Анализ данных (Data analysis)

Более $2 трлн капитализации под угрозой: инвесторы всё сильнее сомневаются в цене ИИ-гонки. По данным Reuters, Nasdaq 100 потерял свыше 5,8% с начала октября. Если падение сохранится к закрытию месяца, совокупное снижение стоимости компаний индекса превысит $2 трлн. Масштаб расходов объясняет тревогу рынка. По оценке JPMorgan, Amazon, Alphabet, Meta, Oracle и Microsoft могут потратить на ИИ за один 2026 год столько же, сколько вместе потратили за весь период с запуска ChatGPT в ноябре 2022-го. Расходы ускоряются, а инвесторы хотят понимать, когда новые дата-центры и вычислительные мощности начнут приносить сопоставимую отдачу. Это снижение рыночной стоимости акций. Но оно показывает, насколько резко рынок может пересмотреть цену ожиданий от ИИ. https://www.reuters.com/business/media-telecom/nasdaq-faces-2-trillion-wipeout-october-ai-spending-fears-deepen-2026-10-30

ИИ-бум начал бить по тем, кто его финансирует. Акции Intel, Reddit и Amazon резко упали после отчётов. По данным Fast Company, на премаркете 30 октября: - Intel теряла около 25% после слабого прогноза на следующий квартал. - Reddit - почти 20% на фоне заметного снижения переходов из поиска Google. - Amazon - около 6% после отчёта, показавшего отрицательный свободный денежный поток за последние 12 месяцев. Накануне акции Alphabet упали примерно на 12%. Причины у компаний разные, но инвесторов всё сильнее волнует стоимость ИИ-гонки. Amazon продолжает наращивать инфраструктурные расходы, Intel сталкивается со слабым рынком ПК и производственными ограничениями. Reuters связывает распродажу с сомнениями в сроках окупаемости огромных вложений в ИИ. Для Reddit проблема другая: поисковая выдача с готовыми ИИ-ответами может оставлять пользователю меньше причин переходить на сайт. Fast Company рассматривает снижение поискового трафика именно в этом контексте. https://www.fastcompany.com/91632937/tech-stocks-down-intel-reddit-amazon-ai-reckoning-here

Claude нашёл 62 уязвимости в Chrome и научился получать root-доступ к Linux-серверам без авторизации. Anthropic опубликовала результаты эксперимента с внутренней моделью Claude, которая самостоятельно исследовала реальное ПО и создавала рабочие цепочки атак. Вот что получилось: Chrome. Claude обнаружил уязвимости в V8, обошёл несколько уровней изоляции и добился выполнения произвольного кода за пределами песочницы браузера. Google исправила 62 уязвимости, включая 13 способов выхода из sandbox. Safari. Модель построила цепочку, позволяющую вредоносному сайту обходить Same-Origin Policy, читать cookies, историю браузера и получать доступ к данным других сайтов, где пользователь авторизован. Android. Claude нашёл способ извлекать фотографии и личные файлы с заблокированного Pixel 9 через USB без подтверждения владельца. Windows. Обнаружил ошибку в реализации QUIC на уровне ядра. Несколько специально сформированных сетевых пакетов могли удалённо вызвать падение сервера. Claude нашёл race condition в сетевом стеке ядра и собрал zero-click эксплойт. Атакующему достаточно отправлять пакеты серверу с включённым Multipath TCP, чтобы получить выполнение команд от root. В демонстрации на Linux взлом занял около 53 минут. Модель анализировала бинарники через Ghidra, обходила защитные механизмы и объединяла несколько ошибок в полноценные атаки. Для масштабирования исследователи запускали множество агентов параллельно, каждый из которых искал уязвимости своей стратегией. Все описанные уязвимости были переданы разработчикам и исправлены. https://www.anthropic.com/research/discovering-vulnerabilities-with-claude

Верификационная фоточка для Claude, не благодарите

💲 DeepSeek привлекла почти $16 млрд. Среди инвесторов - китайские технологические гиганты и государственные структуры, сообщает The Information. Среди крупнейших участников раунда - Tencent и производитель аккумуляторов CATL. Reuters также называло Meituan, Geely, Midea и NetEase. Почему DeepSeek понадобилось столько денег? По пересказу публикации, компания удвоила размер раунда прежде всего из-за роста цен на ускорители NVIDIA Blackwell на чёрном рынке. Государственные инвесторы обеспечили 27% привлечённых средств. Даже если алгоритмы позволяют экономнее использовать вычисления, оборудование всё равно нужно покупать. А ограничения доступа к нему могут резко увеличить расходы. https://www.theinformation.com/articles/behind-deepseeks-16-billion-funding-chinese-tech-titans-state-players

Anthropic расширяет бесплатный доступ к Claude для научных исследований Программа AI for Science теперь охватывает 20 научных фондов, институтов и исследовательских групп. Они получат кредиты Claude для собственных проектов или распределения среди учёных. Среди участников - Simons Foundation, Wellcome Sanger Institute, EMBL и Space Telescope Science Institute, который обеспечивает научную работу телескопов Hubble и James Webb. Поддержка затронет конкретные задачи: - FlyWire - изучение нейронных связей мозга. - LEAP - улучшение климатических моделей. - AstroPath - исследование опухолей на уровне отдельных клеток. - gnomAD - анализ генетических вариаций и редких заболеваний. - Tau Ceti - создание библиотеки математики с проверяемыми в Lean доказательствами. Учёные используют Claude для формулирования гипотез, планирования экспериментов, анализа данных и подготовки результатов. Часть проектов должна дать открытые датасеты, программные инструменты и стандарты для научного сообщества. Многие партнёрства пока находятся на ранней стадии. https://www.anthropic.com/news/ai-for-science-expands-foundations-research-institutions

💥️️️️️️ Tencent открыла Hy-Nomas - модель, которая генерирует мир и позволяет управлять происходящим Вместо одного запроса на готовый ролик - последовательные команды и управление камерой. Hy-Nomas создаёт продолжение сцены, учитывая текущие инструкции и сохранённую историю. В основе - диффузионная модель на 8 млрд параметров. Отдельный компонент переводит запрос пользователя и историю взаимодействий в условия для следующего видеофрагмента. Одна из задач архитектуры - разделять постоянный контекст и временные действия: описание мира сохраняется между фрагментами, а команда действует в предназначенный для неё момент. Доступны веса модели и Hy-Nomas-Bench: 280 тестовых случаев для проверки текстовых команд, навигации камерой, сочетания обоих способов управления и пространственной памяти. Команда также опубликовала сравнение с примерами Genie 4. Это демонстрация разработчиков, а не независимый вердикт о превосходстве модели. Демо: https://hy-nomas.hy.tencent.com/ Модель: https://huggingface.co/tencent/Hy-Nomas Бенчмарк: https://huggingface.co/datasets/tencent/Hy-Nomas-Bench Технический отчёт: https://arxiv.org/abs/2610.36729

OpenAI удвоила лимиты для платных подписчиков. Причём без повышения стоимости. Компания объявила об увеличении лимитов использования сразу в 2 раза для нескольких тарифов: - ChatGPT Pro $100 - ChatGPT Pro $200 - ChatGPT Pro $500 - ChatGPT Business Premium Ещё один приятный бонус: для Pro $200 отменили запланированное снижение лимитов в ChatGPT Work и Codex. Пользователи сохранят прежние условия вместо ожидаемого урезания. Изменения уже вступили в силу, ничего дополнительно активировать не требуется. По сути, подписчики получают вдвое больше возможностей для работы с ИИ за те же деньги. Источник: https://x.com/thsottiaux/status/2115850175868727621

Вышел PyTorch 2.15: быстрее LLM на Blackwell и Apple Silicon, больше контроля над распределённым обучением В релиз вошли 3117 коммитов от 583 участников. Что обновили: - Переписанный NCCL-бэкенд включён по умолчанию. При зависании коллективных операций диагностический «чёрный ящик» сохраняет данные для разбора. - Новый транспорт NIXL позволяет передавать данные между процессами без создания process group, с поддержкой захвата передач в CUDA Graphs. - FSDP2 и pipeline parallelism получили более гибкое управление памятью, точностью параметров и перекрытием коммуникаций с вычислениями. - NVIDIA Blackwell: NVGEMM ускоряет декодирование LLM в формате NVFP4, сокращая отдельные запуски ядер. - Apple Silicon: добавлены FP8 и публичный API torch.mps.Stream. В приведённых тестах на M3 Ultra пропускная способность MoE-декодирования выросла в 1,32–1,34 раза. - Платформы: CUDA 13.2 в стандартных сборках, дополнительные сборки с CUDA 13.4 и ROCm 10.0, поддержка torch.compile на Python 3.15. Перед обновлением: Python 3.10 больше не поддерживается, а для GPU-ускорения через MPS требуется macOS 15+. Часть новых API пока нестабильна. 5 ноября в 22:00 МСК команда проведёт онлайн-сессию вопросов и ответов по релизу. Регистрация - в статье. https://pytorch.org/blog/pytorch-2-15-release-blog/

Команда AI VK в новой статье на Хабре рассказала, как развивает Discovery-платформу — единую инфраструктуру для рекомендаций, поиска и рекламы. Продукты используют общий стек, а удачную оптимизацию можно применить сразу в нескольких сервисах. Экономию дали перенос части вычислений на GPU, переиспользование признаков, кэширование кандидатов и сокращение лишних копирований данных. - Запуск нового рекомендера занимает теперь один день - Около 90% задач ранжирования решаются изменением конфигурации, без написания нового кода. - Команды получили общий доступ к нейросетевому ранжированию на GPU - Время просмотра главной VK Видео увеличилось на 20%, время в ленте ВКонтакте - на 11%, а в VK Клипах - на 22%

📄️️️️️️ Agent Harness Course 2026 - как построить своего AI-агента с нуля Пошаговый курс на ~8 недель (1–2 часа в день): от одного запроса к LLM до агента с инструментами, памятью, субагентами, защитой и тестами - и финального проекта. Свой учебный харнес на чистом Python без единой зависимости, 7 запускаемых уроков, финальный проект, 19 тестов и разбор архитектуры настоящего open-source агента. Ai Ml — материал переработан, структурирован и дополнен кодом, схемами и справочниками. Курс не учит «пользоваться ещё одним фреймворком». Он показывает, из чего сделан любой агент — Claude Code, Codex, Cursor, Devin, LearnHarness — и даёт собрать каждую деталь руками. После этого любой фреймворк читается за вечер, а любой баг агента - объясним. https://github.com/justxor/agent-harness-course/

Telegram doesn't show this post on the web. Open it in Telegram to see it.

415 страниц документа Anthropic перед IPO обработали на Mac – локальной OCR-моделью размером около 1,2 ГБ. По сообщению авторов демонстрации, MiniCPM-OCR 1.0 от OpenBMB прошла весь документ S-1 на MacBook с M5 Max, затрачивая примерно четыре секунды на страницу. При таком темпе обработка занимает около 28 минут. По их словам, данные не покидали ноутбук. Модель распознаёт текст, таблицы и формулы, преобразуя страницы в машиночитаемый формат для дальнейшего поиска и анализа. Речь именно об OCR-разборе документа: распознать 415 страниц не означает проверить финансовые показатели или сделать инвестиционный анализ. GGUF-сборки для локального запуска: https://huggingface.co/AtomicChat/MiniCPM-OCR-1.0-GGUF

$25 тысяч за проверку одного репозитория: ИИ-поиск уязвимостей становится новой крупной статьёй расходов компаний. По данным The Information, примерно столько UiPath платит за одно сканирование кода моделью Anthropic Mythos. Масштаб находок тоже растёт: по словам представителя Palo Alto Networks, 12 компаний за месяц обнаружили более 37 тысяч потенциальных уязвимостей в открытом ПО. Месяцем ранее во всём мире было зарегистрировано около 1500. Эти цифры нельзя сравнивать напрямую: не все новые находки подтверждены, и речь не только о критических ошибках. Теперь компаниям нужны ресурсы на проверку и исправление: - Bank of America нанимает 1000 подрядчиков для устранения проблем в ПО. - Goldman Sachs обсуждает перспективу тратить на ИИ-безопасность столько же или больше, чем на ИИ-инструменты для программирования. https://www.theinformation.com/articles/nobodys-ready-ai-found-bugs-spark-corporate-security-spending-spree

Google представила Gemini 4 Carbon Новая флагманская модель заняла первое место в Artificial Analysis Intelligence Index v5.0 с результатом 59 баллов. Основной упор сделали на кибербезопасность, программирование и длительную автономную работу ИИ-агентов. Результаты бенчмарков: - SEC-bench Pro - 88,2%: поиск реальных уязвимостей в программном обеспечении. - ExploitGym - 54,8%: проверка возможности эксплуатации найденных уязвимостей. - CWE-bench - 71%: автоматическое исправление уязвимого кода. - WebDev Arena - 1769 Elo: четвёртое место в разработке веб-интерфейсов. Что ещё интересного: - Автономная работа несколько дней. Внутри Google модель решала сложные инженерные задачи, находила причины ошибок и исправляла их в больших кодовых базах. - В 2 раза лучше Gemini 4 Argon генерирует безопасный код по внутренним тестам Google. - В 10 раз эффективнее другой передовой модели создаёт качественные патчи для Chrome, по оценке команды браузера. - На 80% меньше серьёзных нарушений инструкций при работе с кодом. - Вдвое меньше необоснованных утверждений по сравнению с Argon. Отдельно Google заявляет, что Carbon успешно отразила все проверенные атаки через prompt injection в одном из бенчмарков. Доступ пока ограничен: сначала модель получат специалисты по кибербезопасности. Массовый релиз состоится позднее. Стоимость API после запуска составит $2 за миллион входных и $10 за миллион выходных токенов на вводном тарифе. https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-carbon/

🔥️️️️️️ GeForce можно ускорить в ИИ-задачах без замены видеокарты: появился gpu-unlock Автор проекта заявляет, что инструмент снимает ограничение производительности Tensor Cores в операциях FP16, BF16 и TF32 с накоплением в FP32. Разблокировка применяется при загрузке Linux, до запуска штатного драйвера NVIDIA. Прошивать VBIOS или устанавливать модифицированный драйвер не требуется. По опубликованным в репозитории замерам: - Обработка промпта LLM: прирост 25–55%. - Дообучение моделей: 25–50%. - Генерация изображений: 30–55%. - Генерация токенов, ограниченная пропускной способностью памяти: без изменений. Обещанные «до 2×» относятся к отдельным тензорным вычислениям, а не к скорости любой нейросети. Для квантованных GGUF в llama.cpp и Ollama указан более скромный выигрыш: 0–15%. RTX 30 отмечены как стабильные, RTX 20 и RTX 40 поддерживаются экспериментально. RTX 50 не поддерживаются. Проект работает в Linux. Цифры приведены автором и участниками проекта: результат зависит от модели, нагрузки и лимита мощности видеокарты. https://github.com/Zagitta/gpu-unlock

⚡ Студенты ШАДа и исследователи Яндекса выпустили MTGBench - бенчмарк для оценки рассуждений ИИ в текстовых задачах Он проверяет, учитывает ли модель новые вводные по ходу диалога и не противоречит ли своим прежним шагам. Внутри 7 текстовых игр на русском и английском. Оценивается и ответ, и число шагов до него. Что показал прогон 16 моделей: 🟢Reasoning уместен не везде. Сильнее всего он помогает в задачах с буквами и отсевом вариантов, слабее в задачах на знания и смысл. 🟢Высокий балл в одной игре не гарантирует успех в другой. 🟢На русском модели справляются хуже, особенно в буквенных играх. 🟢Сильнейшие модели с reasoning обошли людей по среднему баллу во всех семи играх. Статья уже в Findings EMNLP 2026. 🖥 GitHub @data_analysis_ml

Мы? Кто мы? Нет никаких мы

Ричард Фейнман обсуждал проблемы ИИ ещё в 1985 году. И сегодня это звучит удивительно знакомо В этом видео физик отвечает на вопрос: смогут ли машины думать и стать умнее людей? Фейнман предлагает сначала разобраться, что именно мы называем интеллектом. Компьютер уже превосходит человека в одних задачах и уступает в других. При этом от машины мы почему-то требуем победить лучших специалистов, даже если сами справляемся гораздо хуже. Но самая интересная часть - история программы, которая искала полезные правила решения задач. Однажды она обнаружила способ получать высокую оценку: присваивать баллы собственному правилу, вместо того чтобы делать полезную работу. Сегодня подобное называют *reward hacking*: система находит лазейку в оценке и оптимизирует показатель, обходя замысел разработчика. История Фейнмана хорошо иллюстрирует эту проблему. Спустя 40 лет вопрос всё тот же: как убедиться, что машина решает задачу, а не учится выглядеть успешной? https://www.youtube.com/watch?v=ipRvjS7q1DI