Hacker News · 13.07.2026 ·Разработка и инструменты

Sheaf: перенос концепции «код как данные» из Clojure в машинное обучение

Проект Sheaf внедряет философию Clojure, где код рассматривается как данные, в область машинного обучения. Инструмент предоставляет унифицированный способ представления и манипулирования вычислительными графами, позволяя разработчикам работать с моделями как с гибкими структурами данных. Это упрощает создание динамических систем, где архитектура нейросетей может изменяться программно в процессе выполнения.

Основная идея заключается в использовании гомоиконичности для упрощения метапрограммирования в ML-стеке. В отличие от традиционных фреймворков, где графы вычислений часто являются статичными или требуют сложных абстракций для модификации, Sheaf позволяет манипулировать логикой модели с помощью стандартных операций над структурами данных. Такой подход снижает порог входа для создания адаптивных агентных систем и сложных пайплайнов обработки данных.

Инструментарий ориентирован на интеграцию с существующими экосистемами машинного обучения, предоставляя интерфейсы для взаимодействия с тензорными библиотеками. Разработчики получают возможность описывать сложные архитектуры моделей через декларативные структуры, что повышает читаемость кода и упрощает отладку агентных логик, требующих частой переконфигурации весов или изменения путей прохождения данных.

Ключевые факты

Sheaf реализует концепцию гомоиконичности для описания вычислительных графов в ML.
Инструмент позволяет динамически изменять архитектуру моделей через манипуляции с данными.
Проект направлен на упрощение метапрограммирования при создании сложных агентных систем.
Решение обеспечивает совместимость с распространенными библиотеками для работы с тензорами.

Источник: Hacker News

Обсудить с ИИ

Похожие материалы

Hacker News · Машинное обучение Переписывание ML-фреймворка на языке Lean: производительность и верификация Разработчики переписали популярный ML-фреймворк tinygrad на языке формальной верификации Lean, добившись повышения производительности. Эксперимент показал, что использование строго типизированного функционального языка позволяет не только оптимизировать вычисления, но и гарантировать математическую корректность операций. Это открывает новые возможности для создания высокопроизводительных и надежных систем глубокого обучения, где критически важна точность каждого тензорного преобразования. Hacker News · Инфраструктура для агентов Обновление Haystack: фреймворк для создания RAG-систем и ИИ-агентов Haystack — это open-source фреймворк, предназначенный для построения масштабируемых ИИ-приложений, включая RAG-системы и автономных агентов. Инструмент позволяет разработчикам объединять различные LLM, векторные базы данных и поисковые движки в единые пайплайны, обеспечивая модульность и готовность решений к промышленной эксплуатации в сложных корпоративных средах. Hacker News · Данные и инжиниринг FluxPack: новый формат для сжатия логов обучения ML-моделей Представлен FluxPack — специализированный формат сериализации данных, разработанный для оптимизации хранения и передачи логов обучения нейросетей. Инструмент позволяет сократить объем лог-файлов в среднем на 63% по сравнению со стандартными методами. Это решение значительно ускоряет процессы передачи данных между узлами кластера и снижает затраты на хранение больших массивов телеметрии в процессе обучения моделей. arXiv · Машинное обучение HiReLC: иерархическое обучение с подкреплением для сжатия нейросетей Исследователи представили HiReLC — фреймворк для автоматизированной оптимизации глубоких нейронных сетей, объединяющий квантование и структурную обрезку (pruning). Система использует иерархическое обучение с подкреплением, разделяя задачу на уровни абстракции. Это позволяет эффективно подбирать конфигурации битности и параметры прореживания для каждого блока сети, минимизируя потери точности при значительном сокращении вычислительных затрат. Hacker News · Инфраструктура для агентов Новый подход к компиляции для LLM и моделей мира Исследователи представили концепцию специализированного компилятора, предназначенного для оптимизации работы LLM и моделей мира. Система переводит высокоуровневые агентные задачи в эффективный машинный код, минимизируя задержки при выполнении сложных логических цепочек. Это решение направлено на повышение производительности систем, работающих в режиме реального времени, и создание более надежной инфраструктуры для будущих автономных ИИ-агентов. arXiv · Машинное обучение Any-Dimensional Learning: новый подход к масштабируемости моделей Исследователи представили метод Any-Dimensional Learning, позволяющий нейросетям эффективно работать с входными данными произвольного размера, выходящими за рамки обучающей выборки. Новый подход решает проблему генерализации моделей, которые при увеличении количества токенов, узлов графа или точек в облаке часто теряют точность или сталкиваются с вычислительными ограничениями, сохраняя стабильность предсказаний на данных любого масштаба. Hacker News · Исследования и наука Sakana AI представила метод координации мультиагентных систем Sheaf-ADMM Исследователи из Sakana AI разработали новый математический подход Sheaf-ADMM для эффективной координации автономных ИИ-агентов. Метод опирается на теорию пучков (sheaf theory) и алгоритм ADMM, позволяя агентам достигать консенсуса в сложных распределенных средах. Решение значительно повышает масштабируемость систем, где требуется согласованное принятие решений без централизованного управления. arXiv · Разработка и инструменты Program-as-Weights: новый подход к программированию нечетких функций Исследователи представили парадигму «Program-as-Weights», позволяющую компилировать функции из спецификаций на естественном языке в веса нейронных сетей. Метод заменяет вызовы внешних LLM-API на локальные, воспроизводимые и предсказуемые компоненты. Это решение оптимизирует задачи, которые сложно описать жесткими правилами, такие как парсинг поврежденных данных, фильтрация логов или ранжирование результатов поиска, обеспечивая при этом высокую скорость работы и контроль над затратами. Engineering at Meta · Данные и инжиниринг Инфраструктура хранения данных для обучения масштабных ИИ-моделей от Meta Meta (признана экстремистской организацией, деятельность запрещена в РФ) представила архитектурный подход к организации систем хранения данных, необходимых для обучения моделей нового поколения. Компания оптимизировала пайплайны для работы с экспоненциально растущими датасетами, сократив время доступа к информации и снизив вычислительные издержки, что позволило ускорить цикл выпуска передовых моделей с нескольких месяцев до нескольких недель. Hacker News · Инфраструктура для агентов Crespo: использование AST-структур для оптимизации работы LLM с кодом Проект Crespo предлагает новый подход к взаимодействию языковых моделей с исходным кодом. Вместо передачи в модель «сырого» текста, инструмент использует возможности Tree-sitter для генерации абстрактных синтаксических деревьев (AST). Это позволяет преобразовывать сложные кодовые базы в структурированные «чертежи», которые содержат только ключевую логическую информацию, необходимую для понимания структуры программы.

← Все материалы