ИИ

В Яндексе (офис на Льва Толстого) прошла конференция YaC/ei (Yet Another Conference on education), посвящённая образованию в условиях быстрых изменений, связанных с ИИ. В дискуссии о профориентации, выборе профессии и построении карьеры участвовали представители Яндекса, ВШЭ и приглашённые спикеры.

Главный вывод панели: никто точно не знает, как будут выглядеть рынок труда, вакансии и рабочий день через 3-5 лет. Поэтому учить и учиться стоит не узким навыкам под конкретную профессию, а умению справляться с неопределённостью, искать свои точки интереса, развивать любопытство, адаптивность и навыки работы с ИИ.

Полный разбор →

HeyGen представил собственную видеомодель HeyGen Video, которая построена на открытой foundation-модели MiniMax H3 и дополнительно дотренирована («post-trainedi») внутри компании под задачи консистентности, следования prompt, работы с продуктами и референсами и синхронного звука. Это, по мнению источника, знаменует новую фазу рынка AI-видео: раньше сервисы просто собирали у себя чужие модели (Kling, Veo, Seedance, MiniMax) под единым интерфейсом, теперь на базе открытых весов начинают строить и продавать как «свои».

Главная интрига — цена: HeyGen предлагает генерацию заметно дешевле, чем стоит API самой MiniMax H3, на которой построена их модель. Второй источник из той же медиагруппы иронично резюмирует: по сути это MiniMax, только без открытых весов.

Полный разбор →

Российский разработчик экспресс-тестов «Рапид Био» получил 600 млн рублей от венчурной инвесткомпании Kama Flowi. Средства пойдут на развитие двух новых для компании направлений — непрерывного мониторинга глюкозы и диагностики нейродегенеративных заболеваний, а также, по данным The Edinorog, на продукты в сферах репродуктивного здоровья, диабета, инфекционных заболеваний и онкологии.

Компания выросла из научного проекта по point-of-care диагностике повреждений мозга в крупного производителя тест-систем: портфель включает более 30 готовых продуктов и около 90 в разработке, а производственные мощности позволяют выпускать до 180 млн тестов в год.

Полный разбор →

Команда Т-Технологий (Т-Банк) выложила на GitHub open source-библиотеку Scikit-ranki, которая упрощает внедрение нейросетевых моделей ранжирования в прикладных ML-задачах. Библиотека даёт scikit-learn-совместимый интерфейсi с привычными методами fit и predict, беря на себя препроцессинг, кодирование признаков, обучение и инференс — раньше переход с градиентного бустинга (LightGBM, CatBoost) на нейросети требовал отдельно настраивать обработку численных и категориальных признаков, а хорошего гайдлайна по внедрению нейроранкеров не было.

Разработка важна тем, что убирает главный барьер перехода рексистем на нейросети — долгое и ресурсоёмкое внедрение. Статью о Scikit-rank приняли на международную конференцию по рекомендательным системам ACM RecSys 2026, проходящую в США.

Полный разбор →