Artificial Intelligence

✔️ 10 книг, чтобы понять, как реально работают LLM (2026) 1. Deep Learning https://deeplearningbook.org Библия нейросетей - backprop, архитектуры, вся база 2. Artificial Intelligence: A Modern Approach https://aima.cs.berkeley.edu Фундаментальный взгляд на AI как систему 3. Speech and Language Processing https://web.stanford.edu/~jurafsky/slp3/ NLP, трансформеры и язык - максимально глубоко 4. Machine Learning: A Probabilistic Perspective https://probml.github.io/pml-book/ Вероятности, статистика и основа ML 5. Understanding Deep Learning https://udlbook.github.io/udlbook/ Современное объяснение DL с хорошей интуицией 6. Designing Machine Learning Systems https://oreilly.com/library/view/designing-machine-learning/9781098107956/ Как довести модели до продакшена 7. Generative Deep Learning https://github.com/3p5ilon/ML-books/blob/main/generative-deep-learning-teaching-machines-to-paint-write-compose-and-play.pdf Практика генеративных моделей и трансформеров 8. Natural Language Processing with Transformers https://dokumen.pub/natural-language-processing-with-transformers-revised-edition-1098136799-9781098136796-9781098103248.html Как строить NLP-системы на трансформерах 9. Machine Learning Engineering https://mlebook.com Инженерия ML и продакшен 10. The Hundred-Page Machine Learning Book https://themlbook.com Суперконцентрированная база без лишнего

🌟 Claude Code Game Studios: 48 ИИ-агентов как полноценная игровая студия. Соло-разработчик с доступом к Claude Code теперь может развернуть целую гейм-дев студию с креативным директором, лидами отделов и профильными специалистами. В основу геймдизайнерских подходов заложены MDA Framework, теория самодетерминации и проектирование состояния потока. Claude Code Game Studios - шаблон для Claude Code, который организует ИИ-сессию в трёхуровневую иерархию из 48 специализированных агентов.

На вершине 3 директора (креативный, технический и продюсер), работающие на модели Opus.

Уровнем ниже 8 руководителей отделов на Sonnet: геймдизайнер, ведущий программист, арт-директор, директор по звуку, нарративный директор и другие.

Третий уровень - специалисты на Sonnet и Haiku: от геймплэй-программиста и дизайнера экономики до DevOps-инженера и специалиста по доступности.

Агенты взаимодействуют по четкому протоколу: вертикальная делегация задач сверху вниз, горизонтальные консультации между агентами одного уровня, эскалация конфликтов к общему руководителю. Каждый агент работает строго в границах своего домена и не модифицирует чужие файлы без явного поручения. Помимо агентов, шаблон включает 37 команд, покрывающих весь цикл разработки: планирование спринтов, ревью кода и дизайна, аудит ассетов, генерацию идей, подготовку к релизу. Отдельная категория - командные воркфлоу, которые координируют работу нескольких агентов над конкретной фичей: боевой системой, нарративом, интерфейсом или звуком. Параллельно работают 8 хуков, привязанных к событиям git и жизненному циклу сессии. Они срабатывают автоматически: валидируют коммиты на захардкоженные значения и корректность данных, предупреждают о пушах в защищённые ветки, подгружают контекст текущего спринта при старте и фиксируют результаты при завершении. Ещё один слой - 11 правил, привязанных к путям в проекте. Они применяются при редактировании файлов в соответствующих директориях и задают стандарты для каждой зоны кодовой базы. 🟡Это не автопилот. Агенты задают вопросы, предлагают несколько вариантов с плюсами и минусами, показывают черновик. Но финальное решение всегда за человеком, ничего не фиксируется без его одобрения. 🟡Шаблон работает с Godot 4, Unity и Unreal Engine 5. Для каждого предусмотрен свой лид-агент с набором суб-специалистов: у Godot это GDScript, шейдеры и GDExtension, у Unity - DOTS/ECS, VFX и UI Toolkit, у Unreal - GAS, Blueprints и Replication. Проект открыт к кастомизации: агентов можно добавлять и удалять, промпты редактировать, хуки - перенастраивать. 📌Лицензирование: MIT License. 🖥GitHub @ai_machinelearning_big_data #AI #ML #Vibecoding #Gamedev #Claude

🔥 Исследователи из AIVK рассказали, как меняются рекомендательные системы Коротко: привычную схему с этапами постепенно убирают. На её месте появляется подход, где одна модель собирает всю выдачу целиком. Разбираемся в актуальных трендах в рекомендациях 

Helios: Real Real-Time Long Video Generation Model Hf: https://huggingface.co/papers/2603.04379 Code: https://github.com/PKU-YuanGroup/Helios Page: https://pku-yuangroup.github.io/Helios-Page/

🚀 Ling-2.5-1T: новый open-source гигант • 1 трлн параметров • 63B активных • MIT лицензия - можно использовать в продакшене Что внутри: ⚡ Hybrid Linear Attention Комбинация MLA (1:7) + Lightning Linear - быстрее Kimi K2 на длинных контекстах 🧠 В 4 раза эффективнее по токенам Composite rewards позволяют достигать уровня топ-моделей, используя в 4 раза меньше токенов 📚 Контекст до 1 млн токенов YaRN scaling — обходит Kimi K2.5 и DeepSeek V3.2 на тестах RULER и MRCR — идеальные результаты в NIAH 🛠️ SOTA для агентных задач Обучение через Agentic RL Лидер BFCL-V4 Нативная интеграция с: - Claude Code - OpenCode - OpenClaw 🎯 Чёткое следование инструкциям Bidirectional RL + проверка агентом Минимум «воды», максимум плотности ответа Модель пока уступает GPT-5.2 и Gemini 3 Pro в долгих многошаговых задачах. Open-source модели уже заходят на территорию enterprise-агентов. Если нужен длинный контекст + инструменты + контроль над инфраструктурой - это один из самых интересных кандидатов прямо сейчас. modelscope.ai/models/inclusionAI/Ling-2.5-1T modelscope.cn/models/inclusionAI/Ling-2.5-1T

Data Fusion 2026: регистрируемся на главную конференцию этой весны по анализу данных и технологиям ИИ! 💙 Конференция Data Fusion — встречаемся 8–9 апреля 2026 года в Москве в инновационном кластере «Ломоносов». Это будут два насыщенных дня о том, как работа с данными и ИИ превращаются в реальные продукты и сервисы. Какая программа вас ждет: ☑ 60+ практических сессий: лекции, мастер‑классы, кейс‑разборы и дискуссии — всё, чтобы взять рабочие идеи в бэклог. ☑ Актуальные и полезные темы: ИИ-агенты, RL, CV, NLP, Open Source, Embodied AI и робототехника, рекомендательные системы, применение ИИ в кибербезопасности, AI+ естественные науки, AgentOps и многое другое. Полная программа есть на сайте. Конференция объединит лидов ML-команд, DS-специалистов, ученых, инженеров, аналитиков и руководителей, принимающих решения о внедрении технологий в бизнес и государственные сервисы. Среди спикеров: Денис Суржко (ВТБ), Иван Оселедец (AIRI), Андрей Райгородский (МФТИ), Евгений Бурнаев (Сколтех / AIRI), Тигран Саркисов (Х5), Александр Крайнов (Яндекс), Андрей Зима (Ростелеком) — и другие практики из науки и индустрии. И, конечно же, всех участников ждет нетворкинг и новые знакомства! Живое общение и короткие разговоры — это источник полезных контактов и быстрых решений. На сессиях можно будет задать конкретные вопросы спикерам и вытащить для команды готовые подходы и рекомендации. Знакомьтесь с программой и регистрируйтесь, до встречи! Информация о рекламодателе

🚨 Похоже найдены следы DeepSeek V4?. В репозитории/ветках заметили MODEL1 - и самое интересное, что он выглядит как отдельная независимая ветка, параллельная V3.2. То есть это не “патч” внутри линейки V3, а похоже на: ✅ новый модельный ряд ✅ с другими архитектурными параметрами ✅ потенциально flagship-апдейт Если следовать неймингу DeepSeek: после V3.2 крупный архитектурный скачок логично назывался бы V4. Пока без официального подтверждения, но сигнал жирный: если MODEL1 действительно новая архитектура, нас ждёт большой релиз. https://x.com/nopainkiller/status/2013522059662614653

Senior AI Engineer во Fluently (YC W24) 📍Remote 💵 Оплата в USD 🚀Фаундер — Юрий Ребрик, ex Amazon, Google, NVIDIA Fluently — AI-тьютор, который помогает улучшать разговорный английский язык людям по всему миру, строящим карьеру в зарубежных компаниях. Стартап прошел в YCombinator в 2024 году, за последние 8 месяцев выросли со $100k до $6M ARR. Размер команды – 20 | Инвестиции – $2.5M Над чем предстоит работать - Развивать голосового AI-агента: LiveKit/WebRTC, streaming ASR/TTS, RAG, function-calling, написание промптов и тд. - Тренировать и деплоить ML модели в прод: ASR/LLM/TTS/voice-related. - Обеспечивать надёжность и observability в проде: алерты, трейсинг, оптимизация латенси, быстрый фикс проблем. Must-haves - Опыт самостоятельной тренировки и деплоя ML моделей. - Умение много работать и делать быстро. Nice to have - Опыт создания ai voice agents. - Contribution to open source github repos. - Kaggle, Codeforces, олимпиады, etc. The deal - Конкурентная зарплата в USD + опционы. - Remote-first: работа из любой точки мира через Deel. - Поездка в США на месяц для совместной работы и командные оффсайты. Узнать подробнее и откликнуться тут, почитать блог фаундера можно здесь.

🔥 Идея из paper: перестать “тренировать наугад” - и сначала предсказывать, какой код выиграет Обычно ML-агенты работают так: написал код -> запустил обучение -> посмотрел результат -> исправил -> снова запустил… Проблема в том, что каждая попытка может занимать часы, и получается дорогой trial-and-error. Авторы предлагают другой подход: ✅ вместо того чтобы проверять все варианты агент сначала рассуждением выбирает, какой из 2 решений лучше, и запускает обучение только для лучшего кандидата. То есть: сначала прогноз -> потом одна проверка, а не десятки запусков. Они оформляют это как задачу: “выбор лучшего решения по данным” (data-centric preference) На вход дают: - описание задачи - *подтверждённый отчёт о датасете* (data report) - два варианта кода Чтобы отчёту можно было доверять, они: 1) прогоняют отдельный профайлинг-скрипт по данным 2) проверяют логи 3) переписывают статистику в простой текст, понятный LLM Результат на реальных данных: - 18,438 пар решений - 26 задач - точность лучшей модели: 61.5% - и ещё важно: уверенность модели реально совпадает с тем, права она или нет В их системе FOREAGENT это даёт: ⚡ поиск в 6 раз быстрее 📈 примерно на 6% лучше качество Вывод простой: мы можем ускорить обучение агентов не за счёт железа, а за счёт “умного отбора” - тренировать только то, что с высокой вероятностью сработает. Paper: arxiv.org/abs/2601.05930

⚡️ Хочешь, чтобы твою статью признали научным прорывом года в ИИ? ВТБ и Институт ИИ МГУ запустили Data Fusion Awards 2026 — конкурс лучших научных работ об искусственном интеллекте. Темы — от машинного обучения и нейроморфных вычислений до робототехники и объяснимого ИИ. Подходят статьи, опубликованные в 2025 году. 💰 Призовой фонд — 3 млн рублей (по 1 млн трем победителям) ⏰ Приём заявок открыт до конца января 👉 Подать заявку можно на сайте #AI #нейросети #наука #DataFusionAwards2026