![Data Science | Machinelearning [ru]](https://cdn.tlmtr.io/_next/image?url=https%3A%2F%2Fimg.telemetr.io%2Fc%2F1dVo3O%2F5217464346798572541%3Fty%3Dl&w=48&q=75){kind=small}
Data Science | Machinelearning [ru]
الذهاب إلى القناة على Telegram
Все о Data Science, машинном обучении и искусственном интеллекте: от базовой теории до cutting-edge исследований и LLM. MAX - https://max.ru/devsp Личный блог - @just_genych По вопросам рекламы или разработки - @g_abashkin РКН: https://vk.cc/cJPGXD
إظهار المزيد![Frontender's notes [ru]](https://cdn.tlmtr.io/_next/image?url=https%3A%2F%2Fimg.telemetr.io%2Fc%2F1qrVZ3%2F5348049928330532677%3Fty%3Dx&w=32&q=75){kind=small}
الشبكة:📈 نظرة تحليلية على قناة تيليجرام Data Science | Machinelearning [ru]
تُعد قناة Data Science | Machinelearning [ru] (@devsp) في القطاع اللغوي الروسية لاعباً نشطاً. يضم المجتمع حالياً 19 717 مشتركاً، محتلاً المرتبة 6 640 في فئة التكنولوجيات والتطبيقات والمرتبة 33 395 في منطقة روسيا.
📊 مؤشرات الجمهور والحراك
منذ تأسيسه في невідомо، حقق المشروع نمواً سريعاً وجمع 19 717 مشتركاً.
بحسب آخر البيانات بتاريخ 25 أكتوبر, 2026، تحافظ القناة على نشاط مستقر. خلال آخر 30 يوماً تغيّر عدد الأعضاء بمقدار -104، وفي آخر 24 ساعة بمقدار 15، مع بقاء الوصول العام مرتفعاً.
- حالة التحقق: غير موثّقة
- معدل التفاعل (ER): يبلغ متوسط تفاعل الجمهور 7.81%. وخلال أول 24 ساعة من النشر يحصد المحتوى عادةً 4.84% من ردود الفعل نسبةً إلى إجمالي المشتركين.
- وصول المنشورات: يحصل كل منشور على متوسط 1 540 مشاهدة. وخلال اليوم الأول يجمع عادةً 955 مشاهدة.
- التفاعلات والاستجابة: يتفاعل الجمهور بانتظام؛ متوسط التفاعلات لكل منشور يبلغ 4.
- الاهتمامات الموضوعية: يركز المحتوى على مواضيع رئيسية مثل llm, nvidia, контекст, openai, архитектура.
📝 الوصف وسياسة المحتوى
يصف المؤلف القناة بأنها مساحة للتعبير عن الآراء الذاتية:
“Все о Data Science, машинном обучении и искусственном интеллекте: от базовой теории до cutting-edge исследований и LLM.
MAX - https://max.ru/devsp
Личный блог - @just_genych
По вопросам рекламы или разработки - @g_abashkin
РКН: https://vk.cc/cJPGXD”
بفضل وتيرة التحديث المرتفعة (أحدث البيانات بتاريخ 26 أكتوبر, 2026) تحافظ القناة على حداثتها ومستوى وصول مرتفع. وتُظهر التحليلات تفاعلاً نشطاً من الجمهور، ما يجعلها نقطة تأثير مهمة ضمن فئة التكنولوجيات والتطبيقات.
19 717
المشتركون
+1524 ساعات
-217 أيام
-10430 أيام
أرشيف المشاركات
![Data Science | Machinelearning [ru]](https://cdn.tlmtr.io/_next/image?url=https%3A%2F%2Fimg.telemetr.io%2Fc%2F1dVo3O%2F5217464346798572541%3Fty%3Dx&w=64&q=75){kind=small}
Reasoning From Scratch: RLVR, часть 2
Себастьян Рашка (@rasbt) выкатил вторую порцию разбора «Reasoning From Scratch: RLVR» — это про обучение с подкреплением, где награду можно проверить. Внутри: зачем вообще ограничивать отношения вероятностей политик, какую роль играет KL-слагаемое в лоссе, что дают награды за формат ответа и какие ещё трюки крутят вокруг GRPO. Видео: youtu.be/VxfUrUrrczs
00:00 Вступление и повтор того, что уже было 01:52 Как читать основные метрики обучения GRPO 06:34 Что собираются доработать в GRPO 08:58 Запуск долгого обучения через Python-скрипты 13:39 Старт базового скрипта для обучения GRPO 17:29 Подтягиваем логи обучения и рисуем графики 19:29 Разбираемся, почему обучение пошло вразнос 23:55 Прогон контрольных точек модели на MATH-500 26:26 Качаем уже готовые контрольные точки модели 30:09 Следим за статистикой преимущества 34:53 Что за зверь такая энтропия 40:32 Считаем энтропию в PyTorch 44:17 Как трактовать значения энтропии 48:58 Прикручиваем трекинг энтропии к GRPO 53:36 Разбор метрик преимущества и энтропии 56:18 Стабилизируем GRPO через ограничение отношений вероятностей политик 1:03:27 Пишем функцию потерь политики с ограничением 1:09:39 Смотрим результаты обучения с ограничением отношений вероятностей политик 1:11:25 KL-дивергенция и как обойти систему наград 1:15:12 Вставляем KL-слагаемое в функцию потерь 1:20:34 Где спотыкается упрощённая функция потерь с KL 1:23:04 Награды за формат ответа и теги think 1:25:47 Закидываем специальные токены в токенизатор 1:30:29 Реализуем награду за формат ответа 1:35:56 Разбор обучения с наградой за формат ответа 1:38:25 Награда за формат — только если ответ верный 1:40:48 Дальнейшие улучшения GRPO из исследований 1:45:43 Куда дальше и дистилляция👉 Telegram | Max
35B-модель на RTX 5080 и RTX 3060: 109 ток/с через PCIe Gen2 x4
Чел заявляет: его 3060, посаженная на PCIe Gen2 x4, вообще не душит генерацию Qwen3.6–35B‑A3B — 109 ток/с, и плевать она хотела на узкую шину. Почему это в принципе работает, он раскладывает в статье.
Читать далее
👉 Telegram | Max
Как не спалить токены AI-агента на кодовой базе: 5 паттернов на все случаи
AI-агенты уже не просто клепают отдельные функции — они влезли в обычный процесс разработки по-настоящему. Роются в живых проектах, ищут нужные файлы, разбирают архитектуру, гоняют тесты и проверяют, что получилось. И это вообще не про какой-то один стек: агенту без разницы, лепить страницу во frontend-приложении, поднимать endpoint на backend, править схему базы, возиться с очередью сообщений, чинить data pipeline, обновлять CI/CD или накатывать новый сервис.
И вот тут на приличной кодовой базе вылезает засада: токены улетают куда быстрее, чем растёт объём реально написанного кода. Всё потому, что здоровенный кусок токенов сгорает ещё до того, как в проекте появится первая строчка кода.
Читать далее
👉 Telegram | Max
NVIDIA открыла исходники PersonaPlex-7B
Голосовой ИИ давно упирался в одно жирное ограничение — и NVIDIA его, похоже, снесла: код болталки PersonaPlex-7B теперь лежит в опенсорсе. Фишка в полнодуплексном режиме — она слушает и говорит одновременно.
Хватит тупо ждать, пока ты договоришь. Внутри двухпоточная архитектура: речь и ответ обрабатываются прямо в реальном времени. Код открыт целиком, юзай бесплатно.
PersonaPlex-7B
👉 Telegram | Max
Детектор ИИ-текста на коленке: что из нейрослопа реально ловит код, а что до сих пор расхлёбывает живой редактор
Автор прогнал через свой детектор 12 признаков нейрослопа — то есть текста, который родила нейронка и никто потом не вычитал. Пять признаков скрипт берёт на себя, причём два — только частично. Оставшиеся семь держатся исключительно на правилах для редактора. А на пробе мимо скрипта спокойно проплыли две классические вводки: «В этой статье мы рассмотрим» и «Вывод простой» с двоеточием.
Онлайн-детекторы выдают тебе процент и молчат про то, что вообще чинить. Да и сам процент — опора так себе: у Liang и соавторов семь детекторов в среднем записали в машинные 61% эссе TOEFL, написанных живыми людьми, для которых английский не родной. OpenAI свой классификатор прикрыла летом 2023 года — точность никакая. Точечная проверка устроена иначе: она тычет пальцем в конкретную фразу и правило, и по каждому срабатыванию можно спорить отдельно.
Редакторы Википедии держат открытый список признаков ИИ-текста и прямым текстом пишут: признак — это намёк на возможную проблему, сам по себе он ничего не доказывает. Скрипт живёт по той же логике: он вынюхивает следы невычитанного текста, а авторство не палит. Общий балл этого детектора уже разбирали на Хабре
👉 Telegram | Max
LLM, боль и хайповый препринт: что там на самом деле
По телегам снова понеслась волна: учёные, мол, откопали в LLM вектор боли — значит, модель умеет страдать. Насколько искусственен искусственный интеллект? И не пора ли уже прописать этику обращения с ИИ?
А статья — про то, что авторы реально написали и какие выводы из этого честно вытекают. Читать далее
👉 Telegram | Max
Гоняй свои ML-стратегии по истории рынка, а не по собственному кошельку. Сначала прогон — потом реальные бабки.
Причём проверяй не одну бумажку, а сразу пачку инструментов. И модели должны имитировать живую торговлю, а не что-то оторванное от реальности.
Данные для этого тащат из Yahoo и Alpaca: pybroker
👉 Telegram | Max
«И тут по щелчку навайбкодил SaaS» — а что осталось за кулисами сказочного успеха Cal AI, Rork и Base44
Со стороны Cal AI, Rork и Base44 — чистый триумф вайбкодинга. Школьник разгоняет приложение до десятков миллионов долларов. Двое основателей, сидящие в долгах, поднимают $2.8 млн инвестиций. Соло-разработчик за какие-то полгода толкает Wix свой продукт за $80 млн. Выглядит так, будто хватит запустить Claude Code, нагенерить SaaS — и сидеть ждать, пока бабки сами приедут.
Автор пошёл копать, что творилось за кадром. А за этой красивой картинкой — опыт, былые провалы, деньги, маркетинг, команда. Сам вайбкодинг тут — лишь один кусок пазла.
Читать далее
👉 Telegram | Max
Разработчик больше не обязан выполнять каждую задачу вручную. Но сможет ли ИИ-агент действительно помочь в работе?
ИИ-агенты уже умеют анализировать код, работать с инструментами, искать ошибки и выполнять последовательность действий. Но важно понимать, какие задачи им можно доверить, где они действительно экономят время и как сохранить контроль над результатом.
На открытом уроке 19 октября в 20:00 МСК в преддверие старта курса «Разработка ИИ-агентов» разберем, как создавать и применять агентов в реальной разработке. Вы узнаете, какие задачи можно делегировать ИИ-агентам, как они работают с кодовой базой и внешними системами, где помогают ускорить процессы, а где требуется участие разработчика.
Урок будет полезен разработчикам, техническим специалистам и тимлидам, которые хотят использовать возможности ИИ не только для генерации кода. Откройте новый подход к разработке. Регистрируйтесь на открытый урок: https://vk.cc/d2JlHA
Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576
OpenBPM 2.0 приехал
В «Хоулмонте» инженеры пилят русскую платформу OpenBPM. Что это по сути: bpm-движок плюс обвязка из профильных инструментов вокруг него — чтоб автоматизировать контору целиком, а не по кусочкам. И вот они выкатили OpenBPM Engine v.2.0 — это, по сути, продолжение той самой истории с форками «7-ой камунды».
Релиз — коллективный труд кучи команд, собран на самых свежих java-фреймворках, и отличий там хватает принципиальных. Переезд на Spring Boot 4 вместе с плотным использованием Spring AI — это реально новые горизонты для тех, кто клепает процессные приложения. Инноваций напихали столько, что без чтения migration-гайдов никуда: они и помогают перенести проекты на эту базу без нервов и сюрпризов.
Подробности в статье
👉 Telegram | Max
Разбираем decision-модели по кишкам: что внутри Jev, Clef, pplx-decider, Strands Decider, Laya и GLiDE
15 сентября TypeSafe выкатила Jev и объявила её первой моделью класса System One. На вход — состояние системы плюс пачка типизированных вопросов, на выходе — распределение вероятностей по допустимым ответам. И всё это за один прямой проход, никакой генерации токенов.
За 16 дней та же идея обросла ещё пятью реализациями: Clef и Clef-flash от Cloudflare, pplx-decider-v1-27b от Perplexity, Strands Decider 2B от AWS, Laya от Convai Innovations и GLiDE от Fastino. Миллион решений у самой дешёвой — 12 долларов, а у Claude Sonnet 5 в роли классификатора — 700.
Дальше: как устроены все шесть, что показывают независимые замеры и что проверить, прежде чем тащить это в прод. Читать далее
👉 Telegram | Max
+2Европа тоже влезла в гонку языковых моделей: Германия впервые выкатила модель с результатом под 97% в математике.
Kolibri от Aleph Alpha: 78 млрд параметров, активных — 3,46 млрд, контекст до 1 млн токенов. Веса открыты, лицензия Apache 2.0.
А для дообучения взяли ответы китайских моделей — GLM от Zhipu и Qwen от Alibaba. Так что годные небольшие модели умеют собирать не только в Штатах и Китае.
👉 Telegram | Max
Google выкатила EmbeddingGemma 2
Открытых мультимодальных моделей под эмбеддинги до неё не существовало. Жуёт текст, код, картинки, видосы и звук — всё из коробки. 740 млн параметров, архитектура модульная.
И это не про дата-центры: её затачивали под запуск на самом устройстве. Причём часть узкоспециализированных моделей, которые тяжелее её больше чем вдвое, она обходит. А в паре с Gemma 4 выходит полностью локальный RAG с уклоном в приватность.
Блог Google | Модель на Hugging Face | GGUF-версия
👉 Telegram | Max
Матан: три подборки по основам
1. База по математике для машинного обучения
2. База по математике для генеративных моделей
3. База по математике для генеративного ИИ
👉 Telegram | Max
Что почитать разработчику? Разборы Алексея Рыбака
Пишете backend и хотите глубже понимать архитектурные решения? В канале Алексея Рыбака есть что разобрать:
• Микросервисы – какой ценой? Почему они могут стать неподъёмным «налогом» для стартапа
• Очереди сообщений – что выбрать? Чем отличаются решения и для каких задач подходят
• AI – помощь или новая нагрузка? Как меняется работа мейнтейнеров PostgreSQL, когда генерировать отчёты об ошибках становится проще, чем проверять
А ещё – System Design Framework, производительность, масштабируемость и блокировки СУБД. В канале выходят и анонсы AI-митапов и обучения разработке с агентами
Начните с интересующей темы и подписывайтесь на канал Алексея!
Подписаться
#реклама 16+
О рекламодателе
Яндекс открыл YTsaurus Flow: обработка данных в реальном времени для более точных рекомендаций
Рекомендательные системы и реклама живут на свежих данных о пользователях. Но клики и заказы обычно не летят в обработку сразу, а сначала накапливаются, и задержка может растянуться на часы. За это время интересы человека могут смениться.
Теперь технология в опенсорсе: Flow разгребает такие события по мере поступления. Под капотом exactly-once (ни потерь, ни дублей), устойчивость к сбоям и работа в рамках платформы YTsaurus, где накопленная и свежая информация учитывается в одной системе.
Flow уже крутится в Маркете, антифроде и Рекламе Яндекса. В Рекламе через него ежесекундно идёт больше 100 ГБ, подготовка данных для дообучения части моделей раньше занимала больше 10 часов — теперь эту задержку почти полностью убрали. Вне рекламы Flow сгодится для ML-датасетов, онлайн-счётчиков просмотров и заказов и обновления информации на сайтах и в приложениях. Лицензия Apache 2.0 не мешает использовать его и в коммерческих проектах.
Читать далее
👉 Telegram | Max
Парсить текст без LLM? Проект Real AI SA всё ещё дышит
С прошлого поста об этой штуке прошло больше двух лет. Автор наконец-то вылез из норы и поведал, чем живёт проект и во сколько он уже влетел.
Без воды: сожжено 8 000 000 рублей, в базу знаний анализатора закинули порядка 5000 понятий, а ещё прогнали бесплатный пилот. Напоминаем суть: тут пилят семантический анализатор, который собирает граф из текста и при этом обходится без больших языковых моделей (LLM).
Читать далее
👉 Telegram | Max
Защитит ли ИИ от дрона? Разрабатываем умный прицел
За последние годы война пережила самую настоящую дроновую революцию: FPV-птички массово жгут и технику, и живую силу. И фишка тут не в наворотах — прошлые революции как раз строились на крутых технологиях и таком же крутом ценнике. А эти берут ценой. Один копеечный аппарат разбирает железо, которое дороже его в тысячи раз, а порой и снаряд ПВО тянет заметно больше самой цели.
Военная техника кое-как огрызается: обросла антидроновыми «зонтиками» и «усами», навесила активную защиту и антидроновые турели. А вот с переносным, которое реально вытащит пехотинца, всё куда печальнее.
Читать далее
👉 Telegram | Max
Один агент — и уже AI-холдинг: как раздувают автономные AI-системы
Отдельные задачи ИИ, ясен пень, ускоряет. Но вот когда процессов и проектов становится всё больше, управление ими всё ещё висит на человеке.
Автор на своих экспериментах показывает дорожку от одного агента к AI-организации и объясняет, на кой чёрт под несколько направлений может понадобиться AI-холдинг.
Читать на Habr
👉 Telegram | Max
