В общем, была задача на оптимизацию плана работ: есть набор заказов, и в каждом N тасков. Таски могут зависеть друг от друга или нет, имеют длительность и тип. Ещё есть M работников, каждый из которых может выполнять таски только определённых типов, причём, у каждого своя скорость.
Если все таски в заказе выполнены, фирма получает сколько-то денег. У заказа есть дедлайн, за просрочку штраф (за каждый день просрочки), который вычитается из цены заказа. И ещё фирма тратит деньги за каждый день своей работы независимо от того, как загружены её сотрудники (то есть просто платит зарплаты по сути). Ещё важен учёт праздников и выходных.
Нужно заработать на определённом наборе заказов и работников как можно больше денег. Полный текст задачи и код программы проверки есть в репозитории. Эта задача является изменённым заказом, который мы с напарником решали в реальной жизни: оптимизация работы печатных станков для типографии. Правда, тогда и мы справились так себе, и заказчик в итоге сначала захотел всё вручную сам делать, а потом и вовсе похоронил проект при смене директора.
!!! Не читайте дальше, если хотите сначала попробовать решить самостоятельно, потому что я сейчас опишу эффективные подходы и результаты.
________________________________________
Так вот. Мы с другим экспертом Андреем сразу сели и написали разные варианты, чтобы задать шкалу, по которой будем оценивать решения команд. За пару часов я собрал примитивный жадный алгоритм, который сортировал заказы по прибыльности и укладывал в сетку кое-как, это дало нам нижнюю оценку. Мой алгоритм заработал ~75 млн виртуальных рублей, мы решили для оценки поставить нижней границей 40 млн. То есть всё, что ещё ниже, оценивалось в ноль баллов за качество оптимизации.
Затем Андрей закрылся дома на три дня и вышел на свет со сложным жадным алгоритмом, который очень хитро сортировал заказы и очень хитро укладывал их в сетку, попутно выбирая разные способы этой укладки в зависимости от конкретного заказа. Это позволило заработать ~275 млн рублей. Мы сделали верхней границей для оценки 280 млн.
К сожалению, в итоге только две команды из десяти прошли нижнюю границу, заработав, соответственно, ~91 и ~105 млн. К верхней границе не приблизился никто. И у четырёх команд алгоритм вообще не смог уложить без нарушений задачи в сетку (то есть, например, произвольно менял длительности, накладывал задачи друг на друга, давал одному работнику две задачи в один момент и так далее). Важной ошибкой команд, на мой взгляд, являлся тот факт, что никто не воспользовался возможностью запустить алгоритм на несколько минут и дать ему поработать. По условиям задания, можно было тянуть до 5 минут на одну оптимизацию, но по факту решения команд отрабатывали за единицы и десятки секунд.
На самом конкурсе, пока команды работали, я решил попробовать сделать быстрое (по времени написания) но эффективное решение. Сначала попробовал жадную сортировку + доведение до лучшего варианта методом имитации отжига. В качестве нового состояния я просто менял местами заказы целиком. Этот вариант работал пару минут и дал мне около ~200 млн дохода. К слову, команда-лидер использовала такой же подход, просто не докрутила число итераций и температуру.
Ну и потом я взял готовую либу по реализации классической генетики с особями и скрещиванием. Особью был массив с приоритетами заказов (которые конечно же нужно было аккуратно уложить чистым алгоритмом). Тип скрещивания: scattered. Всего 15 поколений по 20 особей, и это за минуту-полторы давало ~230-240 млн. Считаю, что для конкурса это самый лучший выбор: пишется одним человеком за день и даёт почти максимум, при этом легко настраивается на нужную длительность работы, легко параллелится.
Ну а потом уже дома я посидел и накодил свой вариант сложного жадного с плавающим окном перебора отсортированных заказов и плавающей же укладкой по работникам. Такая штука за две минуты зарабатывает ~281 млн. Но за три дня в условиях стресса я бы такое не сделал, скорее всего.
#dev
🔍Deep Research barcha pullik ChatGPT foydalanuvchilari uchun ochildi!
Endi Plus tarifida (oyiga 10 ta so‘rov) Deep Research vositasidan foydalanish mumkin. Bu imkoniyatdan maksimal foydalanish uchun quyidagi maslahatlarni eslab qoling:
📌 Asosiy xususiyatlar va tavsiyalar:
✅Tilni aniq belgilang – qaysi tilda ma'lumot izlash va hisobot yozish kerakligini ko‘rsating.
✅Takrorlanishdan qoching – so‘rovga "Muhim: agar fikr allaqachon bayon qilingan bo‘lsa, uni takrorlama" deb qo‘shing.
✅Tasvirlarni tushunmaydi – Deep Research faqat matnli manbalar bilan ishlaydi.
✅Ilmiy manbalar so‘rang – faktlarga asoslangan tahlil uchun ilmiy maqolalarni qidirishni so‘rashingiz mumkin, hatto kerakli yillarni ham belgilashingiz mumkin.
✅Kod yozish imkoniyati bor – grafiklar, jadvallar va boshqa vizual ma’lumotlarni generatsiya qilishga qodir.
✅Kalit so‘zlarni bering – kerakli ma’lumotni aniqroq olish uchun asosiy tushunchalarni oldindan belgilang.
✅Fayllarni yuklash mumkin – siz unga fayl yoki havola berib, izlanishni shu asosda davom ettirishni so‘rashingiz mumkin.
✅Natijalar inson tekshiruvidan o‘tishi kerak – ba’zan xatolar uchrashi mumkin, shuning uchun tekshirish tavsiya etiladi.
✅Pullik maqolalarga kira olmaydi – agar qidirilayotgan material parda ortida bo‘lsa, uni yuklash kerak.
🎯Qachon Deep Research’dan foydalanish kerak?
– Agar yangi mavzuni o‘rganishni boshlayotgan bo‘lsangiz, bu tez va samarali usul.
– Ma’lumotlarni chuqurroq tahlil qilish va o‘z tadqiqotlaringizni qurish uchun yaxshi poydevor yaratadi.
– U biznes, ilm-fan va boshqa ko‘plab sohalar uchun mos keladi.
Deep Research hozirda eng kuchli AI-tadqiqotchilardan biri – Perplexity va Google ham unga tenglasha olmaydi! 🚀
#AI#DeepResearch#ChatGPT
🔍«Глубокий поиск» или 55 источников за один запрос
Мы протестировали функцию Deep Research в Perplexity AI. Задача — выяснить, какие тренды ждут рынок ИИ-инструментов для личной эффективности.
Ожидали стандартный пересказ очевидных вещей, но получили глубокий разбор рынка, сравнение продуктов и 55 источников.
Что выдал Perplexity?
🔹 Никакой воды — только факты и подтвержденные данные.
🔹 Источники из актуальных исследований и профильных статей (2024–2025 гг.).
🔹 Сравнение реальных продуктов, а не абстрактные размышления.
💡Лайфхак: как получить крутой результат от «Глубокого поиска»
Первая попытка была неудачной — мы задали слишком длинный запрос, уточняя много деталей. В итоге Perplexity сузил сильно тему и выдал поверхностный ответ.
Второй запрос был короче, без лишней воды. Это позволило Perplexity не сдерживать себя и дать развернутый анализ.
📌 Запрос:
Проведи анализ рынка и трендов 2025 года в сфере применения ИИ для личной эффективности. Нужны конкретные ИИ-продукты в сравнении, анализ того, чего не хватает или слабо развито.
Поэтому чем короче и конкретнее запрос, тем лучше работает «Глубокий поиск».
Такой результат вдохновил проверить, как на этот же вопрос ответят другие ИИ-модели: DeepSeek и ChatGPT o1. Они дали интересные выводы, но с совершенно другим подходом! Получился любопытный анализ.
🔥 Посмотрите его у нас в Дзене или в ВК. Уверены, что найдете открытия и для себя!
#ИИ#AI#Нейросети#Perplexity
———
#Инструменты#deepresearch
✍️Подписывайтесь: @aiforproduct
⚡️ Qwen Deep Research получил полезное обновление
Теперь он создаёт не только отчёты, но и готовые веб-страницы и подкасты.
Работает связка Qwen3-Coder, Qwen-Image и Qwen3-TTS.
👉Попробовать: chat.qwen.ai/?inputFeature=deep_research
@ai_machinelearning_big_data
#Qwen#AI#DeepResearch#Qwen3#AItools
🌟InfoSeek: синтез данных для deep‑research с формализацией HCSP.
BAAI представила InfoSeek — открытую методику синтеза данных и учебный контур для глубоких исследований. Задачи такого класса выходят за рамки обычного извлечения фактов: модель должна раскладывать вопрос на подзадачи, координировать многошаговое рассуждение и проверять ответы по источникам.
Эти задачи формализуются как HCSP — иерархические задачи удовлетворения ограничений, решение которых возникает только при последовательном сужении кандидатов на нескольких уровнях, где каждый внутренний узел сам является подзадачей, а зависимость между узлами образует дерево исследования.
Базовая идея проста: данные строятся вокруг древа исследования. Вершины - сущности или атомарные факты, ребра - проверяемые отношения из Википедии и открытых страниц. Алгоритм синтеза явно управляет структурой, чтобы исключить недоопределенность или ранние "короткие замыкания".
В HCSP ответ формально равен пересечению множеств, заданных текущими ограничениями и рекурсивными подвопросами; в терминах дерева корень — финальный ответ. Такой подход не только задаёт глубину и ширину рассуждения, но и делает каждый промежуточный шаг проверяемым по конкретным утверждениям.
🟡Синтез выполняет связка из 2 агентов.
Планировщик контролирует глобальную сложность, выбирая цель и тип расширения, а Браузер добывает факты и ссылки из страницы сущности. 4 операции покрывают весь жизненный цикл:
🟢Инициализация из "якоря";
🟢"Размытие родителя" - добавление нескольких независимых условий, которые в совокупности определяют уникальный ответ без включений между кандидатами;
🟢Вертикальное углубление по гиперссылке для увеличения высоты дерева;
🟢Генерация текста вопроса лишь после того, как каждый узел имеет достаточный набор проверяемых ограничений и достигнуты заданные метрики сложности.
Качество контролируется по 2 осям: сложность и проверяемость. Сначала вопросы прогоняются "в лоб": если мощная базовая модель отвечает правильно без поиска, образец исключается, так было отсеяно около 2%. Затем проверяется решаемость на фиксированном наборе страниц с примесями-дистракторами и все двусмысленное удаляется.
Итог: датасет с 50 тыс. пар вопрос–ответ и 16,5 тыс. траекторий размышлений с метками извлечения.
🟡Эксперименты.
Тесты показали, что InfoSeek переносится за пределы домашнего домена. На классических наборах для извлечения фактов и мульти‑hop вопросов компактная модель InfoSeeker‑3B опережает типовые RAG и агентные пайплайны.
На BrowseComp‑Plus с фиксированным корпусом 100K страниц и BM25 точность достигает 16,5% при среднем 8,24 обращения к поиску, что выше, чем у Gemini 2.5 Flash, Sonnet 4 и GPT‑4.1 и значительно выше Qwen3‑32B и Search‑R1‑32B.
Замена обучающего набора NQ+HQA на InfoSeek поднимает точность с 3,0% до 16,5% и делает запросы осмысленно более частыми.
▶️ Из готового у проекта есть датасет, техотчет, конструктор древа данных и код для SFT- трейна. В планах - код RL и публикация весов InfoSeeker‑3B.
📌Лицензирование: Apache 2.0 License.
🟡Датасет
🟡Arxiv
🖥GitHub
@ai_machinelearning_big_data
#AI#ML#DeepResearch#Dataset#InfoSeek
🔥 NVIDIA представила Universal Deep Research (UDR)
UDR — настраиваемый агент для глубокого ресёрча, который «оборачивается» вокруг любого LLM.
Почему это важно:
🟠**Гибкая настройка агента без кода** — UDR не ограничивает жёсткими сценариями, как большинство тулзов.
🟠Можно создавать, редактировать и комбинировать стратегии поиска и анализа.
🟠В репо есть примеры стратегий (minimal, expansive, intensive), но главная сила — в кастомизации под свои задачи.
По сути, это гибкий ресёрч-агент, который можно адаптировать под любой рабочий процесс.
🟢Project: https://research.nvidia.com/labs/lpr/udr
🟢Code: https://github.com/NVlabs/UniversalDeepResearch
🟢Lab: https://nv-dler.github.io
@ai_machinelearning_big_data
#NVIDIA#UDR#UniversalDeepResearch#AI#LLM#ResearchAgent#AIAgents#DeepResearch
#python#ai_agents#ai_tutor#clawdbot#cli_tool#deepresearch#interactive_learning#large_language_models#multi_agent_systems#rag
DeepTutor v1.0.0 is an open-source AI tutoring tool with personalized TutorBots, unified chat modes for solving problems, quizzes, research, and math animations, plus knowledge bases from your PDFs, persistent memory of your learning style, AI co-writing, and guided plans—all via easy web, Docker, or CLI setup. You benefit by getting a smart, evolving study companion that adapts to you, boosts understanding with interactive tools, and saves time on tough topics without starting over.
https://github.com/HKUDS/DeepTutor
Musk's Grok AI Updates Amid Market Drop
🔍 Elon Musk's Grok AI upgraded to version 3, enabling advanced reasoning like OpenAI's o3. New feature, DeepResearch, assists in detailed research. Performance varies: good for research tasks, but average in text generation compared to Claude.
📉 Meanwhile, Bitcoin falls to key support at $91,000, dragging down Ethereum below $2500 and Solana under $140. Liquidation volumes exceed $880 million.
Chainflip to enhance protocol to block Bybit hacker fund movements within 24-72 hours.
For further details, check here.
#Grok#AI#Crypto#Bitcoin#Ethereum#Solana#DeepResearch#Chainflip#Bybit#hacker#liquidations#marketupdate#protocolupgrade#ElonMusk#Claude#OpenAI#DeepSeek#cryptonews#fintech#blockchain
Major AI Investments and Developments
- France to invest €109 billion in AI, boosting Mistral's prospects. Read more
- Elon Musk plans to pay $100 billion to buy OpenAI and prevent its commercialization. Details here
- Research shows LLMs have better performance improvements compared to VLMs. GraphVLM Progress
- OpenAI has new features in o1 and o3-mini, allows document uploads, increase to 50 queries for Plus subscribers. More info
- Musk claims Grok 3 will outperform OpenAI’s offerings. Read about Grok
- OpenAI to finalize its first custom chip this year to enhance trading with Nvidia. Reuters news
#AI#OpenAI#ElonMusk#France#Investment#Chips#Mistral#LLM#VLM#DeepResearch#Grok#Crypto#Nvidia#TechNews#Finance#Market#Progress#Innovation#Data#Analysis