ИИ

Глава Сбера, Герман Греф заявил, что Яндекс дообучает (китайский) Qwen, и это не радует По словам Грефа, только Сбер имеет ИИ, полностью разработанный в России:

Компания Яндекс сегодня дообучает Qwen — в основе лежит китайская модель. Конечно, нас это нисколько не радует, что мы одни, потому что мы за конкуренцию.

Яндекс отрицает эти обвинения:

Яндекс продолжает развивать собственные фундаментальные модели, сохраняет полный цикл разработки и не зависит от внешних решений.

Ряд медиа распространяют информацию, что Яндекс использовал веса (параметры) Qwen-2.5-32B-base для модели YandexGPT 5 Pro, после чего провел собственный полный цикл обучения на русскоязычных и иных данных. Если это правда, кто-нибудь может объяснить в комментариях, почему в качестве базовой не была взята модель на ~450B? P.S. Я сравнивал онлайн-версии Алисы и GigaChat. По-моему мнению, обе отставали от Deepseek при решении прикладных задач, но GigaChat демонстрировал меньшее отставание.

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

𝗦𝗲𝗻𝘀𝗲𝗡𝗼𝘃𝗮 𝗨1 𝗣𝗿𝗼 Эта китайская модель для генерации картинок уже мелькала в новостях. Но сейчас вышла версия V3 и там есть пара любопытных моментов. Up to 8𝗞 𝗻𝗮𝘁𝗶𝘃𝗲 𝗿𝗲𝘀𝗼𝗹𝘂𝘁𝗶𝗼𝗻 output Enables 𝘂𝗹𝘁𝗿𝗮-𝘄𝗶𝗱𝗲 and 𝘂𝗹𝘁𝗿𝗮-𝘁𝗮𝗹𝗹 image creation Модель редактирующая. А также есть специальная версия именно для текстов и инфографики. Правда примеры инфографики подозрительно желтят, так и хочется их присунуть в chatGPT и спросить, а не ты ли брат нагенерил это добро. Модель открытая, оформлена очень хорошо, есть GGUFs для 10-12 гиг врам, все подробности тут: https://github.com/OpenSenseNova/SenseNova-U1 Веса тут: https://huggingface.co/sensenova/SenseNova-U1-8B-MoT-Infographic-V3 https://modelscope.cn/models/SenseNova/SenseNova-U1-8B-MoT-Infographic-V3 Демо: https://huggingface.co/spaces/sensenova/sensenova-u1-infographic-v3 Разработчики честно пишут, что им надо еще поработать над анатомией, что бы это не значило. А еще у низ есть модель Vision: https://github.com/OpenSenseNova/SenseNova-Vision 𝗗𝗲𝘁𝗲𝗰𝘁𝗶𝗼𝗻/𝗢𝗖𝗥/𝗚𝗨𝗜 𝗗𝗲𝗽𝘁𝗵 & 𝗻𝗼𝗿𝗺𝗮𝗹 𝗦𝗲𝗴𝗺𝗲𝗻𝘁𝗮𝘁𝗶𝗼𝗻 𝗠𝘂𝗹𝘁𝗶-𝘃𝗶𝗲𝘄 @cgevent

Меня уже месяц не отпускает от этого эссе одного из партнеров Sequoia Эссе по нашим меркам уже «старое», выпущено в марте, в июне я его увидела и начала внедрять сама. Вот пару инсайтов: 1. $1 к $6. На каждый доллар на софт шесть уходит на услуги и труд. Сейчас мы в AIcelerate берём деньги не за сиденья, а за выполненные действия. Когда биллинг привязан к работе, а не к лицензии, ты физически чувствуешь, что зашёл в другой бюджет. 2. Copilot vs autopilot. Бек формулирует то, что я объясняю на каждой встрече: мы берём ответственность за результат и доставляем его, мы независимая система. 3. Чего в эссе нет, но что я лично ощущаю каждый день: автопилот это принципиально новая другого уровня система. Как авто пилотные машины, клиенту не важно как она едет, она как-то там это делает. Здесь также, то есть система настолько должна закрывать от и до весь запрос, и не включать в себя адаптацию, сложный онбординг, долгое обучение, ведь в этот момент ты не зарабатываешь. Тебя наняли, чтобы найти больше сделок, а не тратить время на адаптацию. И главное, с чем я согласна на сто процентов: moat в этом поколении не технология. Когда клиент отдаёт тебе работу, а не покупает тул, он не сравнивает фичи. Он решает, верит ли, что ты доставишь результат. Доверие зарабатывается пилотами и цифрами, и оно не копируется релизом чужой модели. Увлекательное эссе, подходящее на методичку.

⚡️ Создатель XLNet, который вернулся в Китай и построил Moonshot AI На GTC 2026 выступил Ян Чжилинь, 34-летний основатель и CEO Moonshot AI, компании, стоящей за моделями Kimi. Его путь начинался в Университете Цинхуа. Затем Ян получил PhD в Carnegie Mellon, стажировался в Google Brain и Meta AI, работал с Куоком Ле и Джейсоном Уэстоном. Его исследования пересекались с работами Йошуа Бенжио и Яна Лекуна. Широкую известность ему принесли Transformer-XL и XLNet. Обе работы пытались решить одну из ключевых проблем языковых моделей: потерю информации из далёкого контекста. Статью про XLNet впоследствии процитировали более 10 000 раз. После учёбы Ян мог продолжить карьеру в американском Big Tech, но вернулся в Китай. Он участвовал в развитии крупных китайских ИИ-проектов, основал Recurrent AI, а в 2023 году запустил Moonshot AI в Пекине. Исследования длинного контекста стали основой продуктов компании: - Kimi K2 получила MoE-архитектуру на 1 трлн параметров - Kimi K3 добавила нативное зрение, контекст на 1 млн токенов и 16 активных экспертов - компания сделала ставку на программирование, агентов и работу с большими объёмами информации Moonshot AI привлекла инвестиции Alibaba, Tencent и других крупных компаний. За несколько лет стартап превратился в одного из заметных участников китайской гонки frontier-моделей. Ян объяснял возвращение просто: он боялся всю жизнь сожалеть, если не попробует создать собственную компанию. Опыт, полученный в глобальной исследовательской среде, может быстро превратиться в технологическое преимущество целой страны. Его полное интервью можно посмотреть здесь: https://www.youtube.com/watch?v=CwePo4847ho @ai_machinelearning_big_data #Moonshot #kimi

🔺 Сделал датасет Выложил небольшой датасет на языках России. 🟢 22 языка: алтайский, башкирский, бурятский, горномарийский, дигорский, кабардино-черкесский, калмыцкий, карачаево-балкарский, коми, кубачинский, марийский (луговой), мокшанский, орокский, осетинский (иронский), русский, татарский, удмуртский, хакасский, чувашский, чукотский, эрзянский, якутский. 🟢 По 1565 предложений в каждом. 🟢 Сделан по всем редакциям Маленького принца, которые собирали последние несколько лет + 3 новые (чукотский, карачаево-балкарский и дигорский). 🟢 Выравнивалось вручную при помощи lingtrain-aligner. Выверялось и корректировалось при помощи Fable. Посмотрели несколько редакций с носителями, одобряют. 🟢 В некоторых редакциях предложений не хватало, такие предложения были допереведены Fable на основе имеющейся лексики и помечены в отдельных колонках. Также была исправлена пунктуация на концах предложений для единообразия. Даёшь больше языковых датасетов! 👉 HF @doomgrad