Sber AI

AI-модели учатся почти так же, как люди

Некоторые сразу понимают суть задачи, а другим нужны примеры уже выполненной работы — референсы

➡️ Zero-shot Learning — это подход к машинному обучению, когда AI учат выполнять задачу, опираясь на текст промпта и загруженный датасет

✔️ скорость работы
✖️ непредсказуемый результат

➡️ Few-shot Learning — метод, позволяющий LLM опираться на примеры от пользователей, чтобы дать более конкретный и точный ответ

✔️ высокая точность ответа
✖️ нужен подробный промпт

Примеры коммуникации с такими моделями оставили в карточках!

❤️ — если учитесь налету
💔 — делаете круто, но с примерами

Учиться со шпаргалками — правильно. Но только если ты нейросеть 🤩

В карточках рассказываем про методику RAG — способ «обновить» AI-сознание, чтобы пользователь мог получать больше актуальной информации

🤩 — если тоже хотите такую методику

Ищете партнёра для стартапа? Как насчёт AI?

Во второй волне акселератора Sber500 х GigaChat ждём самые интересные бизнес-проекты с рабочим прототипом или MVP+, которые хотят внедрять GigaChat в сервисы, запускать новые фичи и выводить продукты на рынок на его основе.

Участники пройдут через два этапа:

🤩 Онлайн-буткемп, где можно будет протестировать гипотезы, получить доступ к API, инструкциям по интеграции и другим материалам GigaChat, посетить Q&A-сессии с экспертами

🤩 Основная программа для лучших проектов с возможностью доработать стартап с международными менторами и презентовать его инвесторам. Часть участников пригласят на октябрьский демо-день на Moscow Startup Summit

🤩 Подать заявку на бесплатное участие можно на сайте акселератора до 27 сентября.

Пять крутых AI-инструментов для разработчика 🔥

Собрали свежий набор сервисов, которые реально помогают в разработке, — от сборки ассистентов и RAG-систем до создания UI-прототипов

🤩 Sim AI

No-code платформа для визуальной сборки и развёртывания рабочих процессов с AI-агентами. Подключаете модели, API, базы данных и бизнес-сервисы через drag-and-drop интерфейс

🤩 RAGFlow

Движок для создания RAG-ассистентов на своих датасетах. Работает локально и в облаке, поддерживает большинство LLM и позволяет гибко настраивать модели под разные проекты

🤩 Transformer Lab

Открытая среда для экспериментов с LLM и Diffusion-моделями. Можно тестировать и дообучать модели, оценивать их, а также генерировать картинки и вычислять эмбеддинги

🤩 Bolt

Хороший вариант для прототипирования интерфейсов из Figma и текстов. На основе промптов создаёт код, включая структуру файлов и зависимостей. Интегрируется со множеством сервисов и позволяет быстро развернуть приложение

🤩 Magic Patterns

Ещё одна платформа для прототипирования. Её фишка — сбор ОС. Проект можно легко выгрузить в Figma или код, а также создать специальную ссылку и предложить пользователям заполнить форму обратной связи. В России сервис не доступен

❤️‍🔥 — ещё больше полезных подборок

А вы знали, что сегодня Международный день жестовых языков?

Мы в Сбере помним об этом круглый год! Например, обучаем нейросети понимать язык жестов, чтобы общаться с ними можно было не только с помощью текста и речи.

Заслуга учёных Сбера — один из самых больших в мире датасетов изолированного русского жестового языка Logos, содержащий более 200 тысяч видеофрагментов.

Уже в ноябре команда исследователей поделится опытом с мировым сообществом на международной конференции EMNLP 2025 в Китае.

🤩 — поздравляем с праздником!

LLM-рейтинги теряют вес 🤩

Как выбрать действительно лучший AI-инструмент? Публичные рейтинги и бенчмарки вроде MMLU или Chatbot Arena отражают лишь часть возможностей модели. Поэтому коллеги из LLM Arena опросили специалистов и составили карту ключевых ориентиров при выборе нейросетей.

Итог: команды всё чаще полагаются на собственные тесты

Исследование в цифрах:

🤩 82,2% проводят свои тесты, а рейтинги используют для подстраховки
🤩 26,7% полностью игнорируют рейтинги как источник данных
🤩 18% обращаются к агрегаторам вроде LLM Stats

Что важно при выборе:
1️⃣ качество ответов
2️⃣ цена и скорость
3️⃣ устойчивость без галлюцинаций
4️⃣ совместимость с инфраструктурой

🤩 В отчёте мы собрали не просто статистику, а живые аргументы, реальные кейсы и позиции экспертов рынка.

➡️ Полный текст исследования с графиками и аналитикой

👍 — за практику и опыт
🤔 — остались ли ещё полезные рейтинги?

Как команды выбирают модели 🤩

🤩 Проводят собственные тесты
➖➖➖➖➖➖➖➖ 82,2%
🤩 Сравнивают тесты на бенчах
➖➖➖➖➖➖ 48,9%
🤩 Читают обзоры
➖➖➖➖ 37,8%
🤩 Советуются с комьюнити
➖➖➖ 33,3%
🤩 Оценивают косвенные сигналы
➖➖ 31,1%

*можно было отметить несколько вариантов

Айтишники + нейросети = эпичные вопросы 🤩

Собрали для вас самые интересные. Листайте карточки и делитесь со знакомыми кодерами 🤩

👍 — задавали эти вопросы
🔥 — отвечали на них (😱)