Анализ данных (Data analysis)

🔥 Qwen3.8-Flash выглядит очень сильно * 125B MoE-параметров, но активны только 6B * SWE-bench Pro: 62.5 против 53.4 у Opus 4.6 Max * ранний превью архитектуры Qwen4 * обучение обошлось примерно в 9 раз дешевле, чем у Qwen3.7-Plus Получается очень агрессивное сочетание цены, скорости и качества, особенно для coding-задач. - Blog: https://qwen.ai/blog?id=qwen3.8-flash-next - Technical Report: https://github.com/QwenLM/Qwen3.8-Flash-Next/blob/main/tech_report.pdf - Hugging Face: https://huggingface.co/Qwen/Qwen3.8-Flash-Next?spm=a2ty_o06.30285417.0.0.1d73c921FsyOPe&file=Qwen3.8-Flash-Next - ModelScope: https://modelscope.cn/models/Qwen/Qwen3.8-Flash-Next?spm=a2ty_o06.30285417.0.0.1d73c921XAP2dV&file=Qwen3.8-Flash-Next

Мастер

🔥 OX Alpha - это новая GLM Bloomberg подтвердил: OX Alpha действительно относится к новой линейке GLM. Ещё интереснее - веса модели обещают выложить уже сегодня. Получается, все «инсайды» о том, что OX Alpha якобы не имеет отношения к новой GLM, оказались мимо. Ждём релиз весов - после этого модель можно будет нормально разобрать уже без догадок. https://x.com/Machinelearrn/status/2092567811562307615

🔥 DeepSeek резко нарастила выручку По данным The Information, к июлю 2026 года выручка DeepSeek достигла $70 млн - примерно в 10 раз больше, чем за весь 2025 год. Ещё несколько цифр: * валовая маржа API - 82,9% * компания ищет около 50 млрд юаней во втором раунде * обсуждаемая оценка - 500 млрд юаней, примерно $74 млрд Рост связывают с низкой стоимостью инференса и эффективной AI-инфраструктурой, которая позволяет держать цены на модели ниже многих конкурентов. https://www.theinformation.com/articles/deepseeks-revenue-reaches-70-million-july-tenfold-jump-2025

Скайнет рядом! Датчики усилия в запястьях робота, напрямую передают данные в контроллер баланса. И ещё впечатляет, как быстро всё происходит: стоит углу наклона каната измениться, роботы почти мгновенно снова выравнивают положение бёдер.

🤯 Локальные AI-модели становятся пугающе мощными Qwen3.8-27B вошла в топ-10 рейтинга Arena WebDev, оказавшись всего в нескольких позициях от моделей, которые больше неё на порядки. Модель всего на 27 млрд параметров, которую можно запускать локально. Ещё недавно такие возможности требовали огромных облачных моделей и дорогой инфраструктуры. Теперь open-source модели начинают конкурировать с лидерами рынка прямо на своём железе. Alibaba с серией Qwen 27B закрепилась в отдельном классе размеров и сейчас выглядит практически без конкурентов. https://x.com/arena/status/2091920512796725272

💰 Фурнитурщик стал миллиардером благодаря буму AI Компания, которая десятилетиями делала обычные направляющие для ящиков, неожиданно оказалась критически важной для индустрии искусственного интеллекта. Почему? Те же самые механизмы теперь нужны внутри AI-серверов - для тяжёлых модулей и компонентов инфраструктуры. Компания заняла около 80% мирового рынка направляющих, а состояние её основателя выросло примерно до $20,2 млрд. Пока все смотрели на чипы NVIDIA, кто-то заработал на деталях, без которых эти серверы просто не собрать. https://www.wsj.com/business/one-of-taiwans-biggest-ai-winners-isnt-a-chip-maker-51768bd5

Подборка неудачных моментов с Всемирных игр гуманоидных роботов.

NVIDIA заявила о 30-кратном росте эффективности Vera Rubin NVL72 для AI-агентов По новым замерам NVIDIA, система Vera Rubin NVL72 показывает до 30x больше throughput на мегаватт и до 35x меньшую стоимость токенов по сравнению с GB300 NVL72 на агентных нагрузках. Тестировали не обычный чат, а реальные coding-сессии из SemiAnalysis AgentX: длинный растущий контекст, вызовы инструментов, запуск субагентов и многошаговое рассуждение. По данным OpenRouter, такие сценарии могут потреблять примерно в 15 раз больше токенов, чем обычный запрос в чат. В Vera Rubin NVIDIA отдельно оптимизировала работу с длинным контекстом: distributed KV-cache, KV-aware routing, разделение prefill и decode, expert parallelism и новые CUDA-кернелы. На DeepSeek V4 Pro Vera Rubin NVL72, по данным NVIDIA, даёт до 30x больше throughput на мегаватт относительно GB300 NVL72. Эти результаты пока ожидают проверки SemiAnalysis. https://blogs.nvidia.com/blog/vera-rubin-nvl72-efficiency-ai-agents/

⚡️ Какие локальные AI-модели запускать на 8-256 ГБ VRAM Если хочется максимум качества из доступной видеопамяти, сейчас расклад примерно такой: 8 ГБ VRAM Qwen3.8-27B IQ1_S Максимально агрессивная квантизация, если хочется запустить большую модель даже на небольшой GPU. https://huggingface.co/unsloth/Qwen3.8-27B-GGUF/blob/main/Qwen3.8-27B-UD-IQ1_S.gguf 16 ГБ VRAM Qwen3.8-27B Q2_K_XL Уже более разумный баланс между размером модели, памятью и качеством. https://huggingface.co/unsloth/Qwen3.8-27B-GGUF/blob/main/Qwen3.8-27B-UD-Q2_K_XL.gguf RTX 3090 / 24 ГБ Qwen3.8-27B Q4_K_M Один из наиболее интересных вариантов для домашней локальной машины. https://huggingface.co/unsloth/Qwen3.8-27B-GGUF/blob/main/Qwen3.8-27B-UD-Q4_K_M.gguf RTX 5090 Qwen3.8-27B NVFP4 Отдельная сборка с упором на современные NVIDIA GPU и 4-битный inference. https://github.com/MiaAI-Lab/Qwen3.8-27B-NVFP4-RTX-5090 RTX PRO 6000 Qwen3.8-27B NVFP4 + SGLang https://github.com/MiaAI-Lab/Qwen3.8-27B-RTX-6000-PRO-SGLang-DSpark DGX Spark Здесь уже можно смотреть в сторону DeepSeek v4 Flash и Qwen3.8-27B. DeepSeek: https://github.com/MiaAI-Lab/DeepSeek-v4-Flash-One-DGX-Spark Qwen: https://github.com/MiaAI-Lab/Qwen3.8-27B-SGLang-DGX-Spark 2× DGX Spark DeepSeek v4 Flash https://github.com/MiaAI-Lab/DeepSeek-v4-Flash-DSpark-2x-DGX-Spark Если коротко: сейчас больше всего интересных локальных конфигураций строится вокруг Qwen3.8-27B и DeepSeek v4 Flash. Контекст, KV-cache, backend, quantization и размер offload могут заметно изменить реальные требования к памяти. Сохраняй как шпаргалку для следующего локального AI-сервера.

✔️ В Claude Code появилась команда создания UI-макетов Проектировать интерфейс теперь можно до написания кода - в терминале или в десктопном приложении. Достаточно дать базовый промпт (например, несколько вариантов экрана под конкретную задачу), указать команду /design и модель выдает серию набросков в виде интерактивных Artifacts. Удачный вариант точечно доработать и передать в код. Как пояснил инженер Anthropic Нейт Парротт, модель при этом читает существующую кодовую базу проекта - чтобы новые компоненты сразу попадали в визуальный стиль приложения. Одно ограничение - макеты учитываются при генерации кода, но сохранять их приходится вручную. Чтобы попробовать, обновите Claude Code командой claude update. #news #ai #ml @data_analysis_ml / Папка полезного по ML.

⚡️ Qwen3.8-27B снова «разблокировали», но теперь аккуратнее У Huihui-Qwen3.8-27B-abliterated-GGUF появилась новая серия UD-Q, собранная на базе unsloth/Qwen3.8-27B-GGUF. В этот раз ablation применили только к слоям 18–51, остальные слои оставили нетронутыми. Идея в том, чтобы сильнее сохранить исходные способности Qwen3.8-27B, одновременно уменьшив количество отказов модели. MTP и визуальную часть не меняли. После конвертации размеры GGUF могут отличаться от оригинальных сборок. Доступны разные квантизации для локального запуска: https://huggingface.co/huihui-ai/Huihui-Qwen3.8-27B-abliterated-GGUF/tree/main

Вайбкодеры выпускают свое рандомное говно-приложение без единого юзера 😂

🔥 Nvidia выделяет $7 млрд на открытые модели и идет за DeepSeek и Kimi Nvidia резко усиливает ставку на open-weight AI. По данным WSJ, компания заплатит $6 млрд за лицензирование технологий Poolside и заберет в команду Nemotron больше 100 ее сотрудников. Еще $1 млрд Nvidia инвестирует непосредственно в Poolside при оценке стартапа в $12 млрд до сделки. Задача амбициозная: превратить Nemotron в семейство моделей, способное конкурировать не только с DeepSeek и Kimi, но и с закрытыми моделями OpenAI и Anthropic. Получается интересный разворот. Компания, которая зарабатывает миллиарды на продаже GPU крупнейшим AI-лабораториям, теперь сама вкладывает миллиарды в альтернативу их закрытым моделям. Похоже, гонка open-weight моделей только начинается. https://www.wsj.com/tech/ai/nvidia-is-spending-6-billion-to-build-a-powerful-u-s-alternative-to-chinese-ai-c51c38cc @data_analysis_ml / Папка полезного по ML.

Чистое механическое месиво. Во время предгоночного теста перед полумарафоном гуманоидных роботов Beijing Yizhuang 2026.

🔥 Хочешь быстрее расти в IT? Хватит учиться в одиночку Окружение решает больше, чем кажется. Собрал папки и каналы, где можно быстрее влиться в нужное направление, следить за трендами и не вариться в своём пузыре. AI: t.me/ai_machinelearning_big_data Python: t.me/pythonl Linux: t.me/linuxacademiya Хакинг: t.me/linuxkalii DevOps: t.me/DevOPSitsec Docker: https://t.me/+90Z5TAyfuNU5YmRi Golang: t.me/Golang_google Rust: t.me/rust_code C++: t.me/cpluspluc C#: t.me/csharp_1001_notes Java: t.me/javatg JavaScript: t.me/javascriptv React: t.me/react_tg Frontend: t.me/front PHP: t.me/phpshka Android: t.me/android_its Мобильная разработка: t.me/mobdevelop Базы данных: t.me/sqlhub Data Science: t.me/data_analysis_ml Big Data: t.me/bigdatai Математика: t.me/data_math Физика: https://t.me/+S4hinvO3QI43ZjNi Kubernetes: t.me/kubernetc GameDev: https://t.me/gamedev Haskell: t.me/haskell_tg Собеседования и карьера: DS собеседования: t.me/machinelearning_interview Python собеседования: t.me/python_job_interview Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy Папка Frontend: https://t.me/addlist/mzMMG3RPZhY2M2Iy Полезное сверху: ИТ-мемы: t.me/memes_prog Английский для программистов: t.me/english_forprogrammers ИИ и технологии: t.me/vistehno 954 ГБ open-source курсов: https://t.me/+rKBQEMccAA01MTcy ИТ-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy Max Ai: https://max.ru/ai_machinelearning_big_data Max python: https://max.ru/pythonl ТЕХНО: https://max.ru/vistehno Max Go: https://max.ru/Golang_google Max Linux: https://max.ru/linuxkalii Devops: https://max.ru/DevOPSitsec C#: https://max.ru/csharp_ci C++: https://max.ru/cpluspluc SQL: https://max.ru/sqlhub Java: https://max.ru/javatg Подписывайся на нужные направления и собирай себе ленту, которая реально двигает вперёд.

«NVIDIA решила ARC-AGI-3» или не совсем ? Сейчас по сети расходится громкий результат NVIDIA, но сравнение оказалось запутаннее заголовков. Результат NVIDIA получен на публичном наборе ARC-AGI-3, а не на закрытом/semi-private бенчмарке, который используется для официального leaderboard. Сам ARC Prize прямо предупреждает, что public set проще и не должен использоваться как официальный показатель прогресса. Плюс речь идёт не просто о «модели NVIDIA»: агентная система использует Claude Opus 5 внутри harness. А знаменитые 30,16% Opus 5 - это как раз подтверждённый результат на semi-private evaluation, а не сопоставимый score на public set. Поэтому сравнивать эти цифры напрямую нельзя: разные наборы задач + разные agent harness. https://developer.nvidia.com/blog/nvidia-avo-reaches-100-on-arc-agi-3-demonstrating-a-frontier-level-general-purpose-architecture-for-long-horizon-autonomous-agents/

⚡️ Anthropic спрятала Claude Mythos 5 внутри Claude Security Теперь обычный клиент Claude Enterprise может получить пользу от Mythos 5 через Claude Security - без прямого доступа к самой модели. Схема простая: GitHub-репозиторий → Claude Security → Mythos 5 сканирует код → на выходе уязвимости, severity, confidence и предложенные исправления. То есть Mythos 5 фактически становится специализированным security-движком внутри продукта. Есть важное ограничение: свободно промптить Mythos из Claude Security нельзя. Это не отдельный чат с моделью, а встроенный инструмент анализа репозитория. https://x.com/claudeai/status/2090852314319880425

OpenAI, похоже, пытается перевести пользователей ChatGPT на более жёстко измеряемое потребление На фоне жалоб, что лимиты у части пользователей начали заканчиваться быстрее, появилась версия: OpenAI постепенно балансирует бесплатное/безлимитное использование ChatGPT с более контролируемым потреблением в Codex и ChatGPT Work. Сам Tibo сообщил, что Codex уже достиг 20 млн активных пользователей, а всем пользователям Codex и ChatGPT Work выдадут дополнительный «banked reset», который можно будет использовать позже. При этом OpenAI отдельно говорит, что расследует сообщения о слишком быстром расходовании лимитов и пока не видит системной аномалии. Если гипотеза верна, логика понятна: уменьшать убытки на тяжёлых подписках, точнее привязывать compute к выручке и использовать более дешёвые модели как fallback после исчерпания лимитов.

Я объясняю работу с ИИ друзьям