(sci)Berloga Всех Наук и Технологий

Коллеги, привет! Меня зовут Василий Леоненко, я кандидат физико-математических наук, занимаюсь вычислительной эпидемиологией и моделированием живых систем. Я люблю предсказывать и прогнозировать. Люблю, когда модели интерпретируемы, а прогнозы понятны и однозначны. Поэтому я всегда предпочитал строгие математические законы и дифференциальные уравнения. Но жизнь меня заставила изменить свою точку зрения. В понедельник 20 июля я хочу рассказать о том, почему машинное обучение — полезная штука и почему оно часто бывает эффективнее, чем классическое моделирование. Почему «черные ящики», которые базируются на огромном количестве непонятных данных и делают какие-то неверифицируемые выводы, вдруг оказались так востребованы. Обсудим: • в чем отличие математических моделей, статистических моделей, ML и Deep learning • когда и что из них выгодно применить (а может всё невыгодно!) • как не испугаться кучи методов и каков достаточный минимум для работы Приходите немного разобраться в математике, пообщаться и подискутировать! Записаться

⚡️международный рекорд по сборке мегаминкса побит! Один из подходов на видео, и на соседнем -- запутывание. Результат 9.6 секунд. До этого известный результат 8 минут :-) Поздравляю команду starkit и Илью Осокина. И немножко горжусь что причастен :-) на днях будут хорошие видео и официальная новость. Такие дела:-)

Мусор на входе — мусор на выходе: как выйти из порочного круга в ML? Когда речь заходит о машинном обучении, все сразу начинают обсуждать алгоритмы, метрики и функции потерь. Между тем любые модели, даже самые навороченные нейросети, учатся на данных. От их качества напрямую зависит успех. Если подать шумные и «грязные» датасеты, то и результаты окажутся бессмысленными. Поэтому львиную долю времени специалисты ML и датасайентисты тратят на препроцессинг. Как облегчить себе жизнь и автоматизировать этот этап? В понедельник, 13 июля, в 19:00 мск команда Бластим проводит мастер-класс с биоинформатиком и программистом Александром Ильиным. Спикер покажет эффективные рабочие приемы, как с помощью Python готовить данные для подачи на вход моделям. Сосредоточимся на таблицах и разберем: • объединение разных файлов, унификацию форматов • обработку пропусков, выбросов, дубликатов и ошибок • шкалирование, кодирование категориальных переменных • конструирование признаков и обработку дат • деление выборки на трейн и тест, валидацию • рисование графиков и полезные библиотеки 🔗 Зарегистрироваться на сайте: https://agency.blastim.ru/moydodyr Или в боте: https://s.salebot.pro/r/ml26_1 Дополнительная возможность! До 18:00 мск 11 июля присылайте свои проблемные данные для разбора на вебинаре. Спикер выберет самые «грязные» датасеты и проведет их анализ в прямом эфире. Отправить 🖥

Поставим мировой рекорд на Физтехе? Приглашаем вас на событие, которое уже вписано в историю Физтеха, — установление мирового рекорда по сборке мегаминкса роботом. ❓ Зачем миру робот, который собирает мегаминкс? ❓ Решение головоломки и реальные проблемы: есть ли связь? ❓ Как перейти от теории к прикладным задачам? Расскажет лаборатория интеллектуальных технологий робототехники МФТИ! Проект поддержал Фонд целевого капитала в рамках конкурса «Обратная перспектива»: инженерное решение команды уже сейчас в 68 раз превосходит предыдущий мировой результат среди роботов и вдвое — лучшего человека-спидкубера, при этом мегаминкс — это головоломка с 10⁶⁸ возможных состояний, на порядки сложнее классического кубика Рубика. 15 июля состоится официальная фиксация рекорда с участием экспертов. В программе:  🔹 Рассказ об инженерных решениях и алгоритмах поиска;  🔹 Демонстрация сборки и фиксация рекорда;  🔹 Фуршет и общение с разработчиками. 🗓 15 июля, 17:30–21:30 📍 Физтех.Клуб 🖇 Обязательная регистрация по ссылке. Количество гостей ограничено До встречи на мировом рекорде!

​​Cayley graph search с Claude Code: решение головоломок в 2026 с помощью агентов Я написал большой пост про два Kaggle-соревнования из серии CayleyPy — IHES Picture Cube и Megaminx. Это комбинаторные головоломки (кубик и додекаэдр), но по сути - поиск коротких путей в огромных неявных графах Cayley: вершины графа — это состояния головоломки, рёбра — это ходы, а решить пазл значит найти короткий путь до собранного состояния. Мы занимаемся этим уже пару лет и опубликовали несколько статей, а в 2026 году я решил попробовать новый подход: вместо того, чтобы писать код самому, я использовал Claude Code + Opus как агента, который пишет код. Сам я задавал направление исследований, ревьюил код и решал какие эксперименты стоит гонять. Поэтому пост получился про две вещи сразу: про то как мы решаем графы Cayley (learned heuristic + wide beam search + пост-обработка) и про то, как выглядит research-цикл, когда имплементацию делает агент. Из интересного - не раз упирался в ограничения агентов. Claude так и не смог правильно реализовать shared-beam SPMD после 10 попыток, а Codex завёл его с первой попытки. И почти все значимые идеи приходили от меня, а не от агента — клод плохо справляется с неопределённостью и часто выбирает безопасные пути (даже когда просишь его быть активнее). По ощущениям, агенты позволяют проверять идеи намного быстрее, чем раньше. Но это работает только если внимательно следить за агентом и не давать ему лениться. Блог Medium #ai #kaggle

В Санкт-Петербурге 11 июля проходит Всероссийская ярмарка механических головоломок 2026 «Конференция Лоботряса». ЧТО это и для КОГО? ЧТО? Масштабная выставка-ярмарка механических головоломок со всего света, охватывающая множество направлений и уровней сложности. ДЛЯ КОГО? Мы приглашаем всех, кто не боится вызовов для своей логики, памяти, внимательности и пространственного воображения! Если вы едва знакомы с механическими головоломками, то это идеальная возможность открыть для себя что-то новое. Большой диапазон уровней сложности и индивидуальный подход позволит вам погрузиться в интеллектуальные поиски без потери энтузиазма даже у самых юных посетителей! Если же вы любитель или опытный коллекционер, то вам будет особенно интересно ознакомиться с авторскими работами от специальных гостей! Условия участия: Вход и осмотр ярмарки - бесплатно. Потрогать - 55 р. Порешать (безлимитно) - 555 р. Улица Восстания 6, цокольный этаж.

Kaggle Nemotron Competition Writeup for the 1st place: codex написал весь код, но думать он не смог https://www.kaggle.com/competitions/nvidia-nemotron-model-reasoning-challenge/writeups/1st-place-solution Закончилось очередное соревнование на каггле. Участник победившей команды поделился опытом: "All code was written with Codex. We did not write a single line of code directly. However, the ideas, analysis direction, and trace design decisions that improved the score almost never came from Codex." Но есть нюанс: "I don't know for sure, but other than Gemini 3.1 Pro Extended, almost all other AIs were giving conflicting ideas, and most of those ideas were just bad. Specially Claude, like it was deliberately trying to emphasize on an already wrong proven hypothesis. One thing this competition taught me is, AI is still far way from working without intervention." Всё, решено - далеко нам до AGI. #ai #kaggle

Современные проблемы биологии: AI решит всё? Лет десять назад на тех, кто пытался применять искусственный интеллект в своих исследованиях, в академическом сообществе смотрели косо. Но затем нейросети стали обыгрывать человека в го и шахматы, научились предсказывать укладку белка, а потом начался бум генеративных моделей. Если отбросить хайп, сегодня разработка AI-алгоритмов выглядит как кратчайший путь к успеху в науке. Вызовы, казавшиеся невозможными, преодолеваются благодаря машинному обучению. Факультет биоинженерии и биоинформатики МГУ и компания Бластим продолжают серию лекций о трендах и перспективах в биотехе. Следующая встреча с доктором биологических наук, профессором ФББ МГУ Борисом Фенюком состоится в понедельник 8 июня в 15:00 мск. Борис Александрович поделится своим видением будущего и расскажет, как AI изменил естественные науки и какие открытия уже внедрены в индустрию: • предсказание структуры белков • анализ геномов • in silico drug design • персонализированная медицина • синтетическая биология 🔗 Зарегистрироваться и оставить вопрос на сайте: https://agency.blastim.ru/bio_ai Или быстро в боте: https://s.salebot.pro/fbbmsu_ai_1

Свежая работа по ИИ в математических доказательствах от Google DeepMind (AlphaProof) Успехи ИИ в решении серьёзных математических задач уже мало кого удивляют, но новая работа Google DeepMind интересна не только результатами, а тем, как именно они были получены. Исследователи представили AlphaProof Nexus — систему, где LLM перестаёт быть просто генератором текста и начинает работать как полноценный агент внутри среды с обратной связью. Это важный сдвиг. Главная проблема обычных LLM — галлюцинации. Для математики это критично: одна ошибка ломает всё доказательство. Но вместо попыток «сделать модель аккуратнее» исследователи изменили сам процесс работы ИИ. Ключевая идея в том, что модель больше не работает в вакууме. Теперь у неё есть внешняя система проверки, которая может мгновенно подтвердить или опровергнуть каждый шаг рассуждений. Для этого используется Lean — язык формальных математических доказательств, где каждое утверждение проходит строгую автоматическую верификацию компилятором. Получается такой цикл: — модель предлагает следующий шаг доказательства; — система проверки валидирует его; — при ошибке агент получает точную обратную связь; — корректирует стратегию; — и продолжает поиск решения. То есть система работает уже не как чат-бот, выдающий ответ за один проход, а как агент, взаимодействующий со средой и постоянно адаптирующий свои действия. Именно это сейчас становится одним из главных направлений развития ИИ: не просто “больше нейронных связей”, а появление циклов генерация → проверка → обратная связь → исправление → новая попытка. По сути, модель получает нечто похожее на настоящий исследовательский процесс. Результаты при этом очень серьёзные: — решены 9 открытых задач Эрдёша; — доказаны 44 гипотезы из OEIS; — найден контрпример к одной из гипотез Бена Грина; — продвинут 15-летний спор в алгебраической геометрии. Но, возможно, главный вывод работы даже не в математике. Похоже, что следующий этап развития ИИ — это не «ещё более умные чат-боты», а системы, которые умеют: — долго работать над задачей; — проверять себя; — использовать внешние инструменты; — хранить промежуточное состояние; — и постепенно улучшать собственное решение. Именно это и называют переходом к агентному ИИ. 📄 Статья: https://arxiv.org/abs/2605.22763v1?ref=airadar.one 🔗 GitHub с полученными доказательствами: https://github.com/google-deepmind/alphaproof-nexus-results #AIAndMath #GoogleDeepMind #AlphaProof

#дайджест Дайджест AI/ML за неделю 18-24 мая 2026 Google: Gemini 3.5 Flash На этой неделе прошел Google I/O, на котором фронтир убийцу беэнчмарков не показали (пообещали через месяц), но выпустили лучшую рабочую лошадку. Flash модель, которая теперь обходит прежний флагман 3.1 Pro на агентных и кодинговых задачах (на них был упор) со скоростью ~280 т/с. Цена $1.50/$9, сильно дороже чем раньше, но сильно дешевле чем например Sonnet. Блогпост, Карточка модели Google: Gemini Omni Очень мультимодальная модель, текст/картинка/звук/видео на входе, на выходе пока только видео, картинки и звук обещают позже. Можно разговаривать с генератором видео, наконец-то. Блогпост Alibaba: Qwen 3.7-Max Флагманская text-only модель под длинные агентные задачи. Опять закрытая :с 1M контекст, $2.50/$7.50 за 1M. SWE-bench Pro 60.6 (между Opus 4.6 и 4.7), Terminal-Bench 69.7 (лидер). В демо 35 часов автономной работы и 1158 вызовов инструментов. Самый низкий hallucination rate ~22.9%. Plus-версия (мультимодальная) обещана позже с открытыми весами. Блогпост, Alibaba Cloud, OpenRouter Cohere: Command A+ первый открытый фронтир от Cohere. 218B MoE (25B активных). Объединяет четыре прежние модели (Command A / Reasoning / Vision / Translate) в одну. 48 языков, нативные ссылки на источники в ответах. Блогпост , HF Datadog: Toto 2.0 открытое семейство моделей TSFM (time series foundation models) размерами от 4M до 2.5B. Главный посыл репорта в том что для задачи предсказания временных рядов тоже работает Scaling law и общие модели на все задачи подряд. Статья, Блогпост Менее значительные релизы: DeepSeek: V4-Pro стал в 4 раза дешевле навсегда ($0.435/$0.87) Прайсинг ByteDance: Lance — открытая 3B-активных мультимодальная модель: понимание, генерация и редактирование картинок и видео. Статья, GitHub Perplexity: Bumblebee - оупенсорс read-only сканер ИИ-окружений. проверяет конфиги агентов, расширения редакторов и пакетные зависимости. Блогпост, GitHub Microsoft: RAMPART + Clarity - еще два опенсорс-инструмента для безопасности агентов. RAMPART - pytest-фреймворк, встраивающий ред-тим-тесты (включая prompt injection). Clarity - чат-планировщик архитектуры проектов с акцентом на кибербезопасность. Блогпост OpenAI: опровергли гипотезу Эрдёша 1946 года с помошью внутренней модели, Тимоти Гауэрс назвал работу уровня Annals of Mathematics. Статья UCSD: GPT-4.5 прошёл тест Тьюринга - его приняли за человека в 73% случаев. То есть сильно чаще чем настоящего человека🙂. Первая статья со статистически значимым прохождением. Статья Anthropic: Project Glasswing Вышел отчет по раздаче Mythos Preview. Нашли гору критичных багов, оупенсорс просит котелочек не варить, не успевают латать дыры. Artificial Analysis: Coding Agent Index новый лидерборд AA для агентных систем: Claude Code (66), Codex (65), Cursor Composer 2.5 (62), Gemini CLI (43). Бенчмарки недели: OmniGUI (GUI-агенты с omni-modal входом), CHI-Bench (длинные healthcare-воркфлоу), Spreadsheet-RL (RL для агентов в Excel), OpenComputer (1000 верифицируемых десктоп-задач)