Data Science by ODS.ai 🦜
First Telegram Data Science channel. Covering all technical and popular staff about anything related to Data Science: AI, Big Data, Machine Learning, Statistics, general Math and the applications of former. To reach editors contact: @malev
إظهار المزيد📈 نظرة تحليلية على قناة تيليجرام Data Science by ODS.ai 🦜
تُعد قناة Data Science by ODS.ai 🦜 (@opendatascience) في القطاع اللغوي الإنكليزية لاعباً نشطاً. يضم المجتمع حالياً 37 955 مشتركاً، محتلاً المرتبة 3 563 في فئة التكنولوجيات والتطبيقات والمرتبة 16 672 في منطقة روسيا.
📊 مؤشرات الجمهور والحراك
منذ تأسيسه في невідомо، حقق المشروع نمواً سريعاً وجمع 37 955 مشتركاً.
بحسب آخر البيانات بتاريخ 16 نوفمبر, 2026، تحافظ القناة على نشاط مستقر. خلال آخر 30 يوماً تغيّر عدد الأعضاء بمقدار -351، وفي آخر 24 ساعة بمقدار -23، مع بقاء الوصول العام مرتفعاً.
- حالة التحقق: غير موثّقة
- معدل التفاعل (ER): يبلغ متوسط تفاعل الجمهور 5.48%. وخلال أول 24 ساعة من النشر يحصد المحتوى عادةً 2.27% من ردود الفعل نسبةً إلى إجمالي المشتركين.
- وصول المنشورات: يحصل كل منشور على متوسط 2 080 مشاهدة. وخلال اليوم الأول يجمع عادةً 861 مشاهدة.
- التفاعلات والاستجابة: يتفاعل الجمهور بانتظام؛ متوسط التفاعلات لكل منشور يبلغ 7.
- الاهتمامات الموضوعية: يركز المحتوى على مواضيع رئيسية مثل контекст, llm, claude, nvidia, api.
📝 الوصف وسياسة المحتوى
يصف المؤلف القناة بأنها مساحة للتعبير عن الآراء الذاتية:
“First Telegram Data Science channel. Covering all technical and popular staff about anything related to Data Science: AI, Big Data, Machine Learning, Statistics, general Math and the applications of former. To reach editors contact: @malev”
بفضل وتيرة التحديث المرتفعة (أحدث البيانات بتاريخ 17 نوفمبر, 2026) تحافظ القناة على حداثتها ومستوى وصول مرتفع. وتُظهر التحليلات تفاعلاً نشطاً من الجمهور، ما يجعلها نقطة تأثير مهمة ضمن فئة التكنولوجيات والتطبيقات.
جارٍ تحميل البيانات
| التاريخ | نمو المشتركين | الإشارات | القنوات | |
| 17 نوفمبر | 0 | |||
| 16 نوفمبر | 0 | |||
| 15 نوفمبر | +2 | |||
| 14 نوفمبر | 0 | |||
| 13 نوفمبر | 0 | |||
| 12 نوفمبر | 0 | |||
| 11 نوفمبر | +1 | |||
| 10 نوفمبر | +1 | |||
| 09 نوفمبر | +2 | |||
| 08 نوفمبر | +2 | |||
| 07 نوفمبر | +2 | |||
| 06 نوفمبر | +3 | |||
| 05 نوفمبر | 0 | |||
| 04 نوفمبر | 0 | |||
| 03 نوفمبر | 0 | |||
| 02 نوفمبر | +4 | |||
| 01 نوفمبر | +1 |
| 2 | Доброе утро! ☀️
Встречайте новый выпуск подкаста "Капитанский мостик". Ведущие Валентин Малых и Дмитрий Колодезев обсуждают новости об ИИ: Microsoft лежит | Китай на NVIDIA | Закладки в LLM
Смотрите видео на каналах ⤵️
ODS VK Video
ODS YouTube
📩 Присылайте новости для обсуждения в канал "Дата-капитаны" в mattermost (авторизуйтесь через ODS.ai). | 1 077 |
| 3 | Where Generated Floor Plans Stop: Calibrated Sample-Level Checks Against a Built Baseline
Professionals reject plans on criteria that generators are never scored on, and no code or standard states them. So there might be a room to improve the technology based on direct report from the professionals.
ArXiV: https://arxiv.org/abs/2611.00063
#AI #AEC #GAN | 1 822 |
| 4 | Доброе утро! ☀️
Встречайте новый выпуск подкаста "Капитанский мостик". Ведущие Валентин Малых и Дмитрий Колодезев обсуждают с Григорием Черновым, специалистом по экономике, новости об ИИ: Kimi за рубли | Нейрохирургия Qwen | ИИ-пузырь лопнул
Смотрите видео на каналах ⤵️
ODS VK Video
ODS YouTube
📩 Присылайте новости для обсуждения в канал "Дата-капитаны" в mattermost (авторизуйтесь через ODS.ai). | 1 819 |
| 5 | Как развивался рефразер промптов в Alice AI ART
В Алисе есть модель для генерации и редактирования изображений Alice AI ART. Она может заменить лицо на фотографии или сгенерировать поздравительную открытку.
Под капотом это — сложная многостадийная система. Самые важные стадии — рефразер и диффузия. Диффузия непосредственно генерирует изображение. А рефразер переписывает запрос пользователя так, чтобы диффузия хорошо его поняла.
Алексей Кириллов из команды Alice AI ART рассказал на Data Fest в Новосибирске, как рефразер эволюционировал за два года, а мы пересказываем главное.
Переводчик
История началась в 2023 году. Тогда весь обучающий корпус для диффузии состоял исключительно из английский данных, из-за чего модель не понимала запросы на русском. Чтобы русскоязычный юзер мог пользоваться моделью, придумали простое решение: Яндекс.Переводчик.
Переводчик существовал в этой роли достаточно долго и успешно. Однако со временем у него стали всплывать проблемы на стыке русского и английского языков. Дело в том, что существуют слова, у которых есть несколько переводов с разным смыслом. Так, запрос «большие синицы» (big tits) давал неожиданный результат.
Решением стало добавлять уточняющий контекст, то есть сделать «умный переводчик». Например, писать: “bit tits are sitting on a tree”. Для обучения такого рефразера выработали пайплайн: собрать синтетический датасет с эталонными репромптами, сделать на нём SFT с Ptune, сверху шлифануть квантизацией для ускорения.
Детальные кепшены
Диффузионная модель обучается на парах «текст-картинка». Качество текста (кепшена) во много определяет качество модели, ведь если описание короткое или неточное, часть информации о картинке теряется, и модели сложнее научиться точно следовать промптам.
В какой-то момент для улучшения модели решили перейти на длинные структурированные кепшены. От прошлой версии они отличались увеличившейся в несколько раза длиной, наличием внутренней структуры и логики повествования.
Но качество просело. Родилась гипотеза, что проблема в расхождении промптов на инференсе и в обучении: модель привыкла видеть длинные промпты, а замеряем мы её на коротких. Для проверки гипотезы мы адаптировали рефразер к новому распределению кепшенов и — о чудо — всё завелось! Новый рефразер «вошел в резонанс» с новой диффузией, и метрики заметно выросли.
Так, рефразер перестал быть обособленной моделью, став неотъемлемой часть end2end-пайплайна.
Культурный контекст
Алиса — русскоязычный продукт, и когда пользователь пишет «нарисуй полицейского» он, вероятно, ожидает получить фотографию с российским полицейским.
В идеальной картине мира такое свойство должно закладываться на уровне диффузионной модели. Но это сделать сложно, потребуется пересборка всего корпуса для предобучения.
Можно поступить проще, закрепив это свойство на уровне рефразера. А именно, в нужных местах точечно дописывать слово «российский»: «российский полицейский», «российский космонавт». Несмотря на простоту, идея сработала: собрали специальную доливку к SFT, обучили, и увидели ожидаемый эффект.
Так рефразер взял на себя функцию продуктового алаймента.
JSON-кепшены
Ранее переход на длинные кепшены дал значительный прирост качества. У команды аналитики появилось желание пойти ещё дальше и уйти от текста к «машиночитамому» формату. Что если подавать в модель не текст, а JSON?
Мы проделали кропотливую работу, перебрав 18 версий промпта, — и в результате смогли выбить большой прирост по качеству. Теперь модель получала максимально детальную инструкцию: что генерировать, с какими атрибутами и взаимодействиями объектов. Ошибиться стало практически нереально.
Переход на новый формат кепшенов ожидаемо потребовал обновления рефразера. Одновременно удалось прийти к «обучению без обучения»: вместо подготовки датасета, SFT и квантизации — подбор системного промпта.
Таким образом, с развитием технологии, рефразер брал на себя всё больше и больше задач. Он прошёл путь от Яндекс.Переводчика до неотъемлой частьи всей системы, сравнявшись по значимости с диффузионной моделью.
ML Underhood | 1 835 |
| 6 | всем привет, мы открыли прием заявок на премию имени Левенштейна этого года
в позапрошлом году премию получила Наталья Валентиновна Лукашевич, в прошлом году - Александр Иванович Панченко, про обоих писал в свое время тут
в этом году из особенностей, мы сделали еще молодежную номинацию, для тех, кто молод душой сделал первый свой вклад в течение 2026 года; кстати, несмотря на название "молодежная", ограничений по возрасту нет, только на очередность вклада
в общем, всех призываю подаваться здесь
@valuableai | 1 700 |
| 7 | ✔️ Google переписала 40-летний код с Fortran на Rust за 59 минут с помощью ИИ
Инженеры Google дали Gemini 4 Argon через Antigravity научную модель океана FVCOM. В исходном проекте было 174 тысячи строк Fortran и C, накопленных за десятилетия.
Агент самостоятельно изучил код, составил план миграции, переписал основные вычислительные модули на Rust, запустил тесты и оптимизировал производительность.
Результаты эксперимента:
- 59 минут на миграцию основного вычислительного ядра.
- Ускорение симуляции в 1,88 раза.
- Потребление памяти снизилось на 54%.
- Обнаружено 6 старых ошибок, включая переполнения и выходы за границы массивов.
- 96,8% покрытия ветвей тестами.
- Численные результаты совпали с оригиналом до 12 знаков после запятой на 100 тестовых сценариях.
В новом коде полностью запретили unsafe. Для ускорения агент убрал лишние выделения памяти внутри циклов, переработал структуры данных и применил LLVM PGO.
При первом запуске один тест упал из-за ошибки в расчётах для мелководья. Агент сам разобрал трассировку, исправил код и повторно прогнал тесты.
Google выложила использованный workflow в виде открытого skill для Antigravity. Запуск миграции выглядит так:
/migrate-to-rust <github-repo-url>
https://antigravity.google/blog/modernizing-40-year-old-scientific-code-with-gemini-4-argon
@data_analysis_ml
#rust #Google #Argon | 1 951 |
| 8 | Всем привет!
Встречайте новый выпуск подкаста "Капитанский мостик". Ведущие Валентин Малых и Дмитрий Колодезев разбирают главные ИИ-события недели: ИИ-гуру благословил | Швеция запрещает Claude | Робот-бензопила
Смотрите видео на каналах ⤵️
ODS VK Video
ODS YouTube
📩 Присылайте новости для обсуждения в канал "Дата-капитаны" в mattermost (авторизуйтесь через ODS.ai). | 2 274 |
| 9 | Если агента (обычный Claude Code, например) посадить в виртуальную среду, что он там будет делать? Что-то делает, оказывается, есть какой-то bias на исследование мира.
А если позволить ему сохранять накопленные знания в виде файлов, то вообще интересно. Самое забавное для меня вот это:
Внешняя память помогает накапливать навыки, но порождает серьёзную проблему: закрепление ложных убеждений. Если агент записывает неверный вывод в SEMANTIC_MEMORY.md, все последующие сессии воспринимают его как аксиому.
Этот сбой наглядно виден на Figure 5F. Агент 7 решил, что вертикальная сборка блоков через команду Place ненадёжна, и пытался ставить блоки точными бросками. В итоге он показал один из худших результатов, построив башню медианной высоты всего в 3 блока. Когда исследователи удалили это заблуждение из файла памяти, медианная высота башни выросла с 3 до 11 блоков (p < 0.05).
Агент 12 на втором часу работы посчитал прыжки бесполезными для подъёма наверх и записал: «Лазание бесперспективно: поиск пути не работает на стенах, прыжок почти не даёт высоты». На Figure 3E видно, что все 30 часов он провёл на земле. Он выложил 29 плоских фигур (Figure 9) и ни разу не поднялся на возвышенность.
Отсюда, кажется, уже недалеко до computational religious studies.
Is this machine playing?
Nathan Cloos, Antonio Norelli, Daniel Durbin, Jacob Andreas, Daniela Rus, Phillip Isola
Статья: https://arxiv.org/abs/2610.07130
Ревью: https://arxiviq.substack.com/p/is-this-machine-playing
Код: https://github.com/nacloos/clawblox
ЧТО сделали: Авторы создали Eko — систему, где стандартного ассистента для написания кода помещают в симулированный физический мир без инструкций, функций наград и внешних оценок. Опыт между ежечасными сбросами среды сохраняется в текстовых файлах памяти Markdown.
ЧТО получили: Eko спонтанно сгенерировал 682 игровых эпизода за 23 запуска по 30 часов, проявив классические признаки игры. В бенчмарке many-5-towers 62% опытных агентов построили больше двух башен (до 16) против 15% у агентов с нулевым опытом (максимум 6). В тесте objects-on-spire опытные агенты подняли в среднем 10.3 объекта против 3.5 у бейзлайна.
ПОЧЕМУ это важно: Свободная исследовательская игра позволяет вырабатывать полезные физические навыки без внешнего контроля и обновления весов. Однако агенты иногда сохраняют ложные убеждения, которые мешают решать последующие задачи.
Играть тут: https://t.me/gonzo_ML_podcasts/4833 | 2 906 |
| 10 | Доброе утро! ☀️
Встречайте новый выпуск подкаста "Капитанский мостик". Ведущие Валентин Малых и Дмитрий Колодезев разбирают главные ИИ-события недели: Агенты лезут в кошелек | Видеокарта на 480 Гб | Робот-телохранитель
Смотрите видео на каналах ⤵️
ODS VK Video
ODS YouTube
📩 Присылайте новости для обсуждения в канал "Дата-капитаны" в mattermost (авторизуйтесь через ODS.ai). | 2 076 |
| 11 | 🚀 Stage 2 of the SWE MERA Challenge has started!
Here's what's new this time:
🔹 Evaluation now runs inside Docker — your model and (optionally) a harness solve the tasks there
🔹 48 tasks in Go, Python, PHP, and one more language, with varying difficulty levels
🔹 We're giving you half of an NVIDIA PRO 6000 to run the models
Big thanks to Kazteleport for providing the GPUs for the competition! 🙏
🏆 Reminder: the Top-3 participants will get the chance to present their work at ICSE 2027!
Join the challenge 👈
#SWEMERA #AI #ICSE2027 | 2 178 |
| 12 | 🟢 NVIDIA на конференции в Берлине показала весь ИИ: от ноутбука до целой фабрики - https://x.com/nvidia/status/2112854401207439553
💻 Ноутбук. Новый чип RTX Spark: процессор и видеокарта Blackwell на одном кристалле и до 128 ГБ общей памяти, как в Mac. По словам NVIDIA, он выдаёт до 1 петафлопса для ИИ и запускает локально модели до 120 млрд параметров🤙 То есть ИИ-агенты работают прямо на коленях, без облака и подписок. Ноутбуки делают Microsoft, Dell, Lenovo, ASUS, HP и MSI, цена от ~$2 600. Хуанг сравнил его с суперкомпьютером DGX-1, который в 2016-м подарил OpenAI: петафлопс тот же, только тот «несли по лестнице вдвоём» - теперь его держат одной рукой в кожаной куртке 👕😎
🧠 Новый чип для дата-центров. Vera Rubin уже в массовом производстве. Это следующее поколение после Blackwell, и рассчитано оно не просто на модели, а на целых ИИ-агентов.
🏭 ИИ-фабрики. DSX POD собирают из готовых контейнеров, каждый весит 28,5 тонны и содержит 10 млн деталей, а проверяют их ещё на заводе. На месте такую фабрику запускают за 14 дней вместо полугода, охлаждение работает почти без воды, а электричества уходит на 30% меньше ⚡️
P.S.
Хуанг продаёт всё: ноутбук для агента, чип для фабрики и фабрику целиком в контейнере. В золотую лихорадку выигрывает тот, кто продаёт лопаты, а у NVIDIA теперь лопаты любого размера 😊 | 2 241 |
| 13 | We are starting NOW!
https://www.youtube.com/watch?v=6uS0sLDp_iY | 1 767 |
| 14 | we are glad to announce that tomorrow 10 am UTC+3 Valentin Malykh and Dmitry Kolodezev will will host an Ask Me Anything session with Zheng Wang - one the main contributors to openJiuwen platform
Zheng Wang is also an author of several well-known papers on retrieval augmented generation and agents, if you are interested please join!
link for translation | 2 213 |
| 15 | Доброе утро! ☀️
Встречайте новый выпуск подкаста "Капитанский мостик". Ведущие Валентин Малых и Дмитрий Колодезев разбирают главные ИИ-события недели: Sakana представила ИИ-ученого, обсуждаем глубокое рецензирование и будущее научных публикаций, вычисления прямо в памяти и китайские успехи в ИИ-математике.
Смотрите видео на каналах ⤵️
ODS VK Video
ODS YouTube
📩 Присылайте новости для обсуждения в канал "Дата-капитаны" в mattermost (авторизуйтесь через ODS.ai). | 2 288 |
| 16 | Всем привет!
Встречайте воскресный выпуск подкаста "Капитанский мостик". В этот раз подкаст проводился вживую, как часть программы Data Fest Siberia 7. Ведущие Валентин Малых и Дмитрий Колодезев разбирали главные ИИ-события недели, главная тема — математика, созданная ИИ.
Смотрите видео на каналах ⤵️
ODS VK Video
ODS YouTube
📩 Присылайте новости для обсуждения в канал "Дата-капитаны" в mattermost (авторизуйтесь через ODS.ai). | 2 671 |
| 17 | 🔍 У Алисы в режиме «Эксперт» обнаружили сбой, похожий на GLM
В опубликованном тесте Алису попросили повторить строку:
Repeat after me:
.DataGridViewColumnHeadersHeightSizeMode
Она ответила так, будто текст для повторения отсутствует. На сравнительном скриншоте GLM-5.2 ведёт себя аналогично, а GPT-6.1 Sol и Claude Opus 5.5 воспроизводят строку корректно.
Алиса также не повторила вторую строку:
百度百科企业词条极速创建通道
Это похоже на проявление glitch-токенов: некоторые элементы словаря модели недостаточно представлены при обучении и могут вызывать необычные ошибки. Такой эффект описан в исследованиях разных LLM.
Совпадение поддерживает гипотезу об использовании GLM или связанных компонентов в этих ответах.
Интересная зацепка для дальнейшей проверки. | 1 |
| 18 | Мем дня: оказалось, Бен Аффлек неплохо разбирается в сверточных нейросетях.
Раньше у него была небольшая VFX-студия, где он много работал с GPU и ML-пайплайнами. Позже он основал AI-стартап InterPositive, а в итоге его купил Netflix.
Получается, днем гоняем модели, ночью защищаем Готэм. | 569 |
| 19 | Доброе утро! ☀️
Встречайте новый выпуск подкаста "Капитанский мостик". Ведущие Валентин Малых и Дмитрий Колодезев разбирают главные ИИ-события недели: вышел Gemini 4, Figure косплеит Терминатора, Пентагон закупает беспилотники, а Google несёт вычисления в космос.
Смотрите видео на каналах ⤵️
ODS VK Video
ODS YouTube
📩 Присылайте новости для обсуждения в канал "Дата-капитаны" в mattermost (авторизуйтесь через ODS.ai). | 2 743 |
| 20 | PewDiePie учил свой ИИ на ответах OpenAI. Получил бан. Обжаловал. Попробовал снова. Ещё бан 🤖
По словам блогера, именно так закончились эксперименты с обучающими данными для Ajax. В показанном им письме OpenAI причиной одной из блокировок названа дистилляция: использование ответов одной модели для обучения другой.
Ajax создан на базе Qwen 3.5 9B для Odysseus. Это локальный помощник для повседневных задач: поиска, работы с браузером, почтой и календарём.
Защищать модель от систематического копирования понятно. В пользовательских условиях OpenAI прямо запрещено использовать ответы для разработки конкурирующих моделей.
Но здесь возникает неудобный вопрос. Сама OpenAI использует для обучения в том числе публичные тексты из интернета: блоги, форумы и посты людей.
Где должна проходить граница?
В количестве собранных ответов? В попытке воспроизвести возможности модели? В коммерческой цели? Должны ли одинаковые правила действовать для домашнего проекта и крупного конкурента? | 2 850 |
