Телеграм канал «Машинное обучение RU»

ИИ-агент умеет отвечать на другом языке. Но сможет ли он на нём работать?

Команда Qwen представила BabelArena – бенчмарк для проверки агентов на 23 языках и задачах из 13 предметных областей.

Переводят не только запрос пользователя, но и инструкции, описания инструментов и содержимое рабочей среды. Это позволяет сравнивать выполнение одинаковых задач на разных языках.

Выводы исследования:

- Единого лидера нет: разные модели сильнее в разных группах задач.
- На языках с небольшим объёмом обучающих данных чаще возникают ошибки вызова инструментов и последовательности действий.
- Объём входных токенов может быть примерно вдвое выше, чем на английском, без сопоставимого роста числа шагов.
- В задачах со структурированным выводом агенты чаще сбиваются с выбранного языка, преимущественно переходя на английский.

https://arxiv.org/abs/2609.23490

https://github.com/QwenLM/BabelArena

От первого мотора до робота, который учится по демонстрациям: открытая дорожная карта по робототехнике на русском.

Robotics Roadmap 2026 предлагает план на 24 недели при занятиях по 2–3 часа в день. Обучение начинается с электроники и постепенно переходит к управлению и машинному обучению.

Внутри шесть модулей:

- Электроника, Python и Git - базовые схемы и инструменты.
- Arduino и ESP32 — моторы, датчики, линейный робот и балансир.
- CAD и 3D-печать — сборка робота-манипулятора.
- ROS 2 — симуляция, построение карты и автономная навигация.
- Управление и компьютерное зрение — регуляторы, кинематика, работа с камерой.
- LeRobot — сбор демонстраций и обучение робота.

Есть схемы подключения, примеры кода, списки компонентов, справочник по отладке и 30 идей проектов.

Начать можно без покупки железа — в симуляторах. Дальше предлагается оформлять проекты в портфолио: видео, схема, код и разбор того, что сломалось и как удалось исправить.

Полезная отправная точка для программиста, который хочет заставить свой код двигаться в физическом мире.

https://github.com/justxor/robotics-roadmap-2026/

Алгоритм знает, где вы будете 7-го ноября 😎

RecSys-митап в Москве для тех, кто уже строит рекомендательные системы и хочет делать это еще лучше.

В программе — доклады от топовых экспертов Сбера с разбором кейсов, свежих подходов и неочевидных решений.

После официальной части — нетворкинг. Время в узком кругу профессионалов и сообщества Зеленый RecSys.

Участие бесплатное, но количество мест ограничено.

Москва. Суббота. 7 ноября. RecSys!
➡️ регистрируйтесь

5 GitHub-репозиториев для дообучения ИИ-моделей под свои задачи

Научить модель соблюдать нужный формат, отвечать в вашем стиле или выполнять специализированные инструкции — для этого пригодятся:

1. LLaMA-Factory - удобный старт
Дообучение языковых и мультимодальных моделей через веб-интерфейс или CLI. Поддерживает полное обучение, LoRA и QLoRA.
https://github.com/hiyouga/LlamaFactory

2. Unsloth - когда ограничена видеопамять
Оптимизирует обучение поддерживаемых моделей, снижая расход памяти и ускоряя вычисления. Есть готовые ноутбуки для первых экспериментов.
https://github.com/unslothai/unsloth

3. Axolotl - обучение через конфиги
Позволяет описать модель, датасет и параметры обучения в YAML. Подходит для воспроизводимых экспериментов и запуска на нескольких GPU.
https://github.com/axolotl-ai-cloud/axolotl

4. PEFT - обучать небольшую часть параметров
Библиотека Hugging Face для LoRA и других экономных методов адаптации. Помогает уменьшить требования к памяти и размер сохраняемых адаптеров.
https://github.com/huggingface/peft

5. TRL - обучение на примерах, предпочтениях и наградах
Инструменты для SFT, DPO и обучения с подкреплением. Пригодится, когда нужно улучшать ответы по выбранным критериям качества.
https://github.com/huggingface/trl

Эти инструменты можно комбинировать: например, использовать TRL для процесса обучения, а PEFT — для LoRA-адаптации.

Spark-X2.6-4B - открытая модель на 4 млрд параметров с контекстом до 1 млн токенов для локальных ИИ-агентов.

В тестах команды средний результат составил 63,3 балла против 52,1 у Spark-X2.5-4B и 49,1 у Qwen3.5-9B. Это сравнение на выбранном разработчиками наборе задач.

Что внутри:

- Три режима рассуждений: none, low и high — можно выбирать баланс между качеством ответа, скоростью и затратами.
- Форматы для локального запуска: FP8, INT8, INT4 и GGUF.
- Две версии: Instruct для диалогов и агентных задач, Base — для дальнейшего обучения.
- Поддержка популярных инструментов: Transformers, SGLang, vLLM, llama.cpp, Ollama, MLX и LM Studio.

Модель рассчитана на работу с кодом, инструментами и многошаговыми задачами. Для использования полного контекста в 1 млн токенов потребуется достаточно памяти.

https://github.com/XHToken/Spark-X2.6

Разделять стоит задачи, а не код

Когда одна рекомендательная система решает разные задачи, не обязательно создавать для каждой отдельный сервис или дублировать код. В AI VK для этого используют стримы — отдельные пайплайны со своими настройками, собранные из общих компонентов подбора кандидатов, фильтрации и вычисления признаков.

Так можно развивать разные механики независимо, не дублируя код и вычисления. В статье на Хабре  — как устроены стримы, почему они ускоряют разработку и как растят метрики.