#deepseek — посты и обсуждения

Развивая данную тему поинтересовался, а может ли ИИ (#LLM) в том виде, котором мы их используем через чаты и API решать задачу поиска оптимального решения.

Были взяты самые популярные сервисы: #YandexGPT 5.1 (через #API с векторной базой #YDB и без), #DeepSeek 4 Flash (через API Yandex Cloud), #GigaChat 3.5 Ultra (чат), #ChatGPT-5.6 Luna, #Claude Sonnet 5.

Проверка результата через #RStudio.

Для примера была взята классическая задача (поиск весов ИИ), это поиск минимальных остатков. В математике, это метод наименьших квадратов (МНК).

Где применяется? Например, расчет премий по лестнице достижений (% продаж). Или решение задачи подбора параметров в матрицу через функцию минимизации затрат или максимизации выручки. В Excel для этого часто используют функции ВПР или ПОИСКПОЗ+ИНДЕКС.

Немного ранее писал, что решил свою давнюю задачу по запуску обучения разных видов (ИИ) моделей (DNN, LSTM и др) на исторических данных “с учителем”.

Первая

https://finbazar.ru/post/186859-suslik-est-ili-net-sravnenie-rsi-random-i-ii-ml-dl-dnn-lstm-v-trejdinge

Вторая

https://finbazar.ru/post/818752-kak-menyaetsya-equity-esli-uchitel-ii-dnn-lstm-budet-menee-dergannym

Так вот.

Постановка задачи

Использовать свернутые данные в один числовой вектор (‘x’) по котировками и второй вектор (‘y’) с метками от 1 до 2 (продать или купить) в качестве учителя (‘dt_train / train’).

Второй вектор (‘test’), тестовый, использовать в качестве задачи поиска наиболее подходящего значения из набора train. Найти значение с наименьшим разностным остатком, вывести найденное значение, вывести соответствующее значение из вектора ‘y’, подсчитать процент совпадения ‘p’. Вывести результат в JSON формате и таблице.

Предварительно был загружен тренировочный набор ‘dt_train / train’.

Промпт выглядит так:

x
1,053252588
-0,293614992
-0,194761592
-0,34980501
-0,310607875
-0,051729657
-0,367246745
0,287114539
-0,427839421
-0,370099426

Сопоставь со значениями из поискового индекса dt_train / train, найди наиболее подходящие значения из колонки 'y'. Напротив каждой строки, дополнительно выведи колонку 'p' с вероятностью совпадения. Выведи только результат в формате JSON.

На все результаты будет отдельная ссылка (текстовый файл), так как много “воды” в ответах чатов ГПТ, экономлю ваше время. Кто захочет, посмотрит и возможно перепроверит результаты.

Результаты тестирования

№ 1

https://disk.yandex.ru/i/yUXdVozT6mwMlQ

Не удовлетворительно.

№ 2

https://disk.yandex.ru/i/AIiaKTZPHY8LiA

Не удовлетворительно.

№ 3

https://disk.yandex.ru/i/rwg7xTKr5V6Bug

Не удовлетворительно.

№ 4

https://disk.yandex.ru/i/CXm8vnrPAJHtVA

Тест пройден, точность 100%.

№ 5

https://disk.yandex.ru/i/YaAxdFUVs-4y5g

Не удовлетворительно.

№ 6

https://disk.yandex.ru/i/zT1eNJ4yoBg2_g

Тест пройден, точность 100%.

№ 7

https://disk.yandex.ru/i/MUmFz3z0b0uXDw

Тест пройден, точность 100%.

№ 8

https://disk.yandex.ru/i/SFr-NTmgdpl80Q

Не удовлетворительно.

№ 9

https://disk.yandex.ru/i/BfeLsyutneYScg

Не удовлетворительно.

Расшифровка

№ 1 - DeepSeek 4 Flash (~2-5 минут) - не удовлетворительно

№ 2 - DeepSeek 4 Flash (~2-5 минут) - не удовлетворительно

№ 3 - DeepSeek 4 Flash (~2-5 минут) - не удовлетворительно

№ 4 - Claude Sonnet 5 (40 секунд) - тест пройден, точность 100%.

№ 5 - GigaChat 3 Ultra (10 секунд) - не удовлетворительно

№ 6 - RStudio, язык R (0,01 секунда), скрипт - https://disk.yandex.ru/i/RSHBKPumr1jMUw - тест пройден, точность 100%.

№ 7 - ChatGPT-5.6 Luna (10 секунд) - тест пройден, точность 100%.

№ 8 - Excel ВПР, ПОИСКПОЗ+ИНДЕКС (1 секунда + сортировка)

№ 9 - ChatGPT-5.6 Luna (10 секунд) - не удовлетворительно

Полный пакет файлов с результатами и исходниками - https://disk.yandex.ru/d/-kBOHYdMpTyG_w

Выводы

Будьте очень осторожны при постановке задач поиска оптимального математического решения (задача оптимизации по минимальной или максимально функции), когда делегируете это в ИИ модели (чаты или API). Из ИИ доступных сервисов и чатов GPT, задачу поиска подходящего значения через минимальные остатки решил только Claude Sonnet 5 за 40 секунд.

ChatGPT сначала выдал не правильно, потом правильно.

DeepSeek не смог решить задачу, всегда выдавал разные результаты и очень долго это делал.

YandexGPT 5.1 не решил, так как выходных токенов ему не хватило, уперся в свои ограничения. Даже с YDB.

Excel с некоторым приближением достаточно хорошо решает подобные задачи, но не здесь.

В RStudio на языке R эта задача выполняется за 0,01 секунду, с помощью одной строки: nearest_idx <- sapply(x, function(v) which.min(abs(target_x - v))).

В данный момент сервисы с LLM моделями либо не могут решить, либо расходуют слишком много времени (энергии) на ее решение.

Был ли у вас какой либо положительных или отрицательных опыт, поделитесь.

DeepSeek выпустила V4.1-Flash и делает ставку на экономику AI-агентов: меньше памяти под KV cache, меньше нагрузки на GPU, SSD и пропускную способность при длинных сценариях. Для команд, которые считают стоимость агентных задач, это может быть важнее очередного громкого места в бенчмарке.

Компания заявляет, что быстрый буфер в GPU-памяти теперь занимает около четверти прежнего объёма, а выгружаемая часть сокращена примерно до одной восьмой. Практический эффект простой: больше длинных агентных запусков на той же инфраструктуре, если качество и стабильность подтвердятся в рабочих задачах.

Разбираем, что именно изменила DeepSeek и где у V4.1-Flash остаются ограничения:

Подробнее: https://ai-digest.ru/go/finbazar/3236/

#ИИ #DeepSeek #инфраструктура

Что случилось

Китайский разработчик нейросетей DeepSeek нанял брокера CITIC Securities для подготовки к выходу на биржу . IPO пройдёт на шанхайской площадке STAR Market — она специализируется на технологических компаниях .

Стартап рассчитывает привлечь свежие деньги на разработки в сфере ИИ, а также удержать сотрудников от перехода к конкурентам — ByteDance, Xiaomi и другим .

Какие цифры

В июне 2026 года DeepSeek привлекла $7,4 млрд в ходе раунда финансирования . Оценка компании превысила $50 млрд . По данным Reuters, готовится ещё один раунд, после которого оценка может вырасти до $75 млрд .

Даты, объём размещения и оценка в рамках IPO пока не раскрываются .

Почему это важно

DeepSeek в начале 2026 года вызвала переполох на рынках — её модели ИИ показали результаты, сравнимые с решениями OpenAI, но с меньшими затратами . IPO на STAR Market станет проверкой интереса инвесторов к китайскому ИИ-сектору.

DeepSeek привлекла миллиарды, оценка растёт, и теперь компания готовится к IPO. Станет ли это крупнейшим размещением в китайском ИИ-секторе или повторит судьбу других горячих стартапов?

#DeepSeek #IPO #Китай #искусственныйинтеллект #ИИ #STARMarket #CITICSecurities #технологии #инвестиции #стартап #факты #новоститехнологий #китайскийИИ #разработкаИИ #IPO2026 #финансирование #рыноккапитала #китайскиетехнологии #AI #NLP #машинноеобучение #инновации #фондовыйрынок #инвесторы #технологическийсектор #новостиIPO #CITIC

Китайские хакеры удвоили атаки после внедрения открытых ИИ-моделей

Китайские хакерские группировки резко активизировались после массового внедрения открытых моделей (ИИ с открытыми весами) вроде DeepSeek и Claude Code. Стоимость госхакинга упала в разы — теперь для сложных атак достаточно дешёвых инструментов на основе этих моделей. Компания TeamT5 уже зафиксировала случаи взлома мессенджера Signal и распространения готового эксплойт-кода, сгенерированного ИИ.

Для инвесторов в кибербезопасность это означает рост расходов на защиту и резкий всплеск спроса на решения, устойчивые к ИИ-угрозам. Одни компании выиграют от нового рынка, другие — пострадают от неконтролируемого распространения доступных хакерских инструментов. Кто получит преимущество, а кто окажется в проигравших — разбираемся в обзоре.

Кто выиграет, а кто проиграет от неконтролируемого открытого ИИ — https://ai-digest.ru/go/finbazar/2852/

#ИИ #кибербезопасность #DeepSeek #инвестиции

Китайские хакерские группы перешли на открытые AI-модели

Государственные кибергруппировки Китая активно развёртывают открытые весовые модели (Kimi K3, DeepSeek) на собственной инфраструктуре для автоматизации атак. Исследователи фиксируют массовое внедрение AI в операции сразу нескольких десятков групп. Стоимость полного цикла атаки снизилась кратно.

Модели с открытыми весами позволяют группам не оставлять следов в логах платформ — в отличие от коммерческих API, развёрнутая на своём сервере модель не требует обращения к третьим лицам. Kimi K3 от Moonshot и DeepSeek предлагают возможности, сопоставимые с коммерческими решениями, но работают на относительно недорогом GPU-оборудовании.

Полный материал: https://ai-digest.ru/go/finbazar/2842/

#ИИ #нейросети #кибербезопасность #DeepSeek #Moonshot #FinTech #B2B