555
المشتركون
لا توجد بيانات24 ساعات
-27 أيام
لا توجد بيانات30 أيام
جارٍ تحميل البيانات
القنوات المماثلة
سحابة العلامات
الإشارات الواردة والصادرة
---
---
---
---
---
---
جذب المشتركين
أكتوبر '26أكتوبر '26
أكتوبر '26
+158
في 0 قنوات
سبتمبر '260
في 1 قنوات
Get PRO
أغسطس '260
في 0 قنوات
Get PRO
يوليو '260
في 2 قنوات
Get PRO
يونيو '260
في 0 قنوات
Get PRO
مايو '260
في 3 قنوات
Get PRO
أبريل '260
في 1 قنوات
Get PRO
مارس '260
في 2 قنوات
Get PRO
فبراير '260
في 4 قنوات
Get PRO
يناير '260
في 3 قنوات
Get PRO
ديسمبر '250
في 4 قنوات
Get PRO
نوفمبر '250
في 3 قنوات
Get PRO
أكتوبر '250
في 1 قنوات
Get PRO
سبتمبر '250
في 0 قنوات
Get PRO
أغسطس '250
في 0 قنوات
Get PRO
يوليو '25
+9
في 1 قنوات
Get PRO
يونيو '25
+14
في 1 قنوات
Get PRO
مايو '25
+21
في 2 قنوات
Get PRO
أبريل '25
+15
في 1 قنوات
Get PRO
مارس '25
+10
في 1 قنوات
Get PRO
فبراير '25
+18
في 3 قنوات
Get PRO
يناير '25
+36
في 1 قنوات
Get PRO
ديسمبر '24
+28
في 7 قنوات
Get PRO
نوفمبر '24
+33
في 8 قنوات
Get PRO
أكتوبر '24
+40
في 4 قنوات
Get PRO
سبتمبر '24
+34
في 15 قنوات
Get PRO
أغسطس '24
+22
في 10 قنوات
Get PRO
يوليو '24
+66
في 4 قنوات
Get PRO
يونيو '240
في 6 قنوات
Get PRO
مايو '240
في 1 قنوات
Get PRO
أبريل '240
في 0 قنوات
Get PRO
مارس '240
في 1 قنوات
Get PRO
فبراير '24
+6
في 1 قنوات
Get PRO
يناير '24
+14
في 0 قنوات
Get PRO
ديسمبر '23
+136
في 0 قنوات
| التاريخ | نمو المشتركين | الإشارات | القنوات | |
| 20 أكتوبر | +4 | |||
| 19 أكتوبر | 0 | |||
| 18 أكتوبر | 0 | |||
| 17 أكتوبر | +1 | |||
| 16 أكتوبر | 0 | |||
| 15 أكتوبر | 0 | |||
| 14 أكتوبر | 0 | |||
| 13 أكتوبر | +2 | |||
| 12 أكتوبر | 0 |
منشورات القناة
| 2 | AI is really good at automating our worst tendencies. It amplifies the unspoken cultural practices no one likes, but no individual can reasonably deviate from. It exploits the mechanized traditions recalcitrant to collective action. In that vein, AI can now write useless theory papers. But perhaps in the absurdity of the distasteful OpenAI trash dump of proofs, we can all look up and realize together that we should consider doing something else.
https://www.argmin.net/p/faster-fourier-transforms | 139 |
| 3 | https://arxiv.org/abs/math/0404188 | 183 |
| 4 | https://www.apolloresearch.ai/science/update-aware-reasoning-glm-5-3 | 249 |
| 5 | https://academy.dair.ai/papers/hybrid-reasoning-agents-2610.18861
"thinking without words" for llms | 237 |
| 6 | cтаття про розплутування нейронів віруситься в дата-саєнс (та не тільки) колах
тейк: нейромережі виявились чистішими ніж ми думали
Нік Каммарата з Goodfire - один із тих, хто колись допомагав просувати ідею superposition - написав довге есе, де по суті визнає: ми помилялись
стандартна історія була така: у нейронах каша. один нейрон реагує і на морди котів, і на передки машин, бо мережі нібито бракує місця, і вона пхає в одну шухляду несумісні речі. тому щоб щось зрозуміти, спершу треба розплутати клубок окремою моделлю (sparse autoencoder) і вивчати вже її
а тепер виявляється, що кіт+машина - це просто нейрон «V-форми». вуса, фари, лисячі морди, полум'я - усе V-подібне. спільне було, просто ніхто не дивився уважно
а решта «каші» - це не хаос, а крива оптика. інструменти були слабкі, архітектура стара, а ще нейрон по ходу навчання обростає суміжними значеннями, як гілка - дрібнішими гілочками. кожен крок логічний, а якщо дивитись лише на результат - здається, що там бардак
коли взяли сучасну архітектуру того ж розміру, майже всі нейрони в останньому шарі стали зрозумілими. а в мовній моделі справжня мішанина, за оцінкою автора, це 2-4% нейронів, а не більшість
що це означає простими словами: якщо автор правий, зазирнути всередину ШІ і зрозуміти, чому він відповідає саме так, можна значно раніше й простіше, ніж вважалось. без хитрих обхідних шляхів - просто уважно розглядати, що робить кожна деталь. а чим краще розумієш, що там всередині, тим легше помітити, коли він робить щось не те, а не вірити йому на слово
поки що це гіпотеза, а не доведений факт. але виходить, що чорна скринька - це просто скринька з поганим освітленням | 242 |
| 7 | http://dx.doi.org/10.1038/d41586-026-03181-1 | 223 |
| 8 |  https://arxiv.org/abs/2610.16733
near-perfect accuracy of 98% at an average cost under USD 3 per problem | 217 |
| 9 | https://arxiv.org/abs/2610.00465
tldr: new edge computing paradigm that you can streamline llm weights the same way as TV works and compute results of inference implicitly directly on per-packet basis to reduce inference energy cost by 200x | 302 |
| 10 | https://arxiv.org/abs/2609.19254 | 272 |
| 11 | https://phys.org/news/2026-10-sex-dna-exchange-starving-bacteria.html | 284 |
| 12 | https://www.youtube.com/watch?v=8Y9BsCsp5MI | 425 |
| 13 | https://www.iroh.computer/blog/iroh-global-content-discovery | 384 |
| 14 |  Команда Лапи переросла мій блог, тому пора нарешті розділити.
Будемо постити тут про нашу роботу: наші дослідження, тренування моделей, нові датасети, задачі, interpretability - SOTA штучки!
Запрошуєм підписуватись) | 386 |
| 15 | https://arxiv.org/abs/2606.16926
sounds nice for PDE solvers | 533 |
| 16 |  لا يوجد نص... | 434 |
| 17 | https://journals.aps.org/prx/abstract/10.1103/dhzb-28rb | 425 |
| 18 |  ^ буду розповідати про оцей пейпер там також, скоро буде декілька релізів👀
make ukrainian alignment great again 🫡 | 432 |
| 19 | https://statmodeling.stat.columbia.edu/2026/08/27/258/ | 411 |
| 20 | https://fixupx.com/0x_impai/status/2103161612677107942 | 473 |
