Machine learning Interview

В GTA V сделали миссию, где ты вайбкодишь GTA VI с телефона, пока разработчики вызывают на тебя полицию Автор попросил Perplexity Computer придумать и собрать этот сценарий. По его рассказу, агент изучил документацию FiveM и реализовал миссию на Lua. Затем создал MCP-мост: локальный сервис на Node.js, который авторизуется через OAuth и превращает запрос с игрового телефона в настоящую задачу Perplexity Computer. Пока полиция гонится за машиной, телефон показывает ход работы агента. Игрок отвечает на уточнения и подтверждает действия прямо во время погони. Финал миссии - уйти от полиции у ангаров аэропорта и «выпустить билд». Конечно, речь об игровом сюжете, а не о создании настоящей GTA VI. Для озвучки агент арендовал облачный GPU и запустил на нём Qwen3-TTS, сгенерировав все реплики без отдельного TTS API. Когда «срочно выкатить в прод» стало буквально миссией на выживание. https://x.com/AravSrinivas/status/2115435917708296406 Video is too big

Классическая книга о SVM и ядерных методах – Learning with Kernels доступна в PDF. Бернхард Шёлькопф и Александр Смола объясняют математические основы метода опорных векторов, регуляризации и оптимизации. Идея SVM – найти разделяющую границу с максимальным зазором между классами. С линейным ядром она линейная, а ядерный трюк позволяет строить нелинейные границы, не вычисляя новое пространство признаков явно. В книге: - SVM и методы максимального зазора. - Ядерные функции и их математические свойства. - Регуляризация и контроль сложности модели. - Оптимизация и теоретические основы обучения. - Задачи в конце глав для самостоятельной работы. Подойдёт тем, кто хочет понимать, что происходит за вызовом SVC.fit(). Для чтения пригодятся линейная алгебра, математический анализ и теория вероятностей. Книга на английском. Издатель указывает объём 648 страниц. PDF: https://mcube.lab.nycu.edu.tw/~cfung/docs/books/scholkopf2002learning_with_kernels.pdf

✔️ Нейросети научили использовать информацию из предыдущих слоев эффективнее Исследователи Т-Банка разработали LIMe — метод, который позволяет сократить вычислительные затраты на обучение на 15% при том же качестве, что и у базовой LLaMA. Разработку представили на EMNLP — ведущей международной конференции по обработке естественного языка. В трансформерах текст проходит через слои в виде числовых представлений. По мере обработки они могут становиться слишком похожими — модель теряет важные различия между токенами и хуже справляется с многошаговыми рассуждениями LIMe добавляет маршрутизатор, который выбирает, какую информацию из предыдущих слоев использовать. Это помогает сохранять различия между токенами и повторно использовать результаты вычислений Метод проверили на моделях примерно с миллиардом параметров. На бенчмарках языкового моделирования и рассуждений LIMe показал более высокое качество по сравнению с другими методами. Особенно заметной разница оказалась в синтетических арифметических задачах и в моделях с большим количеством слоев. В результате нужно меньше вычислений для достижения того же качества и более точное решение задач, требующих рассуждений. Код LIMe выложен в открытый доступ на GitHub 📖 https://github.com/corl-team/lime

Anthropic показала, как Claude помогает разрабатывать лекарства: от дизайна молекул до лабораторных испытаний и документов для регуляторов. Компания опубликовала первые результаты сотрудничества с шестью организациями. Среди них – Generate Biomedicines, BigHat, Enveda и Bristol Myers Squibb. CAR-T-терапия против рака. Учёные Generate с помощью Claude Code предложили укороченный участок генетической инструкции. Один вариант оказался примерно на 70% короче стандартного. В лабораторных тестах клетки производили примерно в 10 раз больше рецепторов, эффективнее уничтожали опухолевые клетки и дольше сохраняли активность. Кандидаты против пищевой аллергии. Для Divergence Labs Claude создал около 35 тысяч дизайнов антител за месяц. Первые испытания выявили варианты, способные связывать IgE и отделять его от иммунных клеток. Следующий этап – объединить эти свойства в одном препарате. Оптимизация антител. BigHat изготовила и проверила около 1010 вариантов за 10 недель. Лучшие связывали мишень более чем в десять раз сильнее исходных. Проверка производственных документов. На 1061 странице Claude обнаружил все 11 проблем, найденных людьми, и ещё семь пропущенных. Время ручной проверки сократилось на 89%. Anthropic также приобрела Mithril Medicine, разрабатывающую средства против редких мышечных дистрофий. Большинство результатов пока доклинические: эффективность и безопасность новых препаратов у людей ещё предстоит установить. https://www.anthropic.com/research/early-progress-drug-development

Один флаг llama.cpp может резко замедлить обработку промпта – без ошибки и предупреждения. В обсуждении #28455 описан случай: при включённом Flash Attention выбор `q5_1` для KV-кэша переносил вычисление внимания с GPU на CPU. Модель продолжала работать, но скорость падала. Причина – отсутствие CUDA-ядер для выбранного формата кэша в стандартной сборке. В замерах автора на RTX 4080 обработка промпта ускорилась с 38 до 1348 токенов/с после замены q5_1 на q8_0. Это скорость чтения входного запроса, а не генерации ответа. Для затронутых сборок обходной вариант: -fa on -ctk q8_0 -ctv q8_0 Ещё один поддерживаемый вариант – одинаковый q4_0 для K и V. Если нужен q5_1, автор предлагает пересборку с: -DGGML_CUDA_FA_ALL_QUANTS=ON Если GPU почти простаивает, а CPU загружен – проверьте формат KV-кэша и параметры сборки. Участник команды llama.cpp подтвердил, что проблема известна. https://github.com/ggml-org/llama.cpp/issues/28455

OpenAI выпустила GPT-6.1 Terra – для работы в приложениях, с изображениями и кодом. API стал вдвое дешевле GPT-5.6 Terra. Модель рассчитана на повседневные задачи: заполнение форм, обработку счетов, разбор технических чертежей и редактирование видео. По оценкам OpenAI: - Agents’ Last Exam: на 15 процентных пунктов лучше предшественницы при среднем уровне рассуждений и примерно втрое меньшей стоимости задачи. - Terminal-Bench 4.0: решает 50,3% задач против 21,5% у GPT-5.6 Terra при максимальном уровне рассуждений. - Меньше фактических ошибок: во внутреннем тесте на сложные провоцирующие запросы частота ошибок при максимальном уровне рассуждений снизилась до 4,3%. Цена API за миллион токенов: - Вход – $1. - Кешированный вход – $0,05. - Выход – $5. GPT-6.1 Terra доступна в ChatGPT Work и Codex на тарифах Plus, Pro, Enterprise и Edu. В API – gpt-6.1-terra. Для самых сложных задач программирования компания по-прежнему рекомендует GPT-6.1 Sol и GPT-6 Astra. https://openai.com/index/introducing-gpt-6-1-terra/

Атака на AI-агенты через размещение файла AGENTS.md в каталоге с загрузками Исследователи из компании Forever Security, разбирая причины появления вредоносного ПО в системе одного из клиентов, выявили новый способ атаки на AI-агентов, основанный на том, что многие AI-агенты по умолчанию обрабатывают инструкции из файла AGENTS.md, размещённого в корне проекта, к работе над которым подключён агент. Атака проводится через размещение в каталоге ~/Downloads файла AGENTS.md или CLAUDE.md с инструкцией по установке вредоносного ПО (в рассмотренном случае устанавливался вредоносный npm-пакет function-color. Полный текст: https://opennet.ru/66551/ https://opennet.me/66551/

Как решать задачи оптимизации, когда функция негладкая, есть ограничения, а данных слишком много? В свободном доступе есть Proximal Algorithms Нила Париха и Стивена Бойда – 113-страничная монография о проксимальных алгоритмах. Идея: вместо одной сложной задачи последовательно решать небольшие подзадачи. На каждом шаге нужно улучшить значение функции, одновременно ограничивая удаление от текущей точки. Такие методы особенно полезны для негладкой, крупномасштабной и распределённой выпуклой оптимизации. Внутри – объяснение проксимального оператора, его связь с проекциями на выпуклые множества, обзор алгоритмов и множество примеров. К материалу прилагаются слайды, библиотека проксимальных операторов и MATLAB-примеры: Lasso, разложение матриц, стохастическое управление и оптимизация портфеля. Подойдёт тем, кто хочет глубже разобраться в математике оптимизации. Для чтения пригодятся линейная алгебра и основы выпуклого анализа. PDF: https://web.stanford.edu/~boyd/papers/pdf/prox_algs.pdf Материалы и код: https://stanford.edu/~boyd/papers/prox_algs.html

Scenario выложила более 1300 сгенерированных ИИ 3D-моделей - их можно бесплатно скачать. В коллекции 1342 примера и 1500 файлов общим объёмом около 39 ГБ, включая превью и доступные исходные материалы. Внутри — 1271 GLB-файл и 137 файлов Blender, а также SPZ, PLY, VOX и FBX. Самое полезное - вместе с результатами опубликованы промпты, параметры генерации и доступные входные изображения. Можно изучить, как получился конкретный объект, и использовать эти примеры для собственных экспериментов. Коллекция пригодится для прототипирования игр, наполнения тестовых сцен и изучения возможностей генераторов. Перед использованием в готовом проекте стоит проверить геометрию и текстуры: проверка структуры файлов не гарантирует качество рендера. Лицензия — CC BY 4.0 с указанием Scenario. Отдельная коллекция из 393 примеров Hunyuan распространяется на других условиях. https://huggingface.co/datasets/scenario-labs/3d-collection

От первого мотора до робота, который учится по демонстрациям: открытая дорожная карта по робототехнике на русском. Robotics Roadmap 2026 предлагает план на 24 недели при занятиях по 2–3 часа в день. Обучение начинается с электроники и постепенно переходит к управлению и машинному обучению. Внутри шесть модулей: - Электроника, Python и Git - базовые схемы и инструменты. - Arduino и ESP32 — моторы, датчики, линейный робот и балансир. - CAD и 3D-печать — сборка робота-манипулятора. - ROS 2 — симуляция, построение карты и автономная навигация. - Управление и компьютерное зрение — регуляторы, кинематика, работа с камерой. - LeRobot — сбор демонстраций и обучение робота. Есть схемы подключения, примеры кода, списки компонентов, справочник по отладке и 30 идей проектов. Начать можно без покупки железа — в симуляторах. Дальше предлагается оформлять проекты в портфолио: видео, схема, код и разбор того, что сломалось и как удалось исправить. Полезная отправная точка для программиста, который хочет заставить свой код двигаться в физическом мире. https://github.com/justxor/robotics-roadmap-2026/

Статью Питера Хиггса отклонил научный журнал. Через 48 лет предсказанную частицу обнаружили на Большом адронном коллайдере. В 1964 году физик из Эдинбургского университета исследовал, как некоторые частицы могут приобретать массу, сохраняя математическую согласованность теории. Первую короткую статью Physics Letters принял. Вторую, где Хиггс представил конкретную модель, тот же журнал отклонил. Хиггс доработал текст, явно указав на существование новой массивной частицы, и отправил его в Physical Review Letters. Там работу опубликовали. Независимо похожий механизм предложили Франсуа Энглер и Роберт Браут. Особенность работы Хиггса - прямое указание на частицу, которую впоследствии назвали его именем. В 2012 году CERN объявил об обнаружении новой частицы, согласующейся с предсказанным бозоном Хиггса. В 2013-м Хиггс и Энглер получили Нобелевскую премию по физике. Несколько страниц теории — и почти полвека до экспериментального подтверждения. https://www.ph.ed.ac.uk/higgs/brief-history

Kimi K3.1 Pro: открытая MoE на 2.8T параметров и контекстом 1M Moonshot выпустила самую сильную свою модель: 2.8T параметров всего, 104B активных, мультимодальность. Упор на длинные агентные задачи: игры целиком в Unreal, Unity и Godot, параметрическое 3D в Blender и CAD, финансовые расчёты с падением галлюцинаций на 65%. По кодингу, агентам и знаниям авторы ставят её вровень с лучшими закрытыми моделями. Это заявление самой Moonshot, независимых замеров пока нет. Есть и версия Highspeed, в 2-3 раза быстрее. Обе доступны на Kimi.ai и через API, веса обещают открыть до 4 ноября. Источник: https://kimi.ai/blog/kimi-k3-1-pro

✔️ Microsoft AI завершила претрейн MAI-Base-2 Лаборатория Мустафы Сулеймана закончила предобучение своей самой крупной MoE-модели на 2,8 трлн параметров, из которых на каждый токен работают 80 млрд. Сейчас она проходит дообучение, сроков релиза Microsoft не называет. Веса компания собирается лицензировать проверенным партнёрам через платформу Foundry и отдельно подчёркивает, что учила модель только на собственных данных, без дистилляции ответов чужих моделей. MAI-Base-2 обучали 38 дней в августе и сентябре на 16 тысячах GPU GB200, через модель прошло около 50 трлн токенов. Знания модели заканчиваются мартом 2026 года. В отличие от предшественницы MAI-Base-1, она с самого начала училась и на изображениях, без отдельного визуального энкодера, на них пришлось 18% обучающей смеси. На собственных наборах текстов, кода, задач по естественным наукам, математике и вопросов с ответами MAI-Base-2 предсказывает текст точнее всех протестированных открытых моделей с триллионом и более параметров: DeepSeek-V4-Pro-Base, Kimi K3, Qwen3.8-2.4T-A95B и MiMo-V2.6-Pro-RL. По расчётам Microsoft, при её подходе к обучению, т. е. с теми же данными, архитектурой и настройками, модели нужно в 4–12 раза меньше вычислений, чем потратила DeepSeek, чтобы достичь качества DeepSeek-V4-Pro-Base. Эта оценка выведена из законов масштабирования, а не из прямого сравнения. @ai_machinelearning_big_data #news #ai #ml

Задача IMO 2007, на которой 473 школьника получили ноль Шестая задача IMO 2007 о покрытии точек куба плоскостями: 473 участника из 520 получили ноль, полный балл у пятерых, среди них будущий филдсовский лауреат Петер Шольце. Разбираем условие и решение. В июле 2007 года в Ханое прошла 48-я Международная математическая олимпиада (IMO). За медали боролись 520 школьников со всего мира. Шестая задача, последняя во втором туре, оказалась настоящей мясорубкой: 473 участника получили за неё ноль баллов, и только пятеро набрали полные семь. Одним из этих пятерых был 19-летний Петер Шольце из Германии. В 2018 году он получил Филдсовскую премию, самую престижную награду в математике. Читать дальше: https://uproger.com/zadacha-imo-2007-scholze/

Опенсорс фреймворк от CopilotKit для Intelligent UI, и он уже в топ-5 трендов GitHub 🔥 Идея в том, что агент отвечает на запрос не текстом, а живым интерфейсом: интерактивными графиками, 3D-сценами, формами, симуляциями и визуализациями алгоритмов. Всё рендерится в песочнице прямо в чате. Под капотом Next.js 16 с React 19, бэкенд на LangChain Deep Agents, который подгружает визуализационные скиллы по требованию, и отдельный MCP-сервер. Через него дизайн-систему и сборщик HTML можно подключить к Claude Desktop, Claude Code и Cursor. Лицензия MIT, запускается командами make setup и make dev. В анонсе пишут про работу с любым LLM и любым агентным фреймворком. В README по умолчанию стоит Claude, для OpenAI достаточно ключа, а для остальных провайдеров нужно править модель в коде. Слабые модели, по словам авторов, часто ломают вёрстку. Авторы уверяют, что к 2027 году такой агентный слой будет в каждом приложении. Спорно, но направление понятно: интерфейс всё чаще генерируется под задачу, а не рисуется заранее. Источник: https://github.com/CopilotKit/OpenIntelligentUI @machinelearning_interview #ui

📚️️️️️️ ИИ самостоятельно нашёл и доказал новые математические закономерности Исследователи Google DeepMind и Кембриджа создали агента на базе Gemini, который обнаружил точные правила поведения 11 машин Тьюринга на границе задачи Busy Beaver. Машина Тьюринга - простейшая модель компьютера. Даже программа с шестью состояниями может вести себя настолько сложно, что неизвестно, остановится ли она вообще. Агент искал закономерности в работе таких программ, формулировал гипотезы и строил доказательства. Затем проверял их в Lean — системе, которая строго проверяет математические рассуждения. Результат - компактные правила, позволяющие описывать сразу множество шагов программы вместо пошагового перебора. Остановятся ли эти 11 машин, пока неизвестно. Но теперь их поведение получило точное математическое описание. Это шаг к ИИ, который самостоятельно находит предмет для исследования и доводит гипотезу до проверенного результата. https://arxiv.org/abs/2610.22603