id 1684146975Фотография
Я в Америке не живу. И желания нет. Что такое возвращаться? Вечером обязательно приду домой.
29 июня 2026
Фотография
нажмите — покажем
нажмите — покажем
FT: Apple просит Вашингтон разрешить закупку DRAM у CXMT, китайского поставщика из чёрного списка, потому что спрос на AI-серверы сделал обычную память для устройств болезненно дорогой.
DRAM - это краткосрочная рабочая память внутри iPhone, Mac и iPad. HBM - более быстрая многослойная версия памяти для AI-ускорителей. Из-за AI-бума производственные мощности всё сильнее уходят в серверы, а не в потребительские устройства.
Проблема Apple в давлении поставщиков. Компания в основном зависит от Micron, Samsung и SK Hynix, тогда как CXMT могла бы дать более дешёвую поставку из китайской программы развития памяти, поддержанной государством.
Но CXMT находится в списке Chinese Military Company у Пентагона. Сам по себе он не запрещает Apple покупать у компании, но сигнализирует о риске для нацбезопасности. Ситуация станет куда серьёзнее, если Минторг США добавит CXMT в Entity List.
Потеря Apple $263 млрд рыночной стоимости была связана с давлением цен на память, из-за которого пришлось поднимать цены на MacBook и iPad. Это показывает, как спрос на AI-инфраструктуру уже повышает себестоимость обычных потребительских устройств.
https://www.ft.com/content/d72a25e2-7bde-4aa9-bd8d-0c4f3d6cb2cb?syn-25a6b1a6=1
4.4K · чем сейчас лучше парсить PDF для RAG?
я импользую llama_index (PDFParser)
я получаю странный вывод если в документе (который оригинально гугл док) каждое слово из блока с буллет поинтом выводится на новой строке да еще и пустая строка между словами
text
and
visual
segments,
then
applies
classification
хотя в документе там
text and visual segments, then applies classification
id 1684146975FT: Apple просит Вашингтон разрешить закупку DRAM у CXMT, китайского поставщика из чёрного списка, потому что спрос на AI-серверы сделал обычную память для устройств болезненно дорогой.
DRAM - это краткосрочная рабочая память внутри iPhone, Mac и iPad. HBM - более быстрая многослойная версия памяти
Файл
elia-omega-v7-1-audit-final-b200.ipynb · 214 КБ · нажмите — покажем
elia-omega-v7-1-audit-final-b200.ipynb · 214 КБ · нажмите — покажем
добрый вечер подскажите пожалуйста, насколько я бесполезную математику для обучения сделал?
Pacmanчем сейчас лучше парсить PDF для RAG?
я импользую llama_index (PDFParser)
я получаю странный вывод если в документе (который оригинально гугл док) каждое слово из блока с буллет поинтом выводится на новой строке да еще и пустая строка между словами
text
and
visual
segments,
then
applies
datalab.to неплохо парсит, свои инстурменты они релизили, вроде, можно локально поднять
30 июня 2026
Фотография
нажмите — покажем
нажмите — покажем
🖥 NVIDIA показала HORIZON для agentic hardware design
У NVIDIA вышла работа про HORIZON - систему, где агентное программирование переносится в дизайн железа.
Идея интересная: hardware design рассматривается не как разовая генерация Verilog-кода, а как эволюция целого репозитория. Markdown harness превращается в project pack: внутри доменные знания, исполняемый evaluator, критерий приёмки и правила работы с git.
Дальше агент не просто пишет кусок кода, а меняет изолированное worktree, запускает проверки и двигается по результатам verifier harness.
Для железа это особенно важно. Здесь мало красивого ответа в чате: дизайн должен проходить исполняемые тесты, симуляции и формальные ограничения. Поэтому verifier становится настоящим интерфейсом между агентом и задачей.
В статье заявляют 100% benchmark completion на нескольких наборах задач по hardware design. Даже если вы не работаете с EDA, за этим стоит следить: agentic coding начинает заходить туда, где ошибка стоит намного дороже, чем сломанный unit test.
Paper: https://arxiv.org/abs/2606.28279
4.3K · Есть ли методика для трансформера которая выявляет взаимосвязь и полезность признаков между собой?
Например подать к цене atr + adx бессмысленно , т.к это генерирует шум и трансформер может сам просто по цене это научится определять ?
Или тут какое правило? Подавать на вход независимые признаки, которые не содержат никакой производной информации между собой?
A IЕсть ли методика для трансформера которая выявляет взаимосвязь и полезность признаков между собой?
Например подать к цене atr + adx бессмысленно , т.к это генерирует шум и трансформер может сам просто по цене это научится определять ?
Или тут какое правило? Подавать на вход независимые признаки, ко
Если я правильно понял, то твой путь это attention maps и/или permutation importance
A IЕсть ли методика для трансформера которая выявляет взаимосвязь и полезность признаков между собой?
Например подать к цене atr + adx бессмысленно , т.к это генерирует шум и трансформер может сам просто по цене это научится определять ?
Или тут какое правило? Подавать на вход независимые признаки, ко
В большинстве своём интересный вопрос в рамках дль. Банальные линейные зависимости мешают, это да. Но касаемо других, видел, на просторах интернета, парочку статей, которые противоречат друг другу
YFriteВ большинстве своём интересный вопрос в рамках дль. Банальные линейные зависимости мешают, это да. Но касаемо других, видел, на просторах интернета, парочку статей, которые противоречат друг другу
Тут больше проблема в том, что изначально не описано для какого алгоритма какие данные нужны. Так сказать только методом тыка это все можно понять.
A IТут больше проблема в том, что изначально не описано для какого алгоритма какие данные нужны. Так сказать только методом тыка это все можно понять.
Потому что никаких магических правил, которые строго говорят что нужно, нет
YFriteПотому что никаких магических правил, которые строго говорят что нужно, нет
Если бы изначально были паттерны - выявить общие закономерности. Дополнение одной фичей другую. Марковские фичи которые уже включают в себя процессы до и после было бы куда проще
https://www.kaggle.com/competitions/hull-tactical-market-prediction
Почитай обсуждения, погляди открытые решения здесь. Всяко полезнее, чем вайбкодом без базовых знаний страдать
Фотография
нажмите — покажем
нажмите — покажем
❤️❤️❤️❤️❤️❤️❤️❤️❤️❤️
Как научить ИИ искать информацию, управлять контекстом и автоматизировать сложные процессы?
Ответы на эти вопросы разберут на событии Yandex AI Studio Series Summer Edition, которое стартует 16 июля и продлится до 30 июля.
Событие объединит экспертов Яндекса и специалистов, которые создают современные ИИ-продукты и хотят глубже разобраться в архитектуре агентных систем и возможностях Yandex AI Studio.
Для кого:
— backend- и fullstack-разработчиков;
— ML/ИИ-инженеров;
— продуктовых менеджеров;
— бизнес-аналитиков, интеграторов и ИИ-стартапов.
Присоединяйтесь к Yandex AI Studio Series, чтобы узнать, как применять ИИ-инструменты в реальных задачах, а не только экспериментировать с ними.
4K · Фотография
нажмите — покажем
нажмите — покажем
Команда LongCat представила LongCat-2.0 - полную модель, которая стоит за Owl Alpha на OpenRouter.
Это MoE-модель на 1.6T параметров, примерно с 48B активных параметров и контекстом до 1M токенов. Основной фокус - agentic coding и длинные задачи, где модели нужно не просто отвечать, а работать с репозиторием, терминалом, поиском и большим объёмом контекста.
В архитектуре есть несколько важных решений. LongCat Sparse Attention отвечает за эффективную работу с 1M-context. Zero-Compute Experts динамически активируют от 33B до 56B параметров на токен, не тратя вычисления на лишние эксперты. MOPD делит экспертизу на три группы: Agent, Reasoning и Interaction, а gate выбирает нужный маршрут под задачу.
По заявленным результатам модель выглядит сильной именно в агентных сценариях: 70.8 на Terminal-Bench 2.1, 59.5 на SWE-bench Pro, 77.3 на SWE-bench Multilingual, 73.2 на FORTE, 78.8 на RWSearch и 79.9 на BrowseComp.
Tech Blog: https://longcat.chat/blog/longcat-2.0/
4.1K · Фотография
нажмите — покажем
4K · нажмите — покажем
id 1684146975Команда LongCat представила LongCat-2.0 - полную модель, которая стоит за Owl Alpha на OpenRouter.
Это MoE-модель на 1.6T параметров, примерно с 48B активных параметров и контекстом до 1M токенов. Основной фокус - agentic coding и длинные задачи, где модели нужно не просто отвечать, а работать с ре
По сравнению с другими китайцами совсем не фонтан, хотя параметров больше. Имеет смысл только если они немного выигрывают в скорости и стоимости.
Фотография
нажмите — покажем
нажмите — покажем
Fable 5 может потребовать верификацию личности
* Новые строки из утечки приложения Claude намекают, что Fable 5 могут вынести в отдельную систему usage credits, с оплатой вне обычной подписки.
* В том же обновлении упоминается проверка личности: «Ваши кредиты будут добавлены после подтверждения вашей личности». Это появилось рядом с изменениями по кредитам для Fable 5, хотя Anthropic раньше говорила, что ID-проверки не связаны с Fable.
* Похоже, Fable 5 может выйти с верификацией личности, более строгим доступом и отдельной оплатой по использованию.
3.9K · id 1684146975Команда LongCat представила LongCat-2.0 - полную модель, которая стоит за Owl Alpha на OpenRouter.
Это MoE-модель на 1.6T параметров, примерно с 48B активных параметров и контекстом до 1M токенов. Основной фокус - agentic coding и длинные задачи, где модели нужно не просто отвечать, а работать с ре
Попахивает Di... дипсиком
Фотография
нажмите — покажем
нажмите — покажем
⚡️ Google открыла Nano Banana 2 Lite и Gemini Omni Flash
Google выкатила два новых инструмента для генеративных медиа: Nano Banana 2 Lite для быстрых изображений и Gemini Omni Flash для видео и conversational editing.
Nano Banana 2 Lite - самая быстрая и дешёвая image-модель в линейке Nano Banana. Она рассчитана на high-throughput пайплайны, прототипирование и массовую генерацию, где важны скорость и цена. Google заявляет около 4 секунд на text-to-image и цену $0.034 за 1K image. При этом модель сохраняет нормальное следование промпту, стабильность персонажей и читаемый текст внутри изображения.
Gemini Omni Flash - модель для генерации и редактирования видео через текст, изображения и видео-референсы. Её можно использовать для natural language video editing, мультимодальных сцен, синхронизации текста с действием и быстрых итераций. Цена заявлена на уровне $0.10 за секунду видео, как у Veo 3.1 Fast.
Сначала Nano Banana 2 Lite быстро генерирует изображение, потом Omni Flash превращает его в видео. Через Interactions API можно сохранять историю сессии и делать до трёх последовательных правок.
Ограничения у Omni Flash пока есть: генерация до 10 секунд, audio references и scene extension в API ещё не поддерживаются, а длинные video references пока обрабатываются неидеально.
https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-omni-flash-nano-banana-2-lite/
@data_analysis_ml
26.1K · Фотография
нажмите — покажем
нажмите — покажем
Фотография
нажмите — покажем
нажмите — покажем