ИИ

On Efficient Scaling of GNNs via IO-Aware Layers Implementations 📄 Статья 💻 Код Засветилось уже много где в русскоязычных тг-каналах про ML, но оно заслуживает отдельного разбора. Графовые нейронные сети имеют ряд небесполезных приложений — всякий там дизайн новых молекул, физика, анализ транзакций и социальных сетей. Однако их оптимизации уделялось сравнительно мало внимания по сравнению с LLM, потому существующие реализации в популярных фреймворках (DGL, PyG) далеки от оптимального потребления памяти и вычислительных ресурсов. Существенной сложностью при работе с графами являются нерегулярная/разреженная структура данных и нерегулярные паттерны доступа. И в работе наших соотечественников (Spotlight на ICML, между прочим) сделали куда более эффективную реализацию стандартных графовых операций.

Школьники, делегирующие ИИ домашку, на 20% хуже сдают экзамены Крупное экономическое исследование, охватившее почти 27 тыс. учеников 7–12 классов в Китае, зафиксировало парадоксальный эффект от использования генеративного ИИ в школе. Учащиеся, начавшие пользоваться нейросетями для выполнения домашних заданий, стали справляться с ними на 18% лучше и тратить на них на 30% меньше времени, но их оценки на контрольных экзаменах упали на 20% в течение шести месяцев. Исследователи связывают это с тем, что большинство учеников просто делегируют домашние задания нейросетям, а не используют их как репетитора. https://hightech.plus/2026/07/03/shkolniki-delegiruyushie-ii-domashku-na-20-huzhe-sdayut-ekzameni

⚡️ 30 техник памяти для AI-агентов в Jupyter notebooks Вышел репозиторий Agent Memory Techniques с 30 runnable notebooks по памяти в современных AI-агентах. Внутри собраны основные подходы: conversation buffers, vector stores, knowledge graphs, episodic и semantic memory, MemGPT, Mem0, Letta, Zep, Graphiti и production-паттерны, которые уже встречаются в реальных агентных системах. Это набор ноутбуков, которые можно запускать, менять и сравнивать между собой. Удобно, если нужно понять, чем простая история диалога отличается от долговременной памяти, где уместен vector store, когда нужен graph-based подход и как память влияет на поведение агента в длинной задаче. GitHub: http://github.com/NirDiamant/Agent_Memory_Techniques

Как я с Клодом собрал команде личный кабинет Собирался написать этот пост недели две: идея внутри горела, а я всё равно тянул — ровно потому, что фигачил как раз то, о чём хочу рассказать. Но пора перестать размышлять о вайб-кодинге и показать, что из него всё-таки удалось собрать, а то первая волна эйфории уже схлынула и вымываются те, кто ушёл в мертворождённые продукты. Но начну с контекста. У нас в Overgear, как у любой модной и прогрессивной компании, в начале года случился мощный FOMO: либо оседлаем волну AI-изации, либо из лидера тихо сползём в отстающие, потому что утонем в рутине с её нищим КПД. Поэтому наметили несколько стратегических проектов под автоматизацию и раздали инструменты всей команде — чтобы набивала шишки. На один из таких проектов позвали стороннего интегратора. Он озвучил нехилую сумму за внедрение, и у меня сразу внутри: «wtf, да я сам сделаю лучше» — и сел разбираться с Клодом. Первые потуги были неуклюжие: я только осваивал дисциплину и завалил папку проекта десятками сборок на localhost, по сути мусором. Но уже через неделю почти без усилий поднял свой VPN-сервер ускоритель интернета, который не блокируется: вся семья и друзья на нём сидят, вроде даже без перебоев и жалоб. Тут внутренний авантюрист завёлся сильнее и завёл меня в точку, где я решил замахнуться сразу на рабочий инструмент для всей команды — чтобы люди меньше времени тратили на отчётность и сбор данных, а нужные цифры вытягивали через MCP (это коннекторы нейронок с внешними сервисами вроде Google Ads, GA4, CRM) почти без ручной возни. Проще говоря, свой личный кабинет для команды. Он на скрине — цифры только замазал, так как NDA, все дела. Дальше меня затянуло как в воронку: стал по модулям собирать функцию за функцией и закрывать не только отчётность, но и рутину, которая порой съедала до 30% времени человека. Теперь у ребят вроде как больше места для творчества — мозг не выгорает на операционке. И работают тут ровно те же правила, что для любого продукта: смотришь метрики (MAU, DAU и прочие), проверяешь, даёт продукт больше пользы или больше отъедает ресурса. И где-то здесь я поймал настоящую маниакальную зависимость: пилить и пилить эту ценность, а потом проверять — стала она ценностью или ты просто потешил своё эго очередным инструментом. Побочки, как у любой зависимости, тоже налицо: меньше спишь, уходишь в это с головой и забываешь уделять время родным (Анисия, каюсь!). Спасает, кажется, одно — привычка на каждой собранной штуке спрашивать себя: пользуется ли ей вообще хоть кто-то. Кто на этот вопрос забивает, тот и клепает продукт за продуктом в стол — так и пополняется кладбище мертворождённых. Стала ли это в итоге ценностью для команды — пока честно сказать не могу, ребята только тестируют. Но одно скажу точно: нам удалось проскочить «долину смерти» и распробовать потенциал и вайб-кодинга, и более глубокой работы с данными. Так что Viva la AI лично от себя подпишу, а как с этим быть каждому — это уже сами посмотрите. А у вас как сложилось с вайб-кодингом? Удалось собрать что-то реально рабочее — или пока всё живёт на localhost? Константин Сухачев

#Нейропрожарка THE MYSTERIOUS ISLAND — тизер по «Таинственному острову» Жюля Верна Автор: Janky Mess «Таинственный остров» — моя любимая книга детства. Пятеро беглецов на воздушном шаре, остров без карты, кто-то невидимый, кто не даёт им погибнуть. Нормального фильма по ней так и не сняли, вот и собрал тизер сам — таким, каким этот мир всегда жил у меня в голове. Инструменты: — Nano Banana — генерация кадров (стиллы персонажей и сцен) — Seedance — оживление кадров в видео (через Higgsfield) — Higgsfield — площадка, где всё генерил. Годовая подписка, 6000 кредитов в месяц, на тизер сжёг около 70% — Topaz Video AI — апскейл до 4K (модель Proteus) — DaVinci Resolve — монтаж, цвет, грейд, зерно — Suno — музыка Времени ушло 4 дня. @cgevent

🐡 Еще одна интересная работа от Sakana AI, они представила работу Learning Multi-Agent Coordination via Sheaf-ADMM, которая будет показана на ICML 2026. Авторы рассматривают интеллект как распределённую систему: сложная задача делится на пересекающиеся фрагменты, а каждый агент работает только со своей частью. Затем агенты согласуют решения с соседями на границах, где их области пересекаются. В Sheaf-ADMM координация строится в несколько раундов. Сначала агент предлагает локальное решение. Потом он сверяется с соседями и сглаживает конфликтующие части. Если согласия нет, конфликт сохраняется в памяти и влияет на следующий раунд переговоров. Подход проверили на задачах, где одному агенту не хватает всей информации. В Multi-Agent Sudoku каждый агент видел только строку, столбец или блок 3×3. Sheaf-ADMM решил 93% задач, тогда как сопоставимый message-passing baseline набрал 11%. В image classification при domain shift по размеру canvas обычная CNN падала до 11% accuracy на MNIST, а метод Sakana AI сохранял 86%. В maze pathfinding Sheaf-ADMM достиг точности message-passing baseline, но использовал 5-мерный канал коммуникации вместо 42-мерного. Координация агентов полностью прозрачная. Можно видеть, как локальные агенты спорят, корректируют решения и приходят к общему результату, вместо того чтобы прятать всё в hidden states. Метод опирается на ADMM из distributed optimization и sheaves из applied topology. Метод помогает нескольким агентам решать одну сложную задачу по частям, договариваться на пересечениях и собирать итоговое решение без постоянного обмена всей информацией. Paper: https://arxiv.org/abs/2605.31005 Code: https://github.com/SakanaAI/sheaf-admm Blog: https://pub.sakana.ai/sheaf-admm/ @ai_machinelearning_big_data #ai #ml #sakana

Увидел новый опенсурс проект, который решает для агентов проблему подключений внешних сервисов через MCP и API Например вам нужно поработать с Notion через агента, и он начитает искать, есть ли у сервиса MCP, какой API, как авторизоваться. Так вот integrations.sh собирает в себе кучу сайтов и разные способы подключения к ним: 1/ MCP 2/ API и их спецификации 3/ GraphQL ендпоинты 4/ CLI утилиты 5/ Auth инструкции Всего в каталоге около 6000 интеграций У них есть свой MCP:

mcp add --transport http integrations https://integrations.sh/mcp

Или по API:

curl https://integrations.sh/api/[ДОМЕН]/detect

В итоге меньше слитых токенов, агент сразу знает как подцепиться к нужному сервису. @tips_ai #tools

Thinking Machines Миры Мурати превратила закрытую экспертную оценку Bridgewater в обучаемый навык и обошла frontier-модели, снизив число ошибок на 29.8%. В ии подавали финансовые статьи, отчёты, документы центробанков, письма. ИИ должен был определить что аналитик должен прочитать первым. Для LLM это оказалось тяжёлой задачей. При обычных промптах модели держались на уровне 46–50% accuracy, почти как угадывание. Экспертные промпты поднимали качество до 74–78%, но лучший результат дала разметка от опытных инвесторов Bridgewater. Неэкспертные метки провалились: здесь важны рыночный контекст, приоритеты и профессиональное чутьё. Один заголовок про тарифы может быть сильным сигналом, другой громкий геополитический инфоповод останется шумом. Bridgewater чистила датасет через спорные рейсы. Если модель расходилась с разметкой, пример возвращали экспертам на повторную проверку. Так в обучение попали паттерны принятия решений, которые эксперты видят интуитивно, но редко могут описать полноценной инструкцией. В обучении использовали три приёма. Во-первых, смешивали разные типы задач, чтобы модель училась применять экспертную оценку в похожих сценариях, а не запоминала один узкий шаблон. Во-вторых, аккуратно ограничивали обновления при обучении. Это снижало риск, что модель зацепится за случайные признаки в данных и начнёт уверенно ошибаться. В-третьих, модель дообучали на ответах более сильных версий. Так лучшие checkpoints постепенно становились учителями для следующих итераций. Результат: на 29.8% меньше ошибок, чем у лучшей frontier-модели, и в 13.8 раза ниже inference cost. Заметное преимущество, благодаря качеству экспертных решений. Такой датасет конкурент не скачает с Hugging Face. https://thinkingmachines.ai/news/learning-to-replicate-expert-judgment-in-financial-tasks/

🤖 Google хочет, чтобы телефон работал за вас Вышло большое интервью с главой команды Android Самиром Саматом, и главная мысль там любопытная. Последние сорок лет мы, по сути, работаем нянькой при своих устройствах: есть цель, а дальше сам разбей её на десяток шагов и вручную “протыкай” каждый. Так было с командной строкой, потом с иконками и меню. Google хочет это сломать и превратить операционную систему в «интеллектуальную»: ты называешь цель, а телефон сам соображает, как её достичь. Сердце их идеи — функция App Automation. Голосом говоришь Gemini, что нужно, и он сам начинает тапать по экрану: смотрит на интерфейс глазами, как человек, и жмёт нужные кнопки. Всё крутится в изолированном окне, которое можно свернуть, а выйти за его пределы агент не вправе. В демо он собрал корзину продуктов для барбекю, сам смекнув, что булок для хот-догов нужно больше, чем сосисок. Но перед оплатой тормозит — кнопку «купить» жмёте вы. Плюсом есть и другие функции, которые работают на эту идею. Rambler даёт наговорить мысль как попало и выжимает из потока ровно то, что вы правда хотели сказать. А Superfill работает с документами: с вашего разрешения вытащит номер паспорта или машины прямо из Google-аккаунта и сам подставит в поле. Агенты будут крутить задачи в фоне и отчитываться в отдельном уголке статус-бара, который назвали Android Halo, а интерфейс сместится от кликов к намерениям. Самир утверждает, что прямо сейчас телефон из инструмента превращается в исполнителя. Как вам такое будущее? @droidergram

AI или не AI? С 2022 года кавычки-ёлочки, длинные тире и «правило трёх» — не просто хорошая редактура, а улики против ИИ-текста. Люди хотят знать, читают они какую-то ерунду, которую нейросеть нагенерила, или Качественные Человеческие Мысли. На мой вкус, это желание сродни узнать, калькулятором 37x42=1554(*) получено или в уме вычислено, но людям не прикажешь. Спрос есть. Интуитивно кажется, что спрос этот должен удовлетворяться запросом к тому же самому AI. Скажи мне, чатик, кто это написал, человек или бот? И, в принципе, в простых случаях ChatGPT справляется. Проверил кавычки, оценил драматургию, прикинул, похожи ли ошибки на намеренные или на натуральные опечатки – и вынес вердикт. Но – война щита и меча. На той стороне тоже можно повозиться: елочки зачистить, “не X, но Y” убрать, драматургию подпортить, ошибки расставить по правильному списку. Обычный чатик признает текст настоящим. Американский #стартапдня Pangram обещает поймать ИИ и в этом случае. Он обучил на поиск нейрослопа отдельную нейросеть, и ищет не несколько общеизвестных признаков, а какую-то внутреннюю суть, определяемую миллионами параметров. Причины словами объяснить невозможно, но вот эта фраза – точно ИИ, а эта – точно человек. Платят за сервис в основном университеты, им студентов как-то проверять надо. Качество продукта рекламируется как очень хорошее. Есть более-менее независимые отчеты, подтверждающие точность порядка 99%. Впрочем, мое непрофессиональное тестирование показало результат гораздо хуже. Уже на третьем тестовом примере Pangram уверенно поделил чистый AI-текст на куски, один из которых якобы человек писал. https://www.pangram.com/ (*) я посчитал в уме, а потом проверил. #seed #сша #ai #технология

🌟 TabFM: модель для работы с табличными данными от Google Google Research опубликовала модель машинного обучения для классификации и регрессии на табличных данных. TabFM делает прогнозы на ранее не встречавшихся таблицах без отдельной тренировки под каждый набор данных.

Табличные данные лежат в основе множества прикладных задач - от прогноза оттока клиентов до выявления финансового мошенничества. Десятилетиями здесь доминировали алгоритмы на основе деревьев решений, которые требуют долгого подбора параметров и выстраивания признаков под каждую новую задачу.

TabFM использует подход, заимствованный у LLM - обучение в контексте. Модель получает всю таблицу целиком как единый запрос и определяет связи между столбцами и строками прямо в момент прогноза, не меняя своих внутренних параметров. Эту архитектуру Гугл описывает как гибрид двух ранее опубликованных решений TabPFN и TabICL. TabFM обучалась на сотнях миллионов сгенерированных таблиц, построенных с помощью структурных причинных моделей. Разработку проверили на бенчмарке TabArena, который ранжирует системы по итогам прямых сравнений между собой. Тестирование включало 38 наборов для классификации и 13 для регрессии, размером от 700 до 150 000 строк. По результатам TabFM обошла тщательно настроенные отраслевые решения TabPFN-3, AutoGluon и RealMLP. В ближайшие недели TabFM будет встроена в сервис Google BigQuery, там классификацию и регрессию можно будет запускать одной SQL-командой, без специальных знаний в области ML. 📌Лицензирование: Tabfm Non-commercial 🟡Блогпост 🟡Модель 🖥GitHub @ai_machinelearning_big_data #AI #ML #TabFM #Google