ML Atlas

Blog · Wiadomości ·

Tydzień w ML: pandas 3.1, Timestral, konkurs Name That LLM

W skrócie

Przegląd 11–26 października 2026: nowe pandas, małe modele Mistrala do szeregów czasowych, konkurs Kaggle o rozpoznawaniu LLM, Muse Spark Open i SSI.

Krótki przegląd pięciu wydarzeń z 11–26 października 2026, wybranych pod kątem osoby, która dopiero uczy się ML. Każde sprawdziliśmy w źródle pierwotnym: w notach wydania, na blogu firmy, w danych Kaggle, na Hugging Face albo w streszczeniu na arXiv. Poprzedni przegląd: Tydzień w ML z 10 października.

1. pandas 3.1: nowa metoda select() i szybsze wczytywanie CSV (22 października)

Biblioteka pandas, czyli podstawowe narzędzie do tabel w Pythonie, wyszła w wersji 3.1.0. Według opisu zmian najważniejsze nowości są trzy:

  • DataFrame.select() zwraca nową tabelę z wybranymi kolumnami. Można w niej od razu policzyć nową kolumnę, np. wiek w miesiącach z wieku w latach.
  • DataFrame.filter() dostał parametr cond, który zostawia wiersze spełniające warunek. Brakujące wartości są wtedy domyślnie traktowane jak „nie”.
  • read_csv() jest szybsze. Według autorów wczytywanie na jednym wątku jest zwykle dwa do trzech razy szybsze niż w wersji 3.0. Do tego duże pliki, czyli lokalne, nieskompresowane i mające co najmniej 5 MB, są teraz czytane równolegle, domyślnie na tylu procesorach, ile ma do dyspozycji program, ale najwyżej na 6. Wynik jest taki sam jak przy czytaniu po kolei.

Są też zmiany, które zobaczysz w starszych poradnikach. Parametr inplace jest przestarzały w metodach, które i tak nie zmieniały tabeli w miejscu, m.in. w drop, rename, reset_index, dropna i sort_values. Zamiast inplace=True piszesz po prostu df = df.reset_index(). Nowe pandas wymaga też NumPy co najmniej w wersji 2.0.2.

Dlaczego to ważne dla uczącego się ML. Większość pracy z danymi to wczytanie, przejrzenie i oczyszczenie tabeli, zanim pojawi się jakikolwiek model. Jeśli kod ze starszego poradnika albo z Kaggle nagle pokazuje ostrzeżenie o inplace, to nie błąd w danych, tylko zmiana w bibliotece. Na czym polega ten etap pracy, pokazujemy w lekcji Eksploracja: patrz, zanim modelujesz i w hasłach EDA oraz brakujące wartości.

2. Timestral: małe modele Mistrala do prognoz szeregów czasowych (15 października)

Mistral AI przedstawił Timestral, swoją pierwszą rodzinę modeli do prognozowania szeregów czasowych, czyli danych mierzonych w kolejnych chwilach: odczytów czujników, sprzedaży, zużycia prądu. Modele mają 5, 28, 123 i 209 mln parametrów, czyli są bardzo małe jak na dzisiejsze modele. Według karty modelu przyjmują do 32 768 wcześniejszych pomiarów i w jednym przebiegu prognozują do 1024 kroków naprzód. Zamiast jednej liczby podają 21 kwantyli, czyli cały zakres możliwych wartości. Większość danych treningowych była syntetyczna.

Mistral pisze, że model nie potrzebuje karty graficznej. Na serwerowym procesorze z 8 wątkami prognoza na dobę naprzód z trzech tygodni pomiarów co 15 minut trwa 10 ms w wersji 5M i 140 ms w wersji 209M. Według firmy największy model jest pierwszy na trzech publicznych benchmarkach. Na GIFT-Eval jego błąd MASE wynosi 0,658, a modelu TimesFM-3 0,667, więc różnica jest niewielka. To liczby producenta.

Wagi są publiczne na Hugging Face, ale na licencji „Modified MIT”. Licencja nie obejmuje firm, których miesięczny przychód przekracza 20 mln dolarów, ani ich pracowników. Takie firmy mogą prosić Mistrala o licencję komercyjną. Kod do uruchamiania modeli jest na licencji Apache 2.0.

Dlaczego to ważne dla uczącego się ML. Timestral to uczenie transferowe przeniesione z tekstu na liczby: model uczy się na wielu szeregach, a potem prognozuje nowe bez dodatkowego treningu. Prognoza z przedziałem mówi więcej niż jedna liczba, o czym piszemy w haśle o regresji kwantylowej. W szeregach czasowych ocenia się model zawsze na danych późniejszych niż treningowe. Warto też porównać go z prostym punktem odniesienia, np. „jutro będzie tak jak dziś”. Po co porównywać model z czymś prostym, wyjaśnia lekcja Punkt odniesienia. Przy okazji: „otwarte wagi” to nie zawsze licencja open source, więc przed użyciem modelu w pracy przeczytaj licencję.

3. Kaggle: konkurs Name That LLM, czyli który model napisał ten tekst (od 14 października)

Na Kaggle ruszył konkurs Name That LLM, sponsorowany przez Google. Zadanie: przeczytać krótki akapit i wskazać, który z 18 modeli językowych go napisał. Modele pochodzą od sześciu twórców: OpenAI, Google, Anthropic, Qwen, ZAI i Moonshot AI. Zbiór treningowy ma 2699 akapitów napisanych w odpowiedzi na 150 poleceń. Ukryty zbiór testowy ma około 4000 akapitów, a polecenia z testu nie występują w treningu. Akapity mają od 40 do 250 słów. Metryka to trafność zrównoważona (balanced accuracy), pula nagród wynosi 50 000 dolarów, a zgłoszenia przyjmowane są do 14 stycznia 2027 roku. Według danych Kaggle 26 października startowało 3260 drużyn.

Dlaczego to ważne dla uczącego się ML. To zwykła klasyfikacja wieloklasowa na tekście, więc dobry pierwszy krok to prosty model: cechy TF-IDF i regresja logistyczna. Najważniejsza lekcja kryje się w podziale danych. Skoro test zawiera nowe polecenia, walidacja też musi trzymać wszystkie akapity z jednego polecenia po tej samej stronie. Inaczej model nauczy się tematów zamiast stylu, a wynik walidacji będzie zawyżony. To przykład wycieku danych i powód, dla którego warto znać walidację krzyżową. Trafność zrównoważona to średnia trafności w każdej klasie, więc model nie zyska, zgadując zawsze najczęstszą odpowiedź. Więcej w haśle trafność zrównoważona.

4. Meta wydaje wagi Muse Spark Open (15 października)

Meta udostępniła wagi modelu Muse Spark Open, nastawionego na programowanie i pracę agentów. Model przyjmuje nie tylko tekst, ma 816 mld parametrów, z czego aktywnych jest 42 mld, i okno kontekstu 1 mln tokenów. Licencja to „Muse Model License” z ograniczonymi warunkami komercyjnymi. Na Hugging Face dostęp do wag trzeba zgłosić i czekać na akceptację.

Dlaczego to ważne dla uczącego się ML. Różnica między 816 a 42 mld to mieszanina ekspertów (mixture of experts): sieć ma wiele wyspecjalizowanych części, a dla każdego tokenu włącza tylko kilka z nich. Dlatego liczba „aktywnych” parametrów mówi więcej o koszcie jednej odpowiedzi niż liczba wszystkich. Wszystkie wagi i tak trzeba jednak zmieścić w pamięci, więc takiego modelu nie uruchomisz na zwykłym laptopie. Podobnie jak przy Timestralu: „otwarte wagi” z licencją firmy to co innego niż Apache 2.0 czy MIT.

5. SSI: wyjaśnienia Shapleya dla zdjęć z wieloma kanałami (15 października)

Na arXiv ukazała się praca „Spectral-Spatial Interpretation” Haotiana Ma, Ruqi Yang i Philipa Townsenda, przyjęta na konferencję NeurIPS 2026. Zwykłe wyjaśnienia modeli obrazowych pokazują mapę cieplną, czyli gdzie model „patrzy”. Zdjęcia satelitarne mają jednak wiele kanałów, np. różne pasma światła, i ważność kanału może zależeć od miejsca na zdjęciu. Metoda SSI liczy wartości Shapleya osobno dla każdego miejsca i każdego kanału. Autorzy sprawdzili ją na trzech zbiorach: CUB-200 (ptaki), EuroSAT i HLS Burn Scar (zdjęcia satelitarne). Na HLS Burn Scar wypadła lepiej od porównywanej metody MC-Owen, zużywając około 6% jej budżetu obliczeń.

Dlaczego to ważne dla uczącego się ML. Wartości Shapleya to ten sam pomysł, który stoi za popularną biblioteką SHAP do tabel: dzielimy wynik modelu między cechy uczciwie, jak wygraną między graczy. Wyjaśnienia pomagają złapać model, który ma rację z niewłaściwych powodów, jak w historii o Mądrym Hansie w sieciach. Pamiętaj tylko, że wyjaśnienie opisuje model, a nie świat: pokazuje, z czego model korzysta, a nie co jest przyczyną.

Źródła

Tagi: tydzien-w-ml pandas time-series kaggle open-weights interpretability

W Atlasie