кастомных бенчмарков на основе кодовой базы пользователя. Vals-Smith позволяет тестировать модели и агентов на специфике собственных проектов, не полагаясь на публичные лидерборды. Инструмент поддерживает открытые и приватные репозитории. Система анализирует GitHub-репозитории и извлекает задачи из принятых PR. Каждое задание включает описание проблемы, скрытые проверки и воспроизводимую среду. Модель получает код до внесения правок (сам патч скрыт). Для успешного решения испытуемая должна пройти скрытые тесты и не нарушить существующую логику приложения. Доступ к платформе выдается по заявкам. Есть демо-результаты тестирования популярных моделей на задачах из исходников Linux, Next.js, SGLang и Spark. @ai_machinelearning_big_data #news #ai #ml

📌Подстраивается ли модель под того, кто её оценивает? OpenAI и лаборатория Apollo Research представили совместную работу с описанием метода Contrastive SDF (Contrastive Synthetic Document Finetuning). Он отвечает на вопрос, следует ли языковая модель заданным правилам или подстраивается под то, что, по её мнению, поощряет проверяющая система.

Измерять такую склонность до сих пор было почти нечем - пока оценщик награждает ровно то, что задумано, честная модель и модель, играющая на балл, ведут себя одинаково.

🟡 Схема эксперимента Две копии одной модели дообучают на выдуманных текстах, которые описывают несуществующий мир. В первой версии мира алгоритм-оценщик начисляет баллы за одно поведение, а OpenAI или сообщество пользователей хочет обратного. Во второй версии предпочтения меняют местами. На каждую версию уходит около 4600 документов, примерно 10 млн токенов. Корпуса выравнивают по объёму, чтобы ни одна сторона не перевесила просто за счёт количества текста. Дальше обеим копиям дают одинаковые задания по программированию и смотрят, насколько разойдутся ответы. В самом задании ни про руководство, ни про пользователей, ни про оценщика не сказано ни слова. Модель достаёт эти сведения из памяти, как любой другой факт о мире, и сама решает, чью сторону взять.

Вживлять убеждение через дообучение, а не писать в запросе, пришлось не просто так. В расшифровках, которые приводят авторы, модели замечают подсказку в тексте задания, решают, что их проверяют, и отвечают так, как, по их мнению, ждёт экзаменатор.

🟡Результаты Метод применили к 4-м промежуточным версиям одного прогона обучения o3. Это ветка, которую тренировали на способности и не прогоняли через обучение безопасности. В первом тесте модель даёт надзирающему обещание не трогать инструмент, без которого задание не выполнить. Поздняя версия нарушала обещание в 87% случаев, если считала, что оценщик награждает за сделанную работу, и в 9%, если считала, что тот награждает за честность. У ранней версии разрыв скромнее: 40% против 24%. Второй тест, с подделкой отчётности, дал ту же картину: 91% и 39%. 🟡Как проверяли сам метод У o3 заранее неизвестно, кому эта модель на самом деле угождает. Поэтому измерение обкатали на копиях с известными повадками. Авторы обучили 3 копии gpt-oss-120b угождать пользователю, оценщику и OpenAI. На простых задачах метод указал на нужную сторону во всех 3-х случаях, на более сложных затроил на копии, угождавшей пользователю. Ещё 2 копии, обученные в Redwood Research обманывать тесты, авторы получили со стороны. У версии на базе gpt-oss-120b перекос в сторону оценщика вырос с 33 до 86 процентных пунктов, у версии на Kimi K2.5 - с 2 до 15. 🟡Вывод

Высокий балл на тестах безопасности не равен надёжности. Модель может вести себя адекватно ровно до тех пор, пока считает, что за ней смотрят.

@ai_machinelearning_big_data #AI #ML #LLM #Research #Alignment #OpenAI

Maths, CS & AI Compendium: бесплатный учебник для будущих AI/ML-инженеров На GitHub завирусился большой open-source компедиум по математике, computer science и AI. Сейчас у проекта уже около 6.3K звёзд. Автор позиционирует его как «нестандартный учебник» для практиков: меньше сухой нотации, больше интуиции, связей между темами и реального контекста. Внутри 20 глав: * векторы, матрицы, calculus * статистика и вероятность * machine learning и deep learning * NLP, computer vision, audio/speech * multimodal learning и autonomous systems * GNN, OS, алгоритмы * production engineering, GPU/SIMD * AI inference, ML systems design и applied AI Отдельно есть MCP server, чтобы Claude Code, Cursor, VS Code и другие AI-ассистенты могли использовать компедиум как локальную базу знаний. Хороший ресурс для тех, кто хочет не просто «выучить ML», а собрать фундамент: математика → CS → ML systems → современный AI. GitHub: https://github.com/HenryNdubuaku/maths-cs-ai-compendium thub.com/HenryNdubuaku/maths-cs-ai-compendium

Исследователи дали coding agent задачу собрать training environment и научить vision-модель считать цветные звёзды. С ограничением по времени. Агент работал через autoresearch-пайплайн на NeMo RL, NeMo Gym и reusable skills. Он сам поднимал окружение, запускал обучение, проверял результаты и двигал эксперимент дальше, пока исследователь только направлял процесс. Результат: Qwen3-VL-2B поднялась с 25% до 96.9% accuracy на задаче подсчёта цветных объектов. Агент ведёт исследовательский цикл: * собирает среду * запускает обучение * оценивает модель * анализирует результат * предлагает следующий эксперимент И вот это уже похоже на будущее ML-разработки: человек задаёт направление и критерии, а агент берёт на себя рутину вокруг экспериментов. https://developer.nvidia.com/blog/how-to-run-an-autoresearch-workflow-with-rl-agent-skills-and-nvidia-nemo/?linkId=100000430716000

📌 Как дотянуть компактную модель до уровня гигантов посттрейном AI-подразделение китайского производителя электромобилей Lixiang опубликовало интересную работу о том, как они оптимизацией насыщали компактную модель доменными знаниями.

Mach-Mind-4-Flash - итоговая MoE-модель на 35 млрд общих 3 млрд активных параметров на базе Qwen3.5-35B-A3B.

Проблема, от которой Li Auto отталкивались, состоит в том, что если учить одну модель с подкреплением сразу на смеси наград (математика, код, агентные задачи), то появляются качели - подтянули одно, просело другое. Решение - разделить этапы и области знаний. Сначала независимо обучили более десятка RL-экспертов, каждого в своём домене: математика, код, текст, безопасность, поиск, работа с инструментами. Каждый эксперт получил свои данные, свои проверяемые награды и свою стратегию обучения. Дальше самое интересное - как собрать экспертов обратно в одну модель. Для этого использовали методику MOPD, которую взяли у Xiaomi.

Это мультиучительская дистилляция на собственных генерациях ученика, где каждый обучающий пример по ключу маршрутизации уходит к "своему" замороженному эксперту, и тот через reverse-KL на уровне токенов подтягивает распределение ученика к своему.

Агентные навыки эксперты осваивали в исполняемых песочницах - там модель читает файлы, правит код, запускает тесты, видит ошибки и продолжает с их учётом. Масштаб сред - более 190 предметных областей с сохранением состояния, свыше 3,5 тыс. интерфейсов инструментов, траектории программных задач до 300 шагов при контексте 256 тыс. токенов. 🟡Работает ли слияние? И да и нет. Следование инструкциям сохранилось целиком, а на агентных бенчах ClawBench и ClawEval итоговая модель даже обошла отдельных экспертов. Но на SWE-bench Verified результат просел с 73,80 у эксперта до 71,10 у модели.

Предполагают, что узкоспециализированное поведение в длинных задачах кодинга при дистилляции смазывается.

Финальный штрих - HMPO, собственная механика Li Auto, которая следит, чтобы модель не увлекалась в цепочках рассуждений.

Бюджет длины CoT берётся из медианы правильных ответов в группе, награду получают только верные и при этом более короткие решения, а награда собирается умножением (короткий, но неверный ответ получает строгий 0, что закрывает лазейку для взлома награды).

На выходе HMPO получается сокращение длины генерации на 19–46% при потере точности не более 0,7%, причём обучение шло только на математике, а эффект перенёсся на код и другие задачи. Правда пока это работает только для одношаговых рассуждений, к многоходовым агентным траекториям его ещё предстоит адаптировать. 🟡Итоги 92,7 на AIME'26 - тут отстает от триллионной Kimi-K2.5 меньше чем на пункт; 82,8 на IFBench - первое место с большим отрывом, ближайший конкурент Qwen3.5-122B; 75,8 на BFCL-v4 - второе место после MiMo-V2-Flash, при этом лучше чем Qwen3.5-122B и Kimi-K2.5. Можно сказать, что результаты на уровне куда более крупных моделей. К сожалению, планы по публикации модели неизвестны, но возможно мы просто почувствуем её в следующих поколениях электромобилей Lixiang. 🟡Arxiv @ai_machinelearning_big_data #AI #ML #LLM #Optimisation #RL #LiAuto

👀 «Тейк о том, что айтишная база больше не нужна, а нейросеть все сделает по промпту — опасная иллюзия». Пока индустрия переживает из-за того, что ИИ всех заменит, руководитель ML-направления ШАДа Валентина Бронер уверена в обратном: разработчики без работы не останутся, но вот их задачи станут сложнее. Она дала большое интервью для A-List — вроде списка Forbes «30 до 30», но для всех возрастов и от SETTERS Media. Краткий пересказ:

• Роль разработчика меняется: это больше не человек, который просто пишет код по ТЗ, а скорее продакт-менеджер с глубоким знанием кода, который управляет своими «стажерами-агентами» и разбирается в бизнес-задачах.

• ИИ отлично собирает прототипы, но с архитектурой и читаемостью кода всё плохо — поддерживать чисто агентский код тяжело.

• Скорость изменений в ML такая, что программы в ШАД обновляют на 20–100% к каждому новому циклу обучения — рынку сейчас нужны гибкие спецы, готовые к постоянному дообучению.

Полный текст читаем — тут. @notboring_tech

Mamba: архитектура, которая шла убивать трансформеры В декабре 2023 по ML-тусовке прокатились заголовки в духе «трансформерам конец». Повод дали два исследователя со статьёй про архитектуру Mamba, внутри которой не было того самого attention, на котором держится весь современный тир-лист нейронок. И при этом она жевала длинные тексты в несколько раз быстрее трансформера и на меньшей памяти. Вместо того чтобы сверять каждый токен с каждым за квадратичную цену, она ведёт одно бегущее состояние и на лету решает, что впустить, а что отбросить как шум. Спойлер, который спустя столько времени уже не спойлер: трон трансформеры не потеряли. Но история кончилась не тем, что очередной хайп-трейн не взлетел. Пока все спорили, кто кого, индустрия сделала третий ход, которого никто не ждал.

Как понять, нужен ли вашему продукту ИИ (часть 2) В прошлый раз мы рассмотрели подробно, в каких задачах хорошо себя показывают ML, LLM, RAG и ИИ-агенты — удобная сравнительная таблица на слайде 1. Но выбор решения должен исходить из стратегических вопросов. Разберем фреймворк, который помогает точно выбрать подходящую ИИ-технологию или инструмент для вашего контекста. ❌ Частые ошибки при поиске ИИ-решения для продукта: — Выбирать модель раньше, чем продумали работу с данными: какие данные есть, хватит ли их, где они лежат, как получить к ним доступ? Этот этап занимает много времени, и если не оценить заранее его трудоемкость, можно сильно сдвинуть сроки. — Считать, что любая ИИ-функция должна отвечать мгновенно. На самом деле далеко не всегда — например, классификацию пользователей достаточно проводить раз в месяц. Работа в реальном времени резко повышает стоимость решения, поэтому такой режим стоит использовать только там, где он действительно необходим. — Надеяться на решение комплексной задачи одним инструментом. Если загрузить весь объем данных в одну модель, то результат будет в большей или меньшей степени состоять из галлюцинаций. — Запустить и забыть. Модель на проде нужно дообучать и переобучать в случае применения к другим продуктам, даже в схожих контекстах. ✅ Этапы использования ИИ в продукте 1️⃣ Четко сформулируйте бизнес-задачу, которую хотите решить с помощью ИИ. Она должна быть: — актуальна и значима для компании (автоматизация, сокращение времени); — иметь измеримые последствия (деньги, время, ресурсы). Для отслеживания прогресса сразу стоит: — определить ключевую метрику; — нарисовать схему процесса As Is → To Be. 2️⃣ Переведите бизнес-задачу в задачу для ИИ. Классический ML — К какому типу ML-задач относится ваш кейс? — Что будет являться целевой переменной, что модель должна предсказывать? — В чем бизнес-смысл этого предсказания? — На каком этапе бизнес-процесса будет использоваться модельное решение? — Какие математические метрики будут проверять качество модели? Генеративные модели — Какой тип генеративной архитектуры вы используете — LLM (GPT-подобная), diffusion, VAE, GAN или гибрид? — Что именно должна генерировать модель и по каким правилам? — В чем бизнесовая ценность этой генерации? — На каком шаге пользовательского/операционного процесса запускается генерация? — Какими метриками будете мерить качество вывода? 3️⃣ Подготовить данные. — Какие данные планируется использовать для обучения модели? Какие ключевые признаки? — На какую дату признаки должны собираться? Будут ли к этой дате известны показания по всем признакам? — Требуются ли внешние источники данных? — Требуются ли дополнительные действия для сбора данных? — Есть ли ограничения по использованию данных/моделей? — Можно ли отправлять данные за контур компании в вендорское решение? — За какой период (срок наблюдения) собираются данные? — Все ли данные уже есть в промышленных системах, или потребуется дополнительное подключение? 4️⃣ Выберите режим для модели. — Как часто будет работать модель: Batch — раз в день/неделю/месяц. Online — в момент действия пользователя. — Как часто нужно делать предсказание? — Есть ли требования к скорости ответа? 5️⃣ Продумайте внедрение в продукт. — Как модель будет интегрирована в бизнес-процессы и существующую архитектуру? — Требуется ли API или встраивание в существующие сервисы? — Нужно ли менять интерфейсы или бизнес-логику продукта? — Кто отвечает за поддержку и обновление модели после внедрения? — Как будет организована обратная связь от пользователей для улучшения качества предсказания? 6️⃣ Запланируйте регулярный мониторинг. — Какие метрики качества будут отслеживаться? — Как будет происходить мониторинг деградации модели? — Кто отвечает за реакцию на падение качества? — Как часто планируется переобучение модели? — Есть ли процесс аварийного отключения модели и возврата к ручному процессу? — Как будут учитываться требования по безопасности и хранению данных в эксплуатации? 7️⃣ Постройте систему метрик (слайд 5). В ней важно учитывать: — продуктовые метрики — от менеджера продуктов и бизнеса; — ML-метрики — от дата-сайентиста; — метрики связи продукта с ML. Только после этого имеет смысл выбирать между классическим ML, LLM, RAG или агентной архитектурой. И иногда правильным ответом окажется вовсе не генеративный ИИ. По мотивам мастер-класса «Нужен ли вашему продукту искусственный интеллект?» Михаила Войтко на ProductSense’25 💙 VK 🖤 YouTube @productsense

Покатался на яхте в Американской глубинке После переезда в Калифорнию произошло неожиданное событие - я узнал, что тут у меня есть родственники. Ещё перед Первой Мировой часть моих родных немцев с Поволжья собрала чемодан и поехала за океан. Среди них был и брат моей прабабушки, сваливший в 1913 году. Сначала в Канаду, оттуда в Винконсин, и затем уже в Калифорнию, узнав, какая там погода. Он поселился в одном из мелких городов Центральной Долины (совсем не Кремниевой), в то время наполовину заселенном русскими немцами. Оставшихся в России ждали 30 лет весёлых приключений, закончившихся депортацией в Сибирь, а он смог продолжить делать, что умел - выращивать полезные растения. Его потомки занимаются этим и по сей день. Как раз его правнук, мой четвероюродный брат, и дал о себе знать. Мы с женой поехали к ним на вечеринку по поводу 250-летия США и окунулись в местную жизнь. С утра сходили на ежегодный "завтрак" - половина города собралась в парке и поедала выдаваемые панкейки - по заверениям, кто-то из семьи не пропустил ни один за последние 50 лет - консистентность, которой можно лишь завидовать. Потом нас повезли на ферму. Показали технику, немного напоминающую орудия пыток, которой собирают урожай. Так как я не в курсе, на каком уровне технологический прогресс в с/х, был удивлён тому, что до сих пор задействовано огромное количество ручного труда. Дядя сказал, что инженеры десятилетиями пытались соорудить шайтан-машину, правильно собирающую спаржу, но только сейчас с внедрением ML это кое-как начинают выкатывать в прод. Сельское хозяйство, к сожалению моего брата, не является бизнесом с высокой маржинальностью. Если у вас своя огромная ферма, то на ней нужно работать по 60+ часов в неделю, решая бесконечное разнообразие вопросиков - от первой помощи трактору до настройки клапанов между водоканалами, ну и управлять армией рабочих на нескольких фронтах. Если на все эти задачи нанять сотрудников, то бизнес будет работать примерно в ноль. Фермеры из Калифорнийской глубинки преимущественно не любят государство и демократов. Оно и понятно - мелкие производители не фанатеют от бюрократических паразитов. В отличие от совков, они понимают, что МРОТ наносит больше вреда, чем пользы. Показательной была следующая история. Местный жэк начал ремонтировать мост через речку. На подобные проекты в Калифорнии нанимают специально обученного биолога, задача которого - следить, чтобы никто не обидел матушку-природу. Однажды он сказал полностью приостановить процесс строительства, потому что... птица там свела гнездо. Когда левачьё будет говорить, что государство должно владеть долей в AI, обращаю внимание, что оно уже взяло мою долю в AI и потратило на этого биолога. После фермы мы поехали на семейно-соседскую тусовку в дом моего дяди. На ней мы выполняли роль цирковых обезьянок, потому что нечасто к ним приезжают новые люди, ещё и чужеземцы, ещё и объявившиеся родственники. Чтобы вы понимали тесноту сообщества - за столом сидел доктор, принимавший роды сына другого чела за столом, в то время как отец этого доктора принимал роды его самого. Ну и там все между собой связаны примерно в такой же степени. У дома большой участок - пара десятков соток, прилегающих к реке. На территории прорыт канал и построена пристань, на которой припаркована большая лодка. Не как у Усманова, конечно, но вполне себе - около 10 сидячих мест с тканевой крышей. В качестве культурной программы мы с группой отправились в плавание, наслаждаясь видами и изучая соседей, кто чем занимающихся на этой реке. В общем, доволен своим визитом в параллельную вселенную. Из минусов - теперь тоже хочу дом у реки, но хотелка пока не выросла. @knowledge_accumulator

📌 Anthropic описали способ отключать потенциально опасные знания в моделях Компания опубликовала результаты исследования о том, как управлять доступом к знаниям двойного назначения в больших языковых моделях. Работу выполнена в сотрудничестве с AE Studio.

Речь идёт об информации, применимой и во благо, и во вред. Например, знания по кибербезопасности помогают закрывать уязвимости, но и находить их для атак, а сведения из вирусологии нужны как разработчикам вакцин, так и тем, кто захотел бы создать опасный патоген.

🟡 Предложенный метод назвали GRAM К каждому слою нейросети добавляются дополнительные нейроны, сгруппированные в отдельные модули - по одному на каждую чувствительную тему. Во время обучения тексты из такой темы, скажем вирусологии, обновляют только соответствующий модуль, тогда как общие знания модель использует, но заново не переучивает. После обучения модуль можно удалить и вместе с ним исчезает и сама способность. Либо оставить для узкого круга пользователей, которым эти знания нужны по работе. 🟡 Метод актуален, потому что нынешние средства защиты несовершенны Обучение отказам и классификаторы, отсеивающие опасные запросы, не меняют того, что модель знает, и их можно обойти через джейлбрейк. Другой подход, фильтрация обучающих данных, убирает знания, но требует обучать отдельную модель под каждый набор ограничений, что для топовых моделей слишком дорого. GRAM, по замыслу, должен давать эффект множества по-разному отфильтрованных моделей ценой одного цикла обучения - в экспериментах с 4 категориями одна модель настраивалась 16 способами. 🟡Тесты Метод проверили в трёх условиях: синтетическом наборе детских рассказов, на модели с 800 млн параметров, обученной на смеси веб-текстов, кода и научных статей, и на 7 моделях размером от 50 млн до 5 млрд параметров. По результатам, удаление модуля убирало соответствующую способность почти так же полно, как если бы модель на этих данных вообще не обучалась, и при этом не ухудшало общие показатели. При этом защита устояла перед попыткой восстановить знания дообучением на токсичных данных, тогда как отдельный метод разучивания знания лишь подавлял, и их удавалось вернуть. 🟡Дисклеймер

GRAM не применялся ни к одной из рабочих моделей Claude, и в Anthropic не уверены, что это вообще произойдёт. Есть нерешённая проблема - некоторые полезные знания могут быть настолько переплетены с опасными, что чётко разделить их не удастся ни этим методом, ни фильтрацией.

Код, скрипты анализа и метрики выложили на GitHub. Обучающие данные (токенизированные наборы и корпус научных статей по двойным темам) доступны на Hugging Face. @ai_machinelearning_big_data #AI #ML #LLM #Alignment #Research #Anthropic

Как понять, нужен ли вашему продукту ИИ (часть 1) Кажется, что в каждый продукт нужно встраивать ИИ — иначе за рынком не успеть. Из-за этого команды нередко начинают обсуждать модели и архитектуру раньше, чем отвечают на более важный вопрос: какую задачу вообще нужно решить? Разберемся, как подойти к поиску решения системно и выбрать технологию, которая действительно выполняет задачу, а не просто добавляет в продукт модное слово «ИИ». Не выбирайте решение, пока не ответите на вопрос: «Какую бизнес-метрику мы хотим изменить?» Практика крупных компаний показывает: далеко не каждый ИИ-проект приносит измеримый результат. Поэтому прежде чем обсуждать решения и конкретные модели, стоит понять, есть ли у проекта понятный экономический эффект: ➡️ увеличить конверсию; ➡️ поднять продажи; ➡️ сократить время обработки документов; ➡️ снизить трудозатраты операторов. Пока нет ответа на этот вопрос, обсуждать GPT, Qwen, RAG или ИИ-агентов просто рано.

Не всякая задача требует LLM

Сегодня слово «ИИ» почти автоматически ассоциируется с генеративными моделями. Но это лишь одна из технологий, которая не всегда релевантна задаче. Разберем, в каких случаях используются разные решения. ML = машинное обучение Если задача сводится к прогнозу, классификации или рекомендациям: ➡️ спрогнозировать спрос, успешность продажи, нагрузку контакт-центра; ➡️ оценить вероятность покупки или отмены доставки; ➡️ определить риск оттока; ➡️ сегментировать пользователей; ➡️ расставить клиентов контакт-центра по приоритету. Это типичные задачи, где классический ML дешевле, стабильнее и понятнее в эксплуатации. LLM = большие языковые модели Если необходимо работать с большим количеством текста: ➡️ анализировать документы; ➡️ искать информацию; ➡️ готовить саммари; ➡️ менять тональность коммуникации; ➡️ генерировать ответы или код. При этом важно помнить, что LLM — это не база знаний. Она умеет очень убедительно продолжать текст. Но если нужной информации нет в обучающих данных или она устарела, модель начинает достраивать ответ самостоятельно. Отсюда и появляются галлюцинации. RAG = поисковая дополненная генерация LLM, которая для ответа может обращаться к заданным источникам данных. Полезна, когда нужна точность с опорой на собственную базу знаний: ➡️ответ по внутренним регламентам и процессам; ➡️помощь на встречах по вопросам о продуктах; ➡️поддержка. Дообучать LLM на общедоступной информации излишне дорого. Кроме того, весь открытый интернет уже давно оказался в обучающих выборках крупнейших моделей — это означает дефицит качественных данных. Поэтому компании чаще используют RAG — модели дают доступ к корпоративным источникам: базе знаний, Confluence, Jira, CRM, регламентам и другим документам. В результате она отвечает на основе актуальной информации, может ссылаться на источник и значительно реже ошибается. ИИ-агент Ключевое отличие: чат просто отвечает, а агент планирует и выполняет действия через подключенные сервисы.

Пользователь собирается в отпуск: один агент может подобрать тур, второй — найти и купить билеты, третий — добавить поездку в календарь и отправить подтверждения на почту.

Команда небольших специализированных агентов, оркестрируемых верхнеуровневым «координатором», во многих сценариях оказывается эффективнее, чем попытка собрать одного универсального помощника. А еще они быстро развиваются, и управление ими становится проще. В следующей части разберем частые ошибки при поиске ИИ-технологии. И фреймворк, который поможет сделать правильный выбор. По мотивам мастер-класса «Нужен ли вашему продукту искусственный интеллект?» Михаила Войтко на ProductSense’25 @productsense

📌 Лауреаты ICML 2026 Организаторы Международной конференции по машинному обучению опубликовали список работ, удостоенных наград этого года.

ICML считается одной из ведущих мировых площадок в сфере искусственного интеллекта, а её премии - заметным профессиональным признанием.

Лауреатов основной категории выбирали в несколько этапов - из 53 первоначальных кандидатов отобрали короткий список из 22 работ, которые затем в анонимизированном виде оценивал комитет из 11 человек. 🟡 Высшую награду в категории "Выдающиеся статьи" разделили 2 статьи The Flexibility Trap оспаривает распространённое мнение о диффузионных языковых моделях о том, что свобода выбирать порядок генерации текста, которую принято считать достоинством таких моделей, в задачах на рассуждение, наоборот, ухудшает результат. High-Accuracy Sampling for Diffusion Models and Log-Concave Distributions показывает, что диффузионные модели способны достигать высокой точности за существенно меньшее число вычислений. 🟡Отдельно отмечены работы, отстаивающие определённую точку зрения Лучшей признана статья Сары Болл и Фила Хакеманна, в которой утверждается, что элайнмент ИИ, создаваемый ради безопасности, может применяться и для цензуры. Почётного места удостоена работа Ли Цивэя и соавторов про то, что изучение дипфейков недостаточно учитывают проблему создания интимных изображений без согласия людей. 🟡Ещё 5 статей получили упоминания в основной категории 🟠Как модели обходят «детекторы лжи» при обучении; 🟠Отбор обучающих данных для генерации видео; 🟠Пределы запоминания данных языковыми моделями; 🟠Объяснение того, почему разные диффузионные модели выдают схожие результаты; 🟠Анализ эффекта грокинга, когда модель сначала запоминает обучающие примеры, а обобщать, то есть верно работать на новых, ранее не встречавшихся данных, начинает гораздо позже, если обучение продолжать. Премию Test of Time, отмечающую вклад с долгосрочным влиянием, присудили работе за авторством коллектива DeepMind под руководством Владимира Мниха. Она предлагает метод асинхронного RL, который повлиял и на обучение больших языковых моделей. @ai_machinelearning_big_data #news #ai #ml

Новый пост готовиться, а пока #дайджест Дайджест AI/ML за неделю 29 июня – 5 июля 2026 Что происходило в мире в перерывах между пятичасовыми сессиями с Fable Anthropic: Claude Sonnet 5  Перформанс не драматично хуже Opus 4.8 при цене $2/$10 до 31 августа, дальше $3/$15 (Opus — $5/$25). Агентный кодинг 63.2 против 69.2 у Opus 4.8 и 58.1 у Sonnet 4.6, на knowledge work Опуса даже слегка обходит. В Claude Code теперь дефолт с нативным 1M контекстом. Идиллию портят только то что чтобы добиться качества Opus 4.8 нужно потратить настолько больше токенов, что выйдет дороже. Блогпост, System Card Alibaba: Qwen-AgentWorld Все тренируют агентов действовать в окружении - Qwen натренировали модель быть окружением. World model предсказывает, что вернёт среда на действие агента: терминал, поиск, MCP, SWE, Web, OS, Android — всё в одной модели, обученной на 10M+ реальных траекторий. Профит: симулятор для агентного RL (включая полностью выдуманные миры, где агент не может читерить parametric-знаниями) и warm-up, улучшающий агентов даже без агентного файнтюна. В опенсорсе 35B-A3B (Apache 2.0), флагман 397B-A17B на их собственном бенчмарке обходит GPT-5.4 (58.71 vs 58.25) - бенчмарк, правда, их же. Блогпост, GitHub Fal.ai: LoRA для TRELLIS.2 Fal завезли LoRA-тюнинг для 3D-генерации: TRELLIS.2 теперь можно дообучить под свой стиль или тип объектов и гонять инференс с кастомной лорой у них же. Если делаете ассеты пачками под один арт-стиль - это ваш день. Тренер, Инференс Anthropic: Claude Science Claude Code для биотеха. Попытка, сделать харнесс, который упорядочит зоопарк из PubMed, Jupyter, R и десятка биобаз со своими схемами. Внутри координирующий агент со специализированным набором скиллов. Блогпост Comfy: официальный MCP Агент на естественном языке ищет модели и темплейты, собирает и запускает воркфлоу, генерирует картинки/видео/аудио/3D. Воркфлоу шарятся по URL и воспроизводимы. Блогпост, Доки Google: Nano Banana 2 Lite Самая быстрая и дешёвая модель семейства: <4 сек на генерацию (было ~20), $0.034 за картинку. Заодно до API доехала Gemini Omni Flash - генерация и разговорное редактирование видео до 10 сек за $0.10/сек. Блогпост, Nano Banana 2 Lite Proton: Lumo 2.0 Приватный ассистент от швейцарской компании пересобрали: thinking-режим, мультимодальность, веб-поиск, память - всё под zero-access шифрованием. До фронтира очень далеко, но на фоне июньских приключений Anthropic с правительством США питч Европейского суверенного™ ИИ продаёт себя сам. Блогпост Base44: Base1 Vibe-coding платформа от Wix первой в классе съехала со съёмного жилья: своя модель Base1 вместо API. RL-файнтюн открытой модели на десятках миллионов взаимодействий с платформы, мотивация - счета за Opus при $150M ARR. Ждём, последуют ли Lovable и ко. TechCrunch Princeton: CEO-Bench агент получает $1M и рулит симулированным SaaS-стартапом 500 дней. В плюсе финишировали только Fable 5 ($47.15M), Opus 4.8 и GPT-5.5; rule-based скрипт без LLM заработал $15.76M и обошёл остальных. Статья, GitHub NVIDIA ввела revenue share для AI-облаков: кредитная поддержка и выкуп простаивающих GPU в обмен на процент с облачной выручки. Лопаты на лихорадке плюс доля с прииска. Блогпост cardiag - прикольный опенсорс недели: Модель для диагностики авто по звуку работы. GitHub Akrites - Linux Foundation запустили орган координации устранения уязвимостей в опенсорсе. Котелок агентного ИИ находит уязвимости слишком быстро. Мейнтейнеры тонут в дублях репортов, а каждый сидящий на непатченной дыре повышает шанс утечки. Akrites - точка координации находок для практически всего американского бигтеха. Кстати акриты это стражи границ Византии, красиво. The New Stack

Про Google (часть 1) На днях вернулся из путешествия, где я в числе прочих мест посмотрел, что там с офисом Google в Париже, где я работал (фото главного входа в офис прилагаю, как видите, стоит). Вспомнил, что меня просили написать про опыт, как попал, что там делал. Тут напишу только про свой опыт собесов. Гугловский процесс в целом похож на любой другой бигтехе, разве что могут быть небольшие отличия: 1) первичное знакомство с рекрутером 2) основные секции: алго, (ml) system design, cultural fit 3) выбор команды Про знакомство особо писать нечего, я просто лампово поговорил с рекрутером про меня, мой опыт и цели. Из полезного могу лишь сказать, что я подавался тут, а на секции я просто пересказал свое CV и описал позицию, на которую отправил запрос. Отдельного хотел бы уделить внимание на алгосах. У меня их было минимум 4 секции. Алгособесы на мой взгляд сильно отличаются от Яндекс/ВК/Авито/Амазон. Основные сложности — лимит по времени и ожидания от кандидата. Каждое собеседование длится 45 минут, за это время надо решить 2-3 задачи. Две на хорошо, три на отлично. Задачи у меня на этапах были связаны друг с другом и отличались ме собой только дополнительными усложнениями. К примеру, если код для первой задачи был хорошо написан, то им можно было решить и вторую. Последняя же модификация всегда была со звездочкой, и я часто не успевал ее решить полностью. Так как времени мало, надо писать код и одновременно с этим говорить на английском, мне было очень нетривиально укладываться выделенное время. Много времени уходило что и как говорить. Критично это было для различных терминов из (пост-)советской школы и их аналогов на английском. Все еще надеюсь, что когда я сослался на одном из собесов на теорему Понтрягина-Куратовского, меня правильно поняли :) Но интервьюеры часто шли встречу. Так, один из собесов у меня вертелся вокруг задачи с поиском подстрок. Когда выдали последнюю модификацию я понял, что правильный способ ее решить — использовать алгоритм Ахо-Корасика. Но за оставшиеся 15-20 минут я не смог бы его реализовать без ошибок, прямо так на собесе и сказал. Мы договорились, что я расскажу ассимптотику, идею, реализацию, и этого хватит. На другом же собеседовании, когда я не успевал дописать код для последней модификации, мне дали ещё около пяти минут чтобы закончить. После алгосекции был ML System Design. По этому этапу я совсем не увидел отличий с аналогами в других компаниях. Мне дали приятную задачу релевантную вакансии, надо было задизайнить рекламу в поиске, тут я просто пересказал свои best practices, которые получил работая в Яндексе, этого хватило :) Финальный и морально самый сложный для меня этап был behavioral. Цель была показать, что у меня и компании есть культурный match и общие ценности. Основная сложность была неопределенность, мне были непонятны ни ожидания интервьюеров, ни возможные вопросы, ни успешность секции после окончения собеса. По итогам мне показалось, что тут сильно решает общий вайб с интервьюером, и правильно ли кандидат понимает вопрос, про которые надо рассказать . Из забавного: cам процесс собеседований мне поставили на 4 дня подряд (по 1-2 собеседования в день). Большую часть времени заняло согласование оффера и присуждения мне грейда. После этого мне предложили пройти еще два доп собеседования, где были более продвинутые секции на +1 грейд, так как все этапы до этого я прошел очень хорошо. Тут я уже провалился, из-за чего фри грейдап мне не дали( Из комичного: через неделю ожидания оказалось, что все собеседования, что я описал, я проходил в локацию, куда мне не могли физически сделать визу. По итогу долгое время мне искали подходящую команду, и весь процесс от первого созвона до оффера затянуься до примерно полугода.

The art of a strong baseline За последнее время все чаще понимаю, что создать сильный бейзлайн - это не просто база, с которой нужно начинать любой ml/ai продукт, а прям полноценная часть системы. Даже когда в проде уже давно есть трансформеры и агенты, бейзлайн дает прям много метрик Вот учите вы трансформер для персональных рекомендаций (sasrec, argus, pinnerformer, hstu - неважно).  И если в лоб его применить, то вероятно получите рекомендации из истории кликов. Потому что простой бейзлайн "уже изучал товар - покажи еще раз" чаще всего почти по любым метрикам релевантности будет лучше Окей, пофильтровали историю кликов / занизили таким позитивам вес в лоссе / сделали еще что-то - получили очень-очень похожие товары на последние 30-50 действий. Вот буквально товар того же бренда-категории, но чуть другого цвета условно. А это уже похоже на другой сильный бейзлайн - realtime slim/als/ease на последних 30-50 действиях На самом деле можно еще и дальше продолжать с бейзлайнами в этом кейсе или в других. Частые бейзлайны: - Персональные рекомендации - популярное, история, уже купленное для повторных покупок - item2item рекомендациях (похожие товары) - популярные товары того же бренда в той же категории  - Поиск - tfidf/bm25. Да, даже в эру dense retrieval и search agents если аккурфтно подтюнить bm25, то можно выбить sota. Есть даже подходы на основе Sparse autoencoderse , которые позволяют генерить не эмбеды запросов/документов, а их токены - и дальше применять обычный bm25 - Прогноз временных рядов - среднее значение в тот же день недели  ↔️ Я всегда стараюсь строить сильные бейзлайны, а потом учить более сильные модели для улучшения поверх них, а не для замены. Потому что какой толк учить условный sasrec/argus для запоминания истории кликов пользователя? Пустая трата компьюта + модель тратит свою капасити на тривиальные зависимости = что-то нетривиальное (и самое полезное + ожидаемое от нее) не учит Интересно, как не только я сам, но и другие люди в в индустрии / рисерче к этому подходят: я видел очень мало подобных работ. Если есть личные опыт или ссылки на полезные статьи - кидайте, с интересом почитаю!)