Кабинет
Machine learning Interview

Machine learning Interview

ИИ, Rust, вайбкодинг, Data Science, Deep Learning и делюсь тем, что интересно и полезно! Вопросы - @workakkk РКН: clck.ru/3FmwRz

Юзернейм
@machinelearning_interview
Категория
Технологии
Страна
РоссияРоссия
Создан
, 4 года
Подписчики30 549
Просмотров на пост, 7 дн.2 795−39,4% к пред. 7 дн.
ERR9,15 %за 7 дней

Средние просмотры поста по дням

По дню публикации

Показать таблицей
ДатаПросмотров на пост
6 нояб. 2026 г.6 075
7 нояб. 2026 г.3 850
8 нояб. 2026 г.3 922
9 нояб. 2026 г.3 595
10 нояб. 2026 г.3 956
11 нояб. 2026 г.3 418
12 нояб. 2026 г.2 940
13 нояб. 2026 г.2 328
14 нояб. 2026 г.2 132
15 нояб. 2026 г.1 774

Самые просматриваемые за месяц

  1. 01

    35-летнюю математическую задачу решили с помощью GPU и ИИ-агентов В сентябре 2026 года инженер Cognition Эрик Лу разложил число RSA-260 длиной 260 десятичных цифр (862 бита) на два простых множителя по 130 цифр. Задача оставалась нерешённой с 1991 года. Для факторизации использовали General Number Field Sieve (GNFS), один из самых эффективных известных алгоритмов разложения больших чисел. Его реализацию CADO-NFS серьёзно оптимизировали для GPU с помощью ИИ-агентов Devin. Результаты: 4900 GPU-дней вычислений, примерно 13,5 GPU-лет. $400 000 оценочная стоимость вычислений по рыночным тарифам. До 10 раз дешевле, чем предыдущие публичные методы сопоставимого класса, по оценке автора. Математическая асимметрия: перемножить два 130-значных простых числа легко, а найти их по известному произведению чрезвычайно трудно. На этой сложности основана криптосистема RSA. При этом результат не означает взлом современного RSA-2048. Исследователи ускорили существующий алгоритм, а не нашли принципиально новый способ факторизации. Подробный технический разбор: https://cognition.com/blog/factoring-rsa-260 @machinelearning_interview

    Фотоизменён
    Просмотры6,08 тыс.
    Пересылки65
    Реакции20
    Комментарии0
  2. 02

    🍏 Apple научила Claude управлять роботом без специального обучения Исследователи Apple опубликовали работу *On Agentic Manipulation Policies*, в которой показали, что универсальные ИИ-модели способны управлять роботизированными манипуляторами без предварительного обучения на записях действий роботов. Обычно робототехнические модели обучают на тысячах демонстраций: как захватывать предметы, перемещать их и размещать в нужном месте. Такие специализированные системы часто хуже справляются с изменением инструкций и незнакомыми ситуациями. Apple предложила другую архитектуру под названием AMP1. Она предоставляет языковой модели изображение с камер, возможность выполнять Python-код и прямое управление движениями роботизированной руки. Модель постоянно получает новые наблюдения, анализирует результат своих действий и корректирует следующие команды. В AMP1 нет заранее подготовленных навыков захвата, перемещения или размещения предметов. Модель самостоятельно вырабатывает стратегии во время выполнения задачи. Результаты на RoboLab-120: 85,6% успешных выполнений у Gemini 4 Argon. 82,8% у Claude Opus 5.5. 49,2% у лучшей специализированной VLA-модели. 42,9% у лучшей World-Action Model. Все результаты AMP1 получены без демонстраций и специализированного обучения под конкретные задачи. Проверка на реальном роботе Исследователи использовали манипулятор Franka Research 3 с семью степенями свободы и тремя камерами. Claude Opus 5.5 успешно выполнила 104 из 108 испытаний, охватывавших 12 задач и три экземпляра роботизированной системы. Это 96,3% успешных выполнений. Модель самостоятельно находила скрытые предметы, использовала окружающие объекты как инструменты, исправляла ошибки калибровки камер и меняла стратегию после неудачных действий. У подхода пока есть ограничение: робот значительную часть времени ожидает, пока модель анализирует ситуацию и принимает следующее решение. Среднее время успешного выполнения реальных задач составило около 280 секунд, из которых 211 секунд приходились на рассуждения модели. Исследование: https://arxiv.org/abs/2611.09892 Видео и исходный код: https://apple-aiml-research.github.io/

    Фото
    Просмотры3,96 тыс.
    Пересылки65
    Реакции20
    Комментарии0
  3. 03
    Просмотры3,92 тыс.
    Пересылки50
    Реакции38
    Комментарии2
  4. 04
    Просмотры3,85 тыс.
    Пересылки89
    Реакции36
    Комментарии0
  5. 05
    Просмотры3,83 тыс.
    Пересылки68
    Реакции21
    Комментарии0

Новые посты

#3174Фото
Просмотры1 544−50%к среднему
Пересылки103
Реакции11
Комментарии0
#3173GIF

⚡️ Google объединила ИИ-агентов в команды. Они решают задачи, над которыми учёные работали десятилетиями Google Research рассказала о результатах Antigravity /teamwork - мультиагентной системы, в которой специализированные ИИ-агенты совместно занимаются математическими исследованиями, химией, разработкой ПО и оптимизацией вычислений. Принцип работы отличается от обычного взаимодействия с одним ИИ-ассистентом. Несколько агентов параллельно исследуют задачу, предлагают решения, проверяют гипотезы и ищут ошибки в работе друг друга. Для проверки используются Lean 4, тестовые наборы, симуляторы и аппаратные измерения. Отдельные агенты выступают в роли критиков и аудиторов, проверяя результаты независимо от тех, кто их подготовил. Среди результатов Google особенно выделяет математические исследования. Команда с участием Gemini и Antigravity формализовала доказательство гипотезы Кортаде - Кумара в Lean 4, создав около 50 млн строк кода. Другой эксперимент связан с гипотезой Вейля. Система автоматически подготовила формализацию, состоящую примерно из 1,8 млн строк Lean, задействовав 28 800 вызовов субагентов. В химии 30 специализированных агентов совместно определяли молекулярные структуры по данным ЯМР. На сложных тестовых молекулах система достигла 95% точности при первом предположении и 100% среди трёх лучших вариантов. Есть и результаты непосредственно для разработчиков. Google переписала видеодекодер libgav1 с C++ на Rust: получилось около 170 тысяч строк кода с побитовым соответствием оригинальной реализации на тестах совместимости. После профилирования и оптимизации новая версия оказалась на 20-30% быстрее исходной на x86_64 и ARM. Ещё один пример - переписывание оставшейся части микроядра Zircon. За две недели агенты добавили около 800 тысяч строк безопасного Rust, прошедших модульные тесты ядра и загрузившихся на ARM64. Google открывает Antigravity /teamwork и /boost для внешних разработчиков и исследователей. Инструменты работают с моделями Gemini 4. Источник: https://research.google/blog/advancing-science-engineering-with-antigravitys-teamwork-feature/

Открыть в Telegram
Просмотры2 004−35%к среднему
Пересылки48
Реакции17
Комментарии0
#3172Видео
Просмотры2 261−26%к среднему
Пересылки38
Реакции36
Комментарии0
#3171Фото

Переслано из Machinelearning

🌟 Thinking Machines открыла веса Inkling 2 Small Стартап Мирой Мурати, как и обещал, через неделю после запуска модели на собственной платформе Tinker опубликовала модель Inkling 2 Small. Под капотом MoE на 594 млрд общих параметров, из которых на каждый токен работают 17 млрд, а в каждом из 48 слоёв токен направляется к 8 экспертам из 384. Модель принимает текст и изображения, отвечает текстом, держит контекст до 1 млн токенов и позволяет задавать, сколько усилий тратить на рассуждение. По словам Thinking Machines, на RL-фазе обучения модель, не справляясь с задачей, обошла сетевую блокировку через сторонний сервис, доступный ей из поисковых инструментов. Это вовремя заметили, обучение остановили, интернет отключили и добавили проверку каждого вызова инструментов и дополнительные этапы обучения поведению. 🟡Бенчмарки Показатели не поменялись - 31 балл в Artificial Analysis, ARC-AGI-2 - 81,7%, на мультимодальном MMMU Pro - 81,6%. Слабее всего результат на Terminal Bench Science: 5,7% против 20,0% у Claude Haiku 5.5. Веса доступны в форматах NVFP4 и MXFP8, первому нужно не меньше 500 ГБ видеопамяти суммарно, т. е. пару B300 или четыре H200. Модель поддерживают SGLang, vLLM и Unsloth, через API её предлагают NVIDIA, Fireworks, Together, Baseten, Nebius, Modal и Cloudflare, а дообучать её можно на Tinker. 📌Лицензирование: Apache 2.0 🟡Набор моделей 🟡Демо @ai_machinelearning_big_data #AI #ML #LLM #Inkling #ThinkingMachine

Открыть в Telegram
Просмотры2 002−35%к среднему
Пересылки14
Реакции17
Комментарии0
#3170Фото

Модель прошла первый вопрос. А что она ответит на пятый? Anthropic описала, как проверяет безопасность ИИ в многоходовых диалогах. Отдельная модель Claude играет пользователя. Первая реплика фиксирована, а следующие зависят от ответов тестируемой модели. Так один и тот же сценарий можно прогнать несколько раз и получить разные разговоры. Затем модель-судья оценивает диалог целиком. Одного ответа, нарушившего критерии безопасности, достаточно, чтобы тест считался проваленным. Почему просто считать отказы мало? Если человек пишет, что ему плохо, сухое «я не могу помочь» тоже может быть провалом. В таком сценарии от модели ждут, что она поддержит собеседника и вовремя направит его к живой помощи. В тестах с одним сообщением Anthropic отдельно измеряет, как часто модель отвечает на опасные запросы и как часто отказывает в помощи с обычными запросами на ту же тему. В наборе одноходовых тестов Anthropic проверяет 16 категорий риска на семи языках и в разных интерфейсах. Авторы советуют отдельно проверять ту конфигурацию, которую получат пользователи: доступ к инструментам и системный промпт могут изменить поведение одной и той же модели. https://www.anthropic.com/research/building-strong-safety-evaluations

Открыть в Telegram
Просмотры2 444−20%к среднему
Пересылки34
Реакции14
Комментарии0
#3169Фото

Исследование HEGM: прогнозирование распределения продолжительности взаимодействия с контентом В рекомендательных системах интерес пользователя обычно оценивают через ожидаемое время взаимодействия с айтемом. Но точечная оценка смешивает разные сценарии поведения — пролистывание, частичный просмотр, досмотр, повтор — и теряет сигнал. Исследователи из AI VK Research предложил метод HEGM (Hierarchical Exponential-Gaussian Mixture): вместо одного числа модель строит распределение продолжительности взаимодействия и одной моделью оценивает вероятности отдельных сценариев. Валидация — на KuaiRec, VK-LSVD и внутреннем датасете из 282 млн обезличенных взаимодействий. По качеству ранжирования метод превзошёл протестированные альтернативы. При внедрении в VK Клипах: +10% роликов за сессию, +6% просмотров дольше 10 секунд, −8,3% дизлайков. Постановка не ограничена видео: она воспроизводится в музыке, рекламе и e-commerce. Метод встраивается в существующие архитектуры без структурной модификации. Код — на GitHub, статья — на arXiv. Работа представлена на IEEE ICDM 2026.

Открыть в Telegram
Просмотры2 351−23%к среднему
Пересылки24
Реакции10
Комментарии0
#3168Фото

🔥 DeepSeek теперь можно встроить в своё приложение почти целиком через API DeepSeek объявил о расширении API. Разработчикам стали доступны функции, которые раньше использовались преимущественно внутри официального приложения. Теперь через API можно подключить веб-поиск, работу с файлами и ссылками, встроенные механизмы безопасности и голосовые функции. Отдельно доступны API для OCR (распознавание текста на изображениях), ASR (преобразование речи в текст) и TTS (синтез речи). Часть возможностей включается несколькими параметрами в запросе. Для остальных предусмотрены отдельные эндпоинты. DeepSeek также опубликовал open-source демо полноценного чат-интерфейса с поддержкой импорта истории переписки из DeepSeek. Разработчики могут использовать его как основу собственного ИИ-ассистента с поиском, документами и голосовым взаимодействием. Демо: https://cdn.deepseek.com/chat-demo Документация: https://api-docs.deepseek.com/

Открыть в Telegram
Просмотры2 284−26%к среднему
Пересылки65
Реакции17
Комментарии0
#3167Фото
Просмотры2 232−27%к среднему
Пересылки3
Реакции8
Комментарии0
#3165Превью ссылки
Просмотры2 880−6%к среднему
Пересылки23
Реакции7
Комментарии0
#3164Текстреклама

Бизнесу не нужны красивые ML-модели, которые не окупаются Модель может показывать отличные метрики на тестовых данных, но провалиться в реальном продукте: не выдержать нагрузку, оказаться слишком дорогой, не вписаться в инфраструктуру или не решить бизнес-задачу. Чтобы предусмотреть все эти ошибки, ML-инженер должен уметь проектировать систему целиком — от постановки задачи до запуска и поддержки. Именно эти навыки проверяют на собеседованиях в бигтехе. Освойте их на курсе по ML System Design от karpovꓸcourses.  Лекции ведёт легендарный Валерий Бабушкин, старший директор данных, аналитики и ИИ в British Petroleum, Kaggle Grandmaster. На вебинарах вы сможете задать ему свои вопросы, обсудить сложные технические и архитектурные решения. За 16 недель научитесь: — переводить бизнес-задачу в технические требования; — выбирать архитектуру, оценивать риски и ограничения; — проектировать работу с данными, метриками и интеграцию модели в продукт; — продумывать мониторинг и поддержку после запуска; — работать с LLM и агентами. А в конце соберете собственный дизайн-документ ML-системы. Обучение занимает 4–6 часов в неделю. Встречи с Валерием проходят по выходным.  В честь Чёрной пятницы на курс впервые дают скидку 20% по промокоду BFML20. → Успейте записаться до 16 ноября Реклама. ООО «КАРПОВ КУРСЫ». ИНН 7811764627. erid: 2W5zFHAJqY6 

Открыть в Telegram
Просмотры2 934−4%к среднему
Пересылки10
Реакции13
Комментарии0

Все посты

Связи