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 24 341 مشتركاً، محتلاً المرتبة 5 438 في فئة التكنولوجيات والتطبيقات والمرتبة 27 174 في منطقة روسيا.
📊 مؤشرات الجمهور والحراك
منذ تأسيسه في невідомо، حقق المشروع نمواً سريعاً وجمع 24 341 مشتركاً.
بحسب آخر البيانات بتاريخ 26 يوليو, 2026، تحافظ القناة على نشاط مستقر. خلال آخر 30 يوماً تغيّر عدد الأعضاء بمقدار 21، وفي آخر 24 ساعة بمقدار -2، مع بقاء الوصول العام مرتفعاً.
- حالة التحقق: غير موثّقة
- معدل التفاعل (ER): يبلغ متوسط تفاعل الجمهور 9.63%. وخلال أول 24 ساعة من النشر يحصد المحتوى عادةً 6.69% من ردود الفعل نسبةً إلى إجمالي المشتركين.
- وصول المنشورات: يحصل كل منشور على متوسط 2 344 مشاهدة. وخلال اليوم الأول يجمع عادةً 1 629 مشاهدة.
- التفاعلات والاستجابة: يتفاعل الجمهور بانتظام؛ متوسط التفاعلات لكل منشور يبلغ 10.
- 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 يوليو, 2026) تحافظ القناة على حداثتها ومستوى وصول مرتفع. وتُظهر التحليلات تفاعلاً نشطاً من الجمهور، ما يجعلها نقطة تأثير مهمة ضمن فئة التكنولوجيات والتطبيقات.
24 341
المشتركون
-224 ساعات
+37 أيام
+2130 أيام
جاري تحميل البيانات...
القنوات المماثلة
سحابة العلامات
الإشارات الواردة والصادرة
---
---
---
---
---
---
جذب المشتركين
يوليو '26
يوليو '26
+170
في 1 قنوات
يونيو '26
+253
في 7 قنوات
Get PRO
مايو '26
+210
في 3 قنوات
Get PRO
أبريل '26
+279
في 5 قنوات
Get PRO
مارس '26
+275
في 7 قنوات
Get PRO
فبراير '26
+387
في 4 قنوات
Get PRO
يناير '26
+415
في 14 قنوات
Get PRO
ديسمبر '25
+439
في 7 قنوات
Get PRO
نوفمبر '25
+295
في 11 قنوات
Get PRO
أكتوبر '25
+510
في 12 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 يوليو | 0 | |||
| 26 يوليو | +5 | |||
| 25 يوليو | +5 | |||
| 24 يوليو | +5 | |||
| 23 يوليو | +8 | |||
| 22 يوليو | +9 | |||
| 21 يوليو | +4 | |||
| 20 يوليو | +8 | |||
| 19 يوليو | +13 | |||
| 18 يوليو | +8 | |||
| 17 يوليو | +8 | |||
| 16 يوليو | +9 | |||
| 15 يوليو | +1 | |||
| 14 يوليو | +5 | |||
| 13 يوليو | +5 | |||
| 12 يوليو | +1 | |||
| 11 يوليو | +6 | |||
| 10 يوليو | +4 | |||
| 09 يوليو | +5 | |||
| 08 يوليو | +4 | |||
| 07 يوليو | +11 | |||
| 06 يوليو | +12 | |||
| 05 يوليو | +5 | |||
| 04 يوليو | +7 | |||
| 03 يوليو | +6 | |||
| 02 يوليو | +8 | |||
| 01 يوليو | +8 |
منشورات القناة
Just in case, сегодня начинается конфа AGI-26, есть стримы онлайн.
https://agi-conference.org/schedule
| 2 |  لا يوجد نص... | 1 200 |
| 3 |  لا يوجد نص... | 1 194 |
| 4 |  لا يوجد نص... | 1 123 |
| 5 | 50 оттенков continual learning'а.
When Does Continual Learning Require Learning
_Anne Harrington, Nayan Saxena, Michael Murphy, Anastasia Borovykh, Zeyu Yun, Sridhar Kamath, Ara Eindra Kyi, Trevor Darrell, Jitendra Malik, Yutong Bai_
Paper: https://arxiv.org/abs/2607.07847
Code: https://github.com/anneharrington/studying-cl
Review: https://arxiviq.substack.com/p/when-does-continual-learning-require
Model: N/A
# TL;DR
ЧТО сделали: Авторы представляют унифицированный, независимый от конкретных механизмов фреймворк для оценки непрерывного обучения (continual learning) в LLM. В нём напрямую сравниваются восемь методов адаптации — от промптинга до классического обучения с учителем, обучения с подкреплением и сжатия контекста — на четырёх реалистичных сценариях изменения среды: сдвиге доменов, обновлении фактов, временном дрейфе и накоплении состояния агента.
ПОЧЕМУ это важно: Исследование математически и эмпирически доказывает, что непрерывное обучение — это не единая монолитная способность, а набор компромиссов, зависящих от характера изменений среды. Универсального метода нет: медленные временные тренды требуют дистилляции для стабильности, дискретные обновления фактов — онлайн-RL, а агентские среды — файнтюнинга весов или специализированного промптинга. Работа даёт чёткую инструкцию, когда моделям нужно обновлять веса внутри модели (in-weights), а когда достаточно внешних надстроек.
Для практиков: Если перед вами стоит задача долгосрочной адаптации LLM, забудьте об универсальных решениях. Для исправления фактов используйте онлайн-RL (например, GRPO), для плавной адаптации к домену — дистилляцию (SDFT), а для сложных агентских сред — файнтюнинг весов или продвинутый промпт-инжиниринг.
Диссекция continual learning тут: https://t.me/gonzo_ML_podcasts/4615 | 1 239 |
| 6 |  لا يوجد نص... | 1 604 |
| 7 |  لا يوجد نص... | 1 555 |
| 8 |  لا يوجد نص... | 1 501 |
| 9 |  لا يوجد نص... | 1 431 |
| 10 |  لا يوجد نص... | 1 356 |
| 11 |  لا يوجد نص... | 1 308 |
| 12 | Прунинг через функциональный анализ. Выглядит красиво.
Hilbert Operator for Progressive Encoding (HOPE): A Mathematical Framework for Deconstructing Learned Representations in Deep Networks
Hossein Mobahi, Peter L. Bartlett
Статья: https://arxiv.org/abs/2607.21366
Ревью: https://arxiviq.substack.com/p/hilbert-operator-for-progressive
Код: N/A
Модель: N/A
# TL;DR
Что сделали: Авторы предложили HOPE — математический подход, который позволяет анализировать и сжимать нейросети, переводя их из дискретных списков чисел (весов) в непрерывные математические функции. Объединив этот взгляд со статистикой самой модели, алгоритм научился прореживать, объединять и удалять целые слои без единого разрыва прогона реальных данных.
Почему это важно: Обычно модели сжимают или изучают, опираясь либо на величину параметров (что бывает математически обманчиво), либо на прогоны реальных данных (что дорого и не всегда безопасно для приватности). Переход строго в «пространство функций» даёт чёткий, автоматизированный способ уменьшать модели и защищать их базовые знания при обучении новым задачам.
Функционально прунить тут:https://t.me/gonzo_ML_podcasts/4606 | 1 647 |
| 13 |  لا يوجد نص... | 1 677 |
| 14 |  لا يوجد نص... | 1 628 |
| 15 |  لا يوجد نص... | 1 551 |
| 16 |  لا يوجد نص... | 1 389 |
| 17 |  لا يوجد نص... | 1 359 |
| 18 |  لا يوجد نص... | 1 315 |
| 19 | Ну и чего-нибудь более классического для тех, кому про жызнь менее интересно. Новости зацикленных трансформеров, модель примерно продакшн уровня.
The Compute-Matched Paradigm: Rethinking Recurrent Depth with the Loopie Series
Zitian Gao, Yilong Chen, Yihao Xiao, Xinyu Yang, Ran Tao, Joey Zhou, Bryan Dai
Paper: https://arxiv.org/abs/2607.16051
Review: https://arxiviq.substack.com/p/loop-the-loopies
Code: https://github.com/IQuestLab/loopie/megatron, https://github.com/IQuestLab/loopie/vllm (404 for now)
Model: https://huggingface.co/IQuestLab/Loopie-20B-A2B-preview, https://huggingface.co/IQuestLab/Loopie-6B-A0.6B-preview (404 for now)
# TL;DR
ЧТО сделали: Авторы из IQuest Research представили семейство Loopie — новый класс рекуррентных языковых моделей (LLM) с архитектурой Mixture-of-Experts (MoE), где используется механизм "layer-loop" (зацикливание отдельных слоёв). Разработав подход к масштабированию с учётом железа, исследователи сбалансировали физическую глубину, ширину и рекуррентную глубину сети так, чтобы уместиться в вычислительный бюджет на предобучение, аналогичный нерекуррентным бейзлайнам. После предобучения модели дообучались с помощью масштабного пайплайна Supervised Pre-Training (SPT) и обучения с подкреплением (RL) на уровне последовательностей для развития продвинутых способностей к рассуждению.
ПОЧЕМУ это важно: Исследования рекуррентных архитектур исторически страдали от проблемы некорректного учёта вычислений: зацикленные модели часто заявляли о своём превосходстве, сравнивая лишь количество параметров, но при этом неявно умножая реальные затраты FLOPs на обучение. Эта работа устраняет данный боттлнек. Доказав, что грамотно настроенная рекуррентная глубина превосходит традиционное масштабирование слоёв при строго фиксированном вычислительном бюджете, авторы легитимизируют рекуррентность как полноценный и высокоэффективный вектор масштабирования для foundation-моделей на триллионы параметров.
Для практиков: Если вы упираетесь в ограничения памяти по активациям, локальное зацикливание слоёв позволяет значительно увеличить размер микробатча. Это повышает утилизацию GPU без роста общего физического времени обучения, позволяя направить сэкономленные ресурсы на расширение скрытой размерности модели.
Зацикливать трансформеры тут: https://t.me/gonzo_ML_podcasts/4595 | 1 463 |
| 20 |  لا يوجد نص... | 1 376 |
