gonzo-обзоры ML статей
الذهاب إلى القناة على Telegram
Авторы: Гриша Сапунов, ранее руководитель разработки Яндекс-Новостей, ныне CTO Intento. Области интересов: AI/ML/DL, биоинформатика. Лёша Тихонов, ранее аналитик в Яндексе, автор Автопоэта, Нейронной Обороны... Области интересов: discrete domain, NLP, RL.
إظهار المزيد📈 نظرة تحليلية على قناة تيليجرام gonzo-обзоры ML статей
تُعد قناة gonzo-обзоры ML статей (@gonzo_ml) في القطاع اللغوي الروسية لاعباً نشطاً. يضم المجتمع حالياً 24 638 مشتركاً، محتلاً المرتبة 5 376 في فئة التكنولوجيات والتطبيقات والمرتبة 26 515 في منطقة روسيا.
📊 مؤشرات الجمهور والحراك
منذ تأسيسه في невідомо، حقق المشروع نمواً سريعاً وجمع 24 638 مشتركاً.
بحسب آخر البيانات بتاريخ 26 أكتوبر, 2026، تحافظ القناة على نشاط مستقر. خلال آخر 30 يوماً تغيّر عدد الأعضاء بمقدار 284، وفي آخر 24 ساعة بمقدار 4، مع بقاء الوصول العام مرتفعاً.
- حالة التحقق: غير موثّقة
- معدل التفاعل (ER): يبلغ متوسط تفاعل الجمهور 13.97%. وخلال أول 24 ساعة من النشر يحصد المحتوى عادةً 8.07% من ردود الفعل نسبةً إلى إجمالي المشتركين.
- وصول المنشورات: يحصل كل منشور على متوسط 3 443 مشاهدة. وخلال اليوم الأول يجمع عادةً 1 988 مشاهدة.
- التفاعلات والاستجابة: يتفاعل الجمهور بانتظام؛ متوسط التفاعلات لكل منشور يبلغ 16.
- الاهتمامات الموضوعية: يركز المحتوى على مواضيع رئيسية مثل learning, tl;dr, токенов, архитектура, контекст.
📝 الوصف وسياسة المحتوى
يصف المؤلف القناة بأنها مساحة للتعبير عن الآراء الذاتية:
“Авторы:
Гриша Сапунов, ранее руководитель разработки Яндекс-Новостей, ныне CTO Intento. Области интересов: AI/ML/DL, биоинформатика.
Лёша Тихонов, ранее аналитик в Яндексе, автор Автопоэта, Нейронной Обороны... Области интересов: discrete domain, NLP...”
بفضل وتيرة التحديث المرتفعة (أحدث البيانات بتاريخ 27 أكتوبر, 2026) تحافظ القناة على حداثتها ومستوى وصول مرتفع. وتُظهر التحليلات تفاعلاً نشطاً من الجمهور، ما يجعلها نقطة تأثير مهمة ضمن فئة التكنولوجيات والتطبيقات.
24 638
المشتركون
+424 ساعات
+257 أيام
+28430 أيام
جارٍ تحميل البيانات
القنوات المماثلة
سحابة العلامات
الإشارات الواردة والصادرة
---
---
---
---
---
---
جذب المشتركين
أكتوبر '26أكتوبر '26
أكتوبر '26
+288
في 9 قنوات
سبتمبر '26
+343
في 9 قنوات
Get PRO
أغسطس '26
+157
في 7 قنوات
Get PRO
يوليو '26
+196
في 4 قنوات
Get PRO
يونيو '26
+253
في 9 قنوات
Get PRO
مايو '26
+210
في 6 قنوات
Get PRO
أبريل '26
+279
في 6 قنوات
Get PRO
مارس '26
+275
في 10 قنوات
Get PRO
فبراير '26
+387
في 6 قنوات
Get PRO
يناير '26
+415
في 17 قنوات
Get PRO
ديسمبر '25
+439
في 9 قنوات
Get PRO
نوفمبر '25
+295
في 13 قنوات
Get PRO
أكتوبر '25
+510
في 13 قنوات
Get PRO
سبتمبر '25
+286
في 8 قنوات
Get PRO
أغسطس '25
+430
في 5 قنوات
Get PRO
يوليو '25
+641
في 11 قنوات
Get PRO
يونيو '25
+362
في 9 قنوات
Get PRO
مايو '25
+431
في 7 قنوات
Get PRO
أبريل '25
+922
في 19 قنوات
Get PRO
مارس '25
+583
في 8 قنوات
Get PRO
فبراير '25
+649
في 16 قنوات
Get PRO
يناير '25
+1 065
في 24 قنوات
Get PRO
ديسمبر '24
+699
في 13 قنوات
Get PRO
نوفمبر '24
+1 001
في 20 قنوات
Get PRO
أكتوبر '24
+727
في 14 قنوات
Get PRO
سبتمبر '24
+415
في 11 قنوات
Get PRO
أغسطس '24
+467
في 3 قنوات
Get PRO
يوليو '24
+217
في 10 قنوات
Get PRO
يونيو '24
+375
في 20 قنوات
Get PRO
مايو '24
+354
في 11 قنوات
Get PRO
أبريل '24
+377
في 13 قنوات
Get PRO
مارس '24
+399
في 14 قنوات
Get PRO
فبراير '24
+323
في 12 قنوات
Get PRO
يناير '24
+660
في 15 قنوات
Get PRO
ديسمبر '23
+641
في 19 قنوات
Get PRO
نوفمبر '23
+268
في 8 قنوات
Get PRO
أكتوبر '23
+501
في 19 قنوات
Get PRO
سبتمبر '23
+355
في 0 قنوات
Get PRO
أغسطس '23
+456
في 0 قنوات
Get PRO
يوليو '23
+357
في 0 قنوات
Get PRO
يونيو '23
+300
في 0 قنوات
Get PRO
مايو '23
+2 022
في 0 قنوات
Get PRO
أبريل '23
+967
في 0 قنوات
Get PRO
مارس '23
+2 757
في 0 قنوات
Get PRO
فبراير '23
+385
في 0 قنوات
Get PRO
يناير '23
+166
في 0 قنوات
Get PRO
ديسمبر '22
+343
في 0 قنوات
Get PRO
نوفمبر '22
+100
في 0 قنوات
Get PRO
أكتوبر '22
+93
في 0 قنوات
Get PRO
سبتمبر '22
+70
في 0 قنوات
Get PRO
أغسطس '22
+261
في 0 قنوات
Get PRO
يوليو '22
+475
في 0 قنوات
Get PRO
يونيو '22
+215
في 0 قنوات
Get PRO
مايو '22
+225
في 0 قنوات
Get PRO
أبريل '22
+101
في 0 قنوات
Get PRO
مارس '22
+132
في 0 قنوات
Get PRO
فبراير '22
+233
في 0 قنوات
Get PRO
يناير '22
+113
في 0 قنوات
Get PRO
ديسمبر '21
+248
في 0 قنوات
Get PRO
نوفمبر '21
+226
في 0 قنوات
Get PRO
أكتوبر '21
+69
في 0 قنوات
Get PRO
سبتمبر '21
+92
في 0 قنوات
Get PRO
أغسطس '21
+73
في 0 قنوات
Get PRO
يوليو '21
+133
في 0 قنوات
Get PRO
يونيو '21
+174
في 0 قنوات
Get PRO
مايو '21
+75
في 0 قنوات
Get PRO
أبريل '21
+84
في 0 قنوات
Get PRO
مارس '21
+97
في 0 قنوات
Get PRO
فبراير '21
+136
في 0 قنوات
Get PRO
يناير '21
+170
في 0 قنوات
Get PRO
ديسمبر '20
+4 514
في 0 قنوات
| التاريخ | نمو المشتركين | الإشارات | القنوات | |
| 27 أكتوبر | +4 | |||
| 26 أكتوبر | +14 | |||
| 25 أكتوبر | +9 | |||
| 24 أكتوبر | +4 | |||
| 23 أكتوبر | +7 | |||
| 22 أكتوبر | +3 | |||
| 21 أكتوبر | +7 | |||
| 20 أكتوبر | +12 | |||
| 19 أكتوبر | +10 | |||
| 18 أكتوبر | +8 | |||
| 17 أكتوبر | +14 | |||
| 16 أكتوبر | +14 | |||
| 15 أكتوبر | +7 | |||
| 14 أكتوبر | +12 | |||
| 13 أكتوبر | +12 | |||
| 12 أكتوبر | +19 | |||
| 11 أكتوبر | +8 | |||
| 10 أكتوبر | +4 | |||
| 09 أكتوبر | +4 | |||
| 08 أكتوبر | +13 | |||
| 07 أكتوبر | +17 | |||
| 06 أكتوبر | +11 | |||
| 05 أكتوبر | +7 | |||
| 04 أكتوبر | +11 | |||
| 03 أكتوبر | +21 | |||
| 02 أكتوبر | +27 | |||
| 01 أكتوبر | +9 |
منشورات القناة
Новый формат обзоров (большой пост с формулами и картинками внутри) для вас лично лучше старого (несколько текстовых сообщений + картинки после)?
| 2 |  لا يوجد نص... | 2 095 |
| 3 |  لا يوجد نص... | 2 063 |
| 4 |  لا يوجد نص... | 1 979 |
| 5 | Прикольная история. Во всех массовых реализациях софтмакса и кроссэнтропии есть баги, приводящие к проблемам округления. И вот после более чем десятка(ов) лет активного пользования всем этим, их наконец обнаружили. В очередной раз возникает вопрос, почему не раньше.
A Fix for Softmax and Cross-Entropy
Jonathan T. Barron, Dan Gnanapragasam, Michael Tschannen
Paper: https://arxiv.org/abs/2610.31642
Review: https://arxiviq.substack.com/p/a-fix-for-softmax-and-cross-entropy
Code: N/A (self-contained JAX snippets provided in paper)
Model: N/A
ЧТО сделали: Авторы переписали софтмакс, лог-софтмакс и кросс-энтропию (для жёстких и мягких меток) в логарифмическом пространстве. Это исправляет два бага округления в фреймворках глубокого обучения: Softmax Collapse (зануление градиента целевого логита при высокой уверенности модели) и Softmax Cancellation (ненулевой остаточный градиент в дистилляции, когда логиты студента уже совпали с логитами учителя).
ЧТО получили: На модулярном сложении ($a + b \bmod 31$) в bf16, fp32 и fp64 Fixed Cross-Entropy даёт 98.9%–100.0% тестовой точности против 93.3%–100.0% у стандартной кросс-энтропии, 48.9%–97.9% у Zero-sum Projection (вычитание среднего из градиентов) и 95.6%–97.4% у StableMax (кусочно-рациональная замена софтмакса). В полиномиальном гроккинге без регуляризации ($a^2 + b^2 \bmod 97$) Fixed Cross-Entropy достигает 85% точности, тогда как стандартная кросс-энтропия падает с 61% до 23%.
ПОЧЕМУ это важно: Drop-in replacement базовых функций лосса убирает скачки лосса («эффект рогатки», Slingshot) при гроккинге и дрейф весов при дистилляции в bf16 без перевода в fp64. Правда, все эксперименты проведены на небольших задачах модулярной арифметики, а проверенные здесь огромные отступы логитов и почти нулевые зазоры между студентом и учителем в масштабном обучении встречаются редко.
Округлять с багами и без багов здесь: https://t.me/gonzo_ML_podcasts/4837 | 1 949 |
| 6 |  لا يوجد نص... | 2 356 |
| 7 |  لا يوجد نص... | 2 287 |
| 8 | Фантастики вам на ночь.
Agentic Economies for Autonomous Scientific Discovery
Nenad Tomašev, Matija Franklin, Atoosa Kasirzadeh, Vivek Natarajan, Alan Karthikesalingam, Sebastien Krier, Simon Osindero
Paper: https://arxiv.org/abs/2609.31562
Review: https://arxiviq.substack.com/p/agentic-economies-for-autonomous
Code: N/A
Model: N/A
ЧТО сделали: Авторы представили Agentic Economies for Science — рыночную архитектуру для автономных научных систем (мультиагентных моделей, которые генерируют гипотезы и проводят эксперименты). Она координирует учёных, ИИ-агентов и роботизированные лаборатории: назначает цены за доступ к данным, позволяет торговать токенизированными исследовательскими заявками и верифицирует физические эксперименты через смарт-контракты.
ЧТО получили: В этой концептуальной статье авторы указывают, что стоимость вычислительной генерации гипотез стремится к нулю, поэтому научный поиск ограничивается неэластичной проверкой в реальном мире. Например, по закону Ирума стоимость одобрения лекарства в FDA удваивается каждые 9 лет и уже достигла $2.6 млрд за молекулу. Чтобы отсеивать слабые идеи до лаборатории, фреймворк вводит 4-уровневый рынок данных и 4-этапный пайплайн обмена гипотезами (Hypothesis Exchange Pipeline), отделяющий генерацию идей от экспериментов в мокрой лаборатории.
ПОЧЕМУ это важно: Работа переносит фокус в ИИ для науки с изолированного улучшения рассуждений на явный учёт стоимости, комбинаторные аукционы ресурсов и автоматическое эскроу для репликации результатов. При этом вся предложенная инфраструктура остаётся концептуальной и пока не имеет эмпирического прототипа.
Фонтанировать идеями тут: https://t.me/gonzo_ML_podcasts/4836 | 2 366 |
| 9 |  لا يوجد نص... | 2 368 |
| 10 |  لا يوجد نص... | 2 330 |
| 11 |  لا يوجد نص... | 2 245 |
| 12 | Очередная прикольная работа от Саканы про memory-augmented сети. В очередной раз странно, что такую архитектуру никто не предложил раньше (myself included)...
Continuous Memory Machines
Ciaran Regan, Kai Arulkumaran, Luke Darlow, Stefania Druga, Sebastian Risi, Llion Jones
Paper: https://arxiv.org/abs/2610.07907
Review: https://arxiviq.substack.com/p/continuous-memory-machines
Code: https://github.com/SakanaAI/continuous-memory-machines
ЧТО сделали: Авторы представили рекуррентную нейросеть Continuous Memory Machine (CMM), которая разделяет быстрые вычисления и долгосрочное хранение с помощью двух матриц памяти. Архитектура расширяет их прошлую работу Continuous Thought Machine (CTM), вычислявшую через истории активаций отдельных нейронов и их попарные корреляции. В CMM добавили постоянную матрицу долговременной памяти и общий трансформер, обновляющий обе памяти одновременно.
ЧТО получили: На задаче Priority Sort бинарная кросс-энтропия CMM на тесте составила 4.1x10^-3 против 1.4x10-2 у сети с внешней памятью Differentiable Neural Computer (DNC) и 2.7x10^-2 у каузального трансформера. В прохождении лабиринтов 39x39 CMM полностью решает 61.6% лабиринтов (от 22.8% до 90.7% по разным сидам) против 37.4% у CTM, а в 20-shot линейной регрессии выбивает 30.63% точности против 8.78% у CTM.
ПОЧЕМУ это важно: Внимание со специальным нулевым sink-токеном (токеном-стоком для сброса лишнего внимания) позволяет рекуррентной сети самой решать, когда читать из долговременного хранилища, а когда опираться на быструю локальную динамику. Правда, запуск трансформера на каждом рекуррентном шаге поднимает пиковое потребление памяти GPU на задаче Copy-100 до 22.3 GiB против 634.5 MiB у CTM.
Растить память тут: https://t.me/gonzo_ML_podcasts/4835 | 2 514 |
| 13 |  لا يوجد نص... | 2 649 |
| 14 | Помните KAN, Kolmogorov-Arnold Networks? Как-то мало слышал про них в этом году, но вот чуваки сделали визуальный плейграунд KANLab на базе TensorFlow Playground.
Также микростатья про это:
KANLab: TensorFlow Playground for Kolmogorov-Arnold Networks
https://arxiv.org/abs/2610.20117 | 2 643 |
| 15 |  لا يوجد نص... | 2 748 |
| 16 |  لا يوجد نص... | 2 648 |
| 17 |  لا يوجد نص... | 2 764 |
| 18 |  لا يوجد نص... | 2 691 |
| 19 | Давно мы про картиночные модели не писали. А тут собрали супербыстрый UltraViT для мобильных (для одного конкретного S25 пока), который даёт сумасшедшие почти 150 кадров в секунду. Микс быстрых свёрток вначале и полноценного внимания в конце с разреженными и поканальными блоками посередине. А кроме быстрой архитектуры ещё и хитрый пайплайн дистилляции.
UltraViT: Latency-Optimized On-device Vision Encoder for Large Vision-Language Models
Ioannis Maniadis Metaxas, Adrian Bulat, Alberto Baldrati, Anestis Zaganidis, Yassine Ouali, Hyeonuk Kim, and Georgios Tzimiropoulos
Paper: https://arxiv.org/abs/2607.23373
Review: https://arxiviq.substack.com/p/ultravit-latency-optimized-on-device
ЧТО сделали: Предложили UltraViT — четырёхступенчатый пирамидальный визуальный энкодер для мобильных визуально-языковых моделей (LVLM). Операции перемешивания токенов на каждом этапе подбирали по реальным замерам задержки на мобильном NPU. Для предобучения использовали двухэтапную схему: сначала плотную пространственную дистилляцию признаков, затем генеративное обучение через замороженную языковую модель с чередованием декодеров разного размера.
ЧТО получили: В составе LLaVA-OneVision (модель назвали UltraVLM) энкодер обходит переобученную FastVLM на задачах визуальных вопросов и ответов: DocVQA (71.8% против 66.7%), ChartQA (72.2% против 66.0%) и TextVQA (68.9% против 62.9%). На мобильном NPU в разрешении 512 × 512 он выдаёт 148.9 инференса в секунду против 91.4 у FastVLM и 7.6 у SigLIP-400M.
ПОЧЕМУ это важно: UltraViT снижает задержку кодирования картинки при 512 × 512 до 6.6 мс и сжимает число визуальных токенов в 16 раз прямо внутри архитектуры, без их последующего прунинга. Правда, отрыв по точности от FastVLM во многом объясняется двухэтапным рецептом предобучения, который к бейзлайну в основном сравнении не применяли.
Быстро фигачить картинки тут: https://t.me/gonzo_ML_podcasts/4834 | 2 429 |
| 20 |  لا يوجد نص... | 3 003 |
