📱 OpenAI представила GPT-5.2

OpenAI анонсировала свою новую и самую продвинутую модель — GPT-5.2. По словам компании, это лучший вариант для повседневной профессиональной работы.

Что улучшили:
✔️ Кодинг: новый SOTA на SWE-Bench Pro (55.6%), лучше отладка, рефакторинг и работа с большими репо.
✔️ Длинный контекст: почти 100% точность на MRCR v2 при 256k токенах.
✔️ Многошаговая работа и инструменты: 98.7% на Tau2-bench Telecom — лучшее качество agent workflows.
✔️ Фактуальность: ошибок меньше примерно на 30% относительно GPT-5.1.
✔️ Vision: сильно выросла точность понимания интерфейсов, схем и графиков.
✔️ Математика и наука: 92.4% на GPQA Diamond, 100% на AIME-2025 — твёрдый уровень «математического ассистента».

GPT-5.2 поставляется в трёх версиях:
• Instant — быстрый рабочий конь.
• Thinking — глубокие задачи, длинные документы, пайплайны.
• Pro — максимальное качество, xhigh-reasoning.

Модель уже доступна в ChatGPT и через API.

🔗 Cсылка на анонс

🔹 Курс «Специалист по ИИ»
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🐸 Библиотека дата-сайентиста

#свежак

📕 Учебник по ИИ, который объясняет не магию, а механику

Machine Learning Systems — открытый учебник и мини-фреймворк TinyTorch, который помогает понять, как ИИ работает под капотом.

Внутри три части:
➡️ Учебник — понятные объяснения про дизайн, оптимизацию, деплой и ответственность в AI.
➡️ TinyTorch — фреймворк «собери свой PyTorch дома», чтобы увидеть, что там происходит на самом деле.
➡️ Colab-симуляции — подъедут летом 2026.

Ресурс наглядно объясняет вещи, которые обычно понимают только после пары багов в проде:
➡️ почему модель ест память;
➡️ зачем вообще нужен mixed-precision;
➡️ почему GPU загружается не тогда, когда вы этого ожидаете;
➡️ как уживаются MLOps, приватность и реальный продакшен.

🔗 Ссылка на ресурс

🔹 Курс «Специалист по ИИ»
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🐸 Библиотека дата-сайентиста

#буст

🐸 Библиотека дата-сайентиста

#развлекалово

🆕 Свежие новости для дата‑сайентистов

✔️ Google добавил поддержку Model Context Protocol
Google теперь официально поддерживает MCP для своих сервисов и Google Cloud — единая точка входа для агентов, Gemini CLI и AI Studio. Если коротко: еще один шаг к миру, где агентам не нужно знать, куда именно они ходят — лишь бы работало.

✔️ Mistral выпускает Devstral 2 и Vibe CLI
Открытые модели для реальной работы с кодом: большие репозитории, баги и зависимости, а не «Hello World». Devstral 2 берет 72.2% на SWE-bench, а Small-версия запускается локально. Приятно видеть, что «меньше параметров» перестает звучать как оправдание.

✔️ Первую LLM обучили прямо в космосе
Стартап Starcloud обучил модель на спутнике с NVIDIA H100, запустив Gemma прямо на орбите. Когда говорят «облако», теперь стоит уточнять — земное или орбитальное.

✔️ Google запускает Deep Research агент в Gemini API
Теперь автономные ресерч-агенты Google можно встраивать в свои приложения. Плюс — открытый бенчмарк DeepSearchQA. Исследователи счастливы, студенты — немного напуганы.

✔️ OpenAI представила GPT-5.2
Модель позиционируют как «лучшую для повседневной профессиональной работы». Звучит так, будто GPT теперь тоже ходит на созвоны и пишет отчеты.

✔️ Арифметика сверточных слоев
Как считать размерность изображений с учетом stride, padding и dilation. Та самая статья, к которой возвращаешься каждый раз с мыслью «ну сейчас-то точно запомню».

✔️ Обзор GPT-5.2: пора ли теснить Google и Anthropic
Разбор возможностей новой модели и расстановки сил на рынке.

✔️ ML-проект моей мечты
Честный рассказ о том, как должен выглядеть ML-проект без боли и хаоса. Редкий жанр — статья, где хочется кивнуть, а не спорить.

✔️ PyTorch для новичков: множественная регрессия с нуля
Пошаговый гайд без магии. Хорошо подходит, чтобы наконец объяснить себе, что же ты делаешь на работе.

✔️ Мониторинг ML-моделей: что и зачем контролировать
Про метрики, деградацию и реальную эксплуатацию. Напоминание, что модель не заканчивается на model.fit().

✔️ Прогнозы по ИИ на 2026: меньше хайпа, больше эффективности
Ожидания рынка и технологий на ближайшие годы.

✔️ Компьютерное зрение на практике
Разбор CV-подходов с примерами.

🔸 Курс «Специалист по ИИ»
🔸 Получить консультацию менеджера
🔸 Сайт Академии 🔸 Сайт Proglib

🐸 Библиотека дата-сайентиста

#свежак

🤖 Reinforcement Learning в 2025: мощно, модно… и всё ещё больно

После релиза reasoning-моделей вроде DeepSeek-R1 стало ясно: без RL современный AI дальше не едет. Но при этом всё не так радужно, как может показаться из твиттер-тредов.

👇 Разбираемся, что RL реально дал в 2025 — и что он утащит с собой в 2026.

В отличие от supervised learning («вот правильный ответ, учись») и unsupervised learning («сам разберись, что тут происходит»), reinforcement learning учится через взаимодействие:
➡️ модель что-то делает
➡️ мир (или проверяющий) отвечает
➡️ модель получает награду или штраф
➡️ и пытается в следующий раз облажаться чуть меньше

В случае LLM:
➡️ состояние — это весь диалог или промпт
➡️ действие — выбор следующего токена
➡️ награда — оценка качества ответа

Reinforcement Learning from Human Feedback окончательно стал стандартом выравнивания моделей.

Классическая схема:
1. SFT — обучаем модель на хороших человеческих ответах
2. Reward model — люди выбирают, какой ответ лучше
3. RL (обычно PPO) — модель учится радовать reward-модель, а не людей напрямую

Проблема очевидна:
❌люди — медленные
❌люди — дорогие
❌люди — устают и противоречат друг другу

Поэтому индустрия закономерно пошла дальше. Так, в 2025 активно взлетел Reinforcement Learning from AI Feedback.

Теперь вместо человека:
✔️ модель оценивает модель
✔️ классификатор проверяет токсичность
✔️ ансамбль моделей выносит «вердикт»

Плюсы:
➡️ масштабируется
➡️ дешевле
➡️ стабильнее, чем люди после дедлайна

Минусы:
➡️ AI начинает учиться у самого себя
➡️ ошибки и перекосы могут усиливаться
➡️ ценности ≠ человеческие (иногда очень ≠)

Настоящий поворотный момент — Reinforcement Learning with Verifiable Rewards (RLVR).

Идея простая и красивая: если ответ можно проверить автоматически — не нужен человек

Как это работает:
➡️ модель генерирует решение (код, математику, план)
➡️ верификатор запускает тесты / решает задачу / проверяет логику
➡️ выдаёт reward
➡️ модель оптимизируется

Именно так появились reasoning-модели с длинными цепочками рассуждений. Да, те самые, которые думают вслух и пугают своей логикой.

Но почему Карпати говорит, что RL — «ужасен»?

Потому что:
➡️ он нестабилен
➡️ чувствителен к наградам
➡️ легко «читерится»
➡️ требует тонкой настройки
➡️ и часто ломает то, что уже работало

Просто альтернативы ещё хуже. RL — это не магия. Это рабочий костыль, который пока лучше всего справляется с реальностью.

📍 Навигация: Вакансии • Задачи • Собесы

🐸 Библиотека дата-сайентиста

#буст

📊 Matplotlib под рукой: всё главное для графиков и анализа

Сохраняйте, пригодится не раз.

📍 Навигация: Вакансии • Задачи • Собесы

🐸 Библиотека дата-сайентиста

#буст

🧩 Matrix World: карта мира линейной алгебры

Это не просто схема, а иерархия всех ключевых типов матриц и разложений — от самых общих до «чистого ядра».

📍 Навигация: Вакансии • Задачи • Собесы

🐸 Библиотека дата-сайентиста

#буст

🔥 От нуля до инференса за 5 минут

Выберите сценарий использования и платформу — и получите готовые к запуску инструкции для нужной LFM-модели.

LFM (Large Foundation Model) — это универсальная базовая модель, обученная на больших объёмах данных и пригодная для разных задач: от чатов и кода до изображений и аудио.

Поддерживаемые кейсы:
🔤 чат-боты и генерация текста
🔤 понимание и анализ изображений
🔤 аудио и транскрибация
🔤 генерация и объяснение кода
🔤 эмбеддинги для поиска и рекомендаций
🔤 агентные workflow с вызовом функций

Быстрый старт, понятные примеры и минимум лишней настройки — можно сразу переходить к результату.

🔗 Ссылка на ресурс

📍 Навигация: Вакансии • Задачи • Собесы

🐸 Библиотека дата-сайентиста

#буст

🔈 Локальная расшифровка аудио в реальном времени с LFM2-Audio-1.5B

Появился наглядный пример того, как можно делать real-time audio-to-text полностью локально — без облаков и интернета. В основе связка llama.cpp и компактной модели LFM2-Audio-1.5B.

Идея простая: небольшая, но достаточно мощная аудиомодель + эффективный рантайм = транскрипция прямо на устройстве.

Фактически, это ещё один шаг к edge-ассистентам, которые умеют слушать и понимать речь без отправки данных в облако.

Репозиторий — хороший ориентир для тех, кто хочет собрать подобное решение у себя.

📱 Github

📍 Навигация: Вакансии • Задачи • Собесы

🐸 Библиотека дата-сайентиста

#буст

⌨️ Топ-вакансий для дата-сайентистов за неделю

Senior Data Engineer — 4 000-5 000 $, удалёнка

Data Analyst — от 1 500 до 3 000 $, удалёнка

Data Analyst (Product, Marketing) — от 200 000 ₽, офис (Санкт-Петербург)

➡️ Еще больше топовых вакансий — в нашем канале Data jobs

📍 Навигация: Вакансии • Задачи • Собесы

🐸 Библиотека дата-сайентиста

#буст

📊 datasetiq: Python-клиент для миллионов экономических датасетов

Вышла datasetiq v0.1.2 — лёгкая Python-библиотека для работы с глобальными макроэкономическими данными.

Она объединяет данные из FRED, IMF, World Bank, OECD, BLS, US Census и других источников и возвращает их сразу в виде чистых pandas DataFrame. Под капотом — кэширование, async-запросы и простая настройка, поэтому библиотека хорошо подходит и для ноутбуков, и для продакшена.

Пример использования:

import datasetiq as iq

iq.set_api_key("your_api_key_here")
df = iq.get("FRED/CPIAUCSL")

print(df.head())

df["yoy_inflation"] = df["value"].pct_change(12) * 100
print(df.tail())

В отличие от fredapi, pandas-datareader и похожих библиотек, datasetiq:
✔️ работает сразу с множеством источников;
✔️ имеет встроенное кэширование и защиту от rate limits;
✔️ сфокусирован именно на глобальных макро-данных и тайм-сериях.

Подойдёт аналитикам, исследователям, студентам и всем, кто работает с экономическими данными.

📱 GitHub: https://clc.to/O42hIA
🔗 Документация: https://clc.to/lO7Sng

📍 Навигация: Вакансии • Задачи • Собесы

🐸 Библиотека дата-сайентиста

#буст