Машинное обучение RU

🔥 Deep Agents from Scratch 0 курс по созданию продвинутых AI-агентов с нуля LangChain собрала 5 ноутбуков на LangGraph, где агент постепенно усложняется: от обычного ReAct-цикла до полноценного research-agent. Что разбирают: - базовый ReAct: reasoning + action - планирование через TODO и статусы задач - вынос контекста в виртуальную файловую систему - чтение, запись и редактирование файлов - делегирование задач sub-agents - параллельная работа специализированных агентов Хороший вариант для тех, кто хочет понять не только как вызвать готового агента, а как он реально устроен внутри. MIT License. https://github.com/langchain-ai/deep-agents-from-scratch

🔥 Приглашаем на бесплатный открытый вебинар курса «ИИ-агенты: продвинутое внедрение и использование»: «Построение программ без кода: создание умного помощника и автоматизаций в n8n» 🗓 Когда: 31 августа, 20:00 (мск) Low-code-платформы открывают новые возможности для бизнеса: теперь автоматизировать рутину и создавать полезных ИИ-помощников можно без сложного программирования. На вебинаре разберём, как с помощью n8n собирать рабочие процессы под любые задачи — от простых уведомлений до полноценных интеллектуальных агентов. Что будет на вебинаре: • Как устроена low-code-платформа n8n и по какой логике в ней создаются рабочие процессы; • Как собирать автоматизации из триггеров, условий и действий; • Как проектировать workflow для решения повседневных рабочих задач; • Как создать персонального умного помощника и подключить его к внешним сервисам и данным; 👉 Зарегистрируйтесь https://otus.pw/77Bv/?erid=2W5zFJDNsQV Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.

OpenAI массово закупает Mac mini и Mac Studio для обучения AI-агентов. По данным The Information, компания уже приобрела десятки тысяч компьютеров Apple и пытается купить ещё. Их используют для reinforcement learning моделей, которые учатся работать с компьютером: управлять интерфейсом, приложениями и выполнять действия как обычный пользователь. Похоже, этот спрос уже заметен и в отчётности Apple. Выручка Mac в июньском квартале достигла $10,3 млрд - рост на 29% год к году. Это быстрее, чем у любой другой категории Apple, по которой компания раскрыла динамику. Mac всё заметнее превращается из обычного пользовательского компьютера в инфраструктуру для AI-разработки. https://www.theinformation.com/articles/apple-stumbled-ai-hardware-success-mac

✔️ В Китае выпустят первые в стране памятные монеты про ИИ 4 сентября Народный банк Китая выпустит набор золотых и серебряных памятных монет серии «Научно-технологические инновации будущего (Искусственный интеллект)». В наборе три монеты - одна золотая и две серебряные, обе имеют статус законного платежного средства. Золотая весит 5 граммов, квадратная, со стороной 18 миллиметров. На реверсе изображены чипы, схема в форме мозга и нули с единицами. Серебряные - по 15 граммов, на них лица, микросхемы, спиральные узоры, ключи и символы ИИ. Номинал золотой монеты - 80 юаней (~1000 рублей), тираж до 10 тысяч штук. У серебряных номинал 5 юаней (~60 рублей) и тираж до 20 тысяч. Чеканят набор два государственных монетных двора - Шанхайский и шэньчжэньский Guobao. Купить монеты можно будет в том числе онлайн. Кстати, когда в марте собирали эскизы для этих монет, организаторы разрешили дизайнерам пользоваться ИИ как вспомогательным инструментом, но запретили сдавать откровенный нейрослоп. @ai_machinelearning_big_data #news #ai #ml

⚡️ GLM-5.3-Flash вышла в uncensored-версии с нативным FP8 OrcaRouter опубликовала модифицированные веса GLM-5.3-Flash - модели на 320B параметров, из которых активны 18B. Главное: - исходная block-FP8 точность - без LoRA - без jailbreak-промптов - снижение отказов встроено прямо в веса По их тестам: MaliciousInstruct: 96% → 11% отказов JailbreakBench: 93% → 12% AdvBench: 97% → 15% HarmBench: 93% → 18% XSTest benign over-refusal: 2.4% → 0.4% При этом отказ не исчезает полностью. Авторы считают, что alignment в GLM-5.3-Flash может быть устроен сложнее, чем один линейный "refusal direction". Поэтому релиз интересен не только как uncensored-сборка, но и как материал для исследований interpretability, AI safety и механизмов отказа. Weights: https://huggingface.co/orcarouter/GLM-5.3-Flash-Uncensored-FP8 API: https://orcarouter.ai/models/z-ai/glm-5.3-flash GGUF, MLX и другие квантизации обещают позже. Weights on Hugging Face: https://huggingface.co/orcarouter/GLM-5.3-Flash-Uncensored-FP8 API (official weight): https://orcarouter.ai/models/z-ai/glm-5.3-flash

🔥 AutoSaddler - автоматическая оптимизация harness для AI-агентов Идея простая: модель сама анализирует неудачные запуски агента и переписывает prompts, tools, hooks и middleware. Но ключевая проблема - улучшение на одном наборе задач легко ломает поведение на других. AutoSaddler решает это через held-out development set: - анализирует failed traces - патчит harness как обычный код - проверяет обновление на задачах, которых модель не видела при исправлении - сохраняет патч только если он реально улучшает общую работу агента Авторы показывают, что без такой проверки автоматическая оптимизация может в итоге дать результат хуже исходного hand-written harness. Полезная идея для тех, кто вручную или через LLM тюнингует агентов: считать не только исправленные ошибки, но и новые регрессии. https://arxiv.org/abs/2608.23041

⚡️ Для AI-агентов скорость инференса становится критичнее, чем для обычного чата WSJ отмечает две главные вычислительные проблемы agentic AI: * обработка огромного контекста * генерация токенов с минимальной задержкой Причина простая: один агентный сценарий может включать сотни последовательных inference-шагов. Даже небольшая задержка на каждом из них быстро складывается в минуты. NVIDIA Groq 3 LPX как раз нацелен на эти миллисекунды: * детерминированное планирование через компилятор * 128 ГБ SRAM на стойку * заранее спланированные передачи между чипами * меньше накладных расходов на small-batch workloads https://www.wsj.com/cio-journal/nvidias-groq-chip-will-shape-ai-agent-usability-b2e076cd

🤖 Вышла uncensored-версия Ornith 1.5 35B huihui-ai выпустили Huihui-Ornith-1.5-35B-A3B-abliterated — модифицированную версию модели ornith-ai/Ornith-1.5-35B-A3B с применением abliteration. Что изменили: * убраны встроенные ограничения модели; * изменены только слои 11–29; * базовая архитектура и остальные параметры сохранены. Модель доступна на Hugging Face: https://huggingface.co/huihui-ai/Huihui-Ornith-1.5-35B-A3B-abliterated Ещё один пример того, как open-source сообщество экспериментирует с поведением LLM и настройкой моделей под разные сценарии.

NVIDIA запустила Groq 3 LPX - отдельный ускоритель генерации токенов для платформы Vera Rubin По данным NVIDIA, в бенчмарке Artificial Analysis система достигла 3400 output-токенов в секунду на Gemma 4 31B при контексте 100 000 токенов. Компания называет это самым быстрым зафиксированным результатом для этой модели. Также NVIDIA заявляет до 4x более быстрый отклик по сравнению с ближайшей альтернативной платформой - прежде всего для AI-агентов и других latency-sensitive нагрузок. Первым облачным провайдером с Groq 3 LPX станет Nebius через Token Factory. Затем ускоритель появится и в инфраструктуре Groq. https://x.com/nvidianewsroom/status/2091904293343252534

⚡️ Harness Engineering - полный курс на русском Как заставить AI-агента писать код надёжно. Не «какую модель выбрать», а как спроектировать вокруг неё рабочую систему: инструкции, инструменты, среду, состояние и верификацию. Курс - от нуля до продвинутых тем: теоретическая база из 11 блоков, 14 модулей, 8 практических проектов, 14 лабораторных работ, диагностический протокол «как починить агента», библиотека готовых шаблонов, карта инструментов, 40 приёмов и каталог антипаттернов. Главный тезис курса: способность модели и надёжность исполнения - это две разные вещи. Одна и та же модель в «голой» среде и в среде с продуманным harness даёт качественно разные результаты. Апгрейд модели - это самый дорогой и обычно не самый эффективный способ починить агента. https://github.com/justxor/Harness_ru