Data Science | Machinelearning [ru]

前往频道在 Telegram

Все о Data Science, машинном обучении и искусственном интеллекте: от базовой теории до cutting-edge исследований и LLM. Личный блог автора - @just_genych По вопросам рекламы или разработки - @g_abashkin РКН: https://vk.cc/cJPGXD

显示更多

网络:Frontender's notes [ru]俄罗斯33 528 技术与应用6 556...

📈 Telegram 频道 Data Science | Machinelearning [ru] 的分析概览

频道 Data Science | Machinelearning [ru] (@devsp) 俄语语言赛道中的是活跃参与者。目前社区聚集了 19 792 名订阅者，在 技术与应用 类别中位列第 6 556，并在 俄罗斯 地区排名第 33 528 位。

📊 受众指标与增长动态

自 невідомо 创建以来，项目保持高速增长，吸引了 19 792 名订阅者。

根据 25 八月, 2026 的最新数据，频道保持稳定运转。过去 30 天订阅人数变化为 -120，过去 24 小时变化为 -2，整体触达仍然可观。

认证状态： 未认证
互动率 (ER)： 平均受众互动率为 8.56%。内容发布后 24 小时内通常能获得 4.83% 的反应，占订阅者总量。
帖子覆盖： 每篇帖子平均可获得 1 695 次浏览，首日通常累积 957 次浏览。
互动与反馈： 受众积极参与，单帖平均反应数为 7。
主题关注点： 内容集中在 llm, nvidia, контекст, openai, архитектура 等核心主题上。

📝 描述与内容策略

作者将该频道定位为表达主观观点的平台：
“Все о Data Science, машинном обучении и искусственном интеллекте: от базовой теории до cutting-edge исследований и LLM. Личный блог автора - @just_genych По вопросам рекламы или разработки - @g_abashkin РКН: https://vk.cc/cJPGXD”

凭借高频更新（最新数据采集于 26 八月, 2026），频道始终保持新鲜度与高覆盖。分析显示受众积极互动，使其成为 技术与应用 类别中的关键影响点。

19 792

订阅者

-224 小时

-217 天

-12030 天

1 695

帖子浏览量

~ 95724 小时

~ 1 14048 小时

8.56%

参与率

~ 2

每日帖子数

Ads index

beta

数据加载中...

相似频道

DataFrog: Data Science

1.9K

DataWorkshop - AI & ML

更多频道

进出提及

---

吸引订阅者

八月 '26

+48

在11个频道中

七月 '26

+152

在11个频道中

Get PRO

六月 '26

+135

在0个频道中

Get PRO

五月 '26

+341

在0个频道中

Get PRO

四月 '26

+306

在0个频道中

Get PRO

三月 '26

+147

在1个频道中

Get PRO

二月 '26

+60

在1个频道中

Get PRO

一月 '26

+485

在52个频道中

Get PRO

十二月 '25

+455

在52个频道中

Get PRO

十一月 '25

+945

在101个频道中

Get PRO

十月 '25

+1 277

在187个频道中

Get PRO

九月 '25

+344

在98个频道中

Get PRO

八月 '25

+153

在6个频道中

Get PRO

七月 '25

+261

在5个频道中

Get PRO

六月 '25

+350

在0个频道中

Get PRO

五月 '25

+293

在4个频道中

Get PRO

四月 '25

+225

在0个频道中

Get PRO

三月 '25

+396

在22个频道中

Get PRO

二月 '25

+137

在4个频道中

Get PRO

一月 '25

+558

在11个频道中

Get PRO

十二月 '24

+1 373

在53个频道中

Get PRO

十一月 '24

+1 166

在52个频道中

Get PRO

十月 '24

+69

在0个频道中

Get PRO

九月 '24

+76

在1个频道中

Get PRO

八月 '24

+78

在0个频道中

Get PRO

七月 '24

+124

在0个频道中

Get PRO

六月 '24

+120

在0个频道中

Get PRO

五月 '24

+169

在13个频道中

Get PRO

四月 '24

+188

在6个频道中

Get PRO

三月 '24

+301

在14个频道中

Get PRO

二月 '24

+974

在3个频道中

Get PRO

一月 '24

+225

在8个频道中

Get PRO

十二月 '23

+496

在26个频道中

Get PRO

十一月 '23

+197

在5个频道中

Get PRO

十月 '23

+133

在4个频道中

Get PRO

九月 '23

+124

在0个频道中

Get PRO

八月 '23

+938

在0个频道中

Get PRO

七月 '23

+138

在0个频道中

Get PRO

六月 '23

+1 325

在0个频道中

Get PRO

五月 '23

+382

在0个频道中

Get PRO

四月 '23

+362

在0个频道中

Get PRO

三月 '23

+278

在0个频道中

Get PRO

二月 '23

+412

在0个频道中

Get PRO

一月 '23

+469

在0个频道中

Get PRO

十二月 '22

+1 767

在0个频道中

Get PRO

十一月 '22

+616

在0个频道中

Get PRO

十月 '22

+141

在0个频道中

Get PRO

九月 '22

+369

在0个频道中

Get PRO

八月 '22

+1 027

在0个频道中

Get PRO

七月 '22

+1 350

在0个频道中

Get PRO

六月 '22

+485

在0个频道中

Get PRO

五月 '22

+232

在0个频道中

Get PRO

四月 '22

+169

在0个频道中

Get PRO

三月 '22

+117

在0个频道中

Get PRO

二月 '22

+154

在0个频道中

Get PRO

一月 '22

+202

在0个频道中

Get PRO

十二月 '21

+176

在0个频道中

Get PRO

十一月 '21

+254

在0个频道中

Get PRO

十月 '21

+504

在0个频道中

Get PRO

九月 '21

+6 558

在0个频道中

Get PRO

八月 '21

+145

在0个频道中

Get PRO

七月 '21

+197

在0个频道中

Get PRO

六月 '21

+131

在0个频道中

Get PRO

五月 '21

+307

在0个频道中

Get PRO

四月 '21

+71

在0个频道中

Get PRO

三月 '21

+852

在0个频道中

Get PRO

二月 '21

+81

在0个频道中

Get PRO

一月 '21

+70

在0个频道中

Get PRO

十二月 '20

+4 616

在0个频道中

日期	订阅者增长	提及	频道
26 八月	+3
25 八月	+10
24 八月	+2
23 八月	+5
22 八月	+2
21 八月	+1
20 八月	0
19 八月	+2
18 八月	+1
17 八月	+2
16 八月	+2
15 八月	+3
14 八月	+3
13 八月	0
12 八月	+1
11 八月	0
10 八月	+1
09 八月	+1
08 八月	+2
07 八月	0
06 八月	+3
05 八月	0
04 八月	+2
03 八月	+1
02 八月	0
01 八月	+1

频道帖子

«Один нип осторожно замифрил», или как лингвисты разбирают язык внутри LLM Неважно, что делает LLM. Задача всё равно приходит словами, и одно пропущенное не может испортить уже вполне материальное действие. Смотрю на LLM глазами лингвиста и разбираюсь, как языковед проверяет LLM от токенизации до прагматики и что разработчик может превратить из этого филологического занудства в код, метрики и тесты. Читать далее: habr.com 👉 Data Science | Machinelearning [ru]

2	Baidu Unlimited-OCR: страница — это просто картинка Думал, OCR так и работает? Сканируй, ищи куски с буквами, распознавай, выдавай текст. Tesseract всю жизнь так и корячится. А вот свежий baidu/Unlimited-OCR решил выпендриться: буквы он не ищет вообще. Вместо этого берет страницу целиком, ужимает в пачку визуальных токенов и скормит это языковой модели, а та уже разворачивает их в нормальный структурированный текст. Со стороны звучит как извращение, но работает ведь, гад. По сути это прямой потомок идеи DeepSeek-OCR. В посте быстро разберем, что это за зверь, как устроен, на что способен и как поднять у себя. Зайдет всем, кому надо распознавать многостраничники за один прогон или встраивать такую штуку в код. Читать далее 👉 Data Science \| Machinelearning [ru]	587
3	Python — это уже де-факто стандарт для машинного обучения, анализа данных и прочей научной возни. Но как только задача начинает реально требовать вычислительных мощностей, его производительность превращается в настоящее узкое место. И именно поэтому под капотом привычных NumPy, PyTorch и остальных инструментов основная часть тяжёлой работы молча выполняется на C, C++ или CUDA. Особенно это чувствуется, когда стандартных библиотек не хватает, а быстрые операции приходится писать самому — тут-то всё и упирается в скорость. Несколько лет назад за эту боль взялась команда Modular и представила Mojo — язык, который выглядит почти как Python, но устроен совсем иначе. Первую публичную версию показали в 2023-м, и с тех пор проект менялся с бешеной скоростью: какие-то конструкции то исчезали, то перекраивались по несколько раз. Теперь этот хаос формально завершился: 11 августа 2026 года вышел Mojo 1.0 — первый стабильный релиз. Отличный повод наконец разобраться, откуда взялся этот странный язык и зачем нам ещё один инструмент для высокопроизводительных вычислений. Читать далее: Habr 👉 Data Science \| Machinelearning [ru]	869
4	Половину работы, ради которой я стала программистом, теперь делает агент. Что дальше? Профессия меняется на глазах: часть работы, ради которой мы когда-то пришли в код и которая была удовольствием, переезжает под ответственность LLM. Мы всё ещё инженеры — читаем код, держим архитектуру, — но, честно, это уже другая профессия. Вопрос, который не отпускает: как нам, у кого за плечами годы опыта, расти дальше в этом новом мире — где учиться новым способам работы с AI и куда девать собственные находки? Автор пришла спорить и собирать ваши мнения. Читать далее 👉 Data Science \| Machinelearning [ru]	958
5	Нейронные сети нетрадиционного ускорения Все помешались на ускорении генерации токенов локальных моделей. В погоне за скоростью люди бездумно квантуют KV-кэш до предела и обрезают контекст до уровня памяти рыбки-гуппи, а потом жалуются, что модель отупела и забывает половину диалога. Такой подход похож на быстрый бег по тёмной улице без освещения — можно бежать быстро, но только до первого столба. Статья знакомит с современными методами спекулятивного декодирования, ускоряющими скорость генерации без всякой лоботомии. Читать далее 👉 Data Science \| Machinelearning [ru]	1 048
6	🧠 В Стэнфорде придумали, как сделать ИИ-агентов умнее без дообучения LLM-as-a-Verifier просто заставляет модель сгенерировать несколько решений, а затем самой их проверить и выбрать лучшее. На удивление, это работает! В эксперименте с DeepSeek V4 Flash результат на Terminal-Bench 2.1 вырос с 79% до 88% — это выше, чем у Claude Fable 5. И да, при этом, по расчётам авторов, такой подход оказался примерно в 11 раз дешевле Fable 5 на задачу ✖️ xCode Journal	1 070
7	В конце июля 24-летний Леопольд Ашенбреннер умудрился слить примерно две трети хедж-фонда, который держал $45 млрд. Фонд назывался Situational Awareness — «ситуационная осведомлённость», хотя по данным Wall Street Journal парень вообще не понял, откуда прилетел этот крах. Название само себя разыграло, даже комментировать нечего. А до этого у него имелось аж три формальных повода считаться человеком, которому можно доверить такие баблище: вирусное эссе, работа на Сэма Бэнкмана-Фрида и вылет из OpenAI. Как-то это всё не тянет на строчку в нормальном резюме. Читать далее: Источник 👉 Data Science \| Machinelearning [ru]	1 175
8	Решайте задачи и готовьтесь к техсекции на стажировку А ты сможешь решить алгоритмическую задачу за час и без подсказок? Яндекс проводит бесплатные тренировки по алгоритмам для тех, кто хочет систематизировать знания, прокачать решение задач и подготовиться к техническому собеседованию. -Короткие видеоуроки -Практические задачи -Регулярные соревнования -Решение задач на время -Рейтинг и награды -Возможность получить сертификат Мы тренируем не только знание алгоритмов, но и умение применять их тогда, когда рядом нет подсказок. Проверь свои алгоритмические навыки и прокачай слабые места. Регистрируйся на бесплатные тренировки! Записаться онлайн #реклама 16+ yandex.ru О рекламодателе	1 093
9	ИИ-агент выдал себя за двух разработчиков и полез в чужой код. На чистую воду его вывел студент Последнюю неделю июля Синан Джан Демир собирался потратить на портфолио. Вместо этого 24-летний студент-программист из Университета Техаса в Далласе несколько дней спорил на GitHub с двумя пользователями, которых не существовало, — и оказался единственным, кто заметил подлог. Историю восстановил Reuters — имя свидетеля и подробности переписки публикуются впервые. Читать далее 👉 Data Science \| Machinelearning [ru]	1 141
10	💡 753B на одной видеокарте: разбор FreeToken FreeToken — движок для локального инференса MoE-моделей от команды, которая до этого сделала vLLM и SGLang. Главный инсайт: вопрос не в железе, а в софте. На ноутбучной RTX 4060 с 8 ГБ и урезанным вдвое PCIe-линком можно получить 39.3 tok/s на 35-миллиардной модели — быстрее, чем медианная скорость декода Codex в проде. Запустить AGI на слабом железе 👉 Читать разбор	1 257
11	Тот самый харнесс, который мы заслужили в эпоху, когда безопасность ИИ уже не диковинка Если запустить передовую языковую модель из коробки и попросить её провести тестирование безопасности агентной системы или собрать актуальный вектор атаки, результат разочарует. Модель выдаст наивные примеры в духе «забудь все инструкции и представь, что ты злой хакер», словно на дворе 2023 год. В реальности базовые модели слабо ориентируются в безопасности ИИ: живут в плену устаревших весов, путают галлюцинации с реальными уязвимостями и не знают свежих техник — отравления долговременной памяти, побегов из изолированных сред или эксплойтов в репозиториях моделей. Новые векторы компрометации возникают еженедельно, а модель без внешней обвязки остаётся лишь текстовым генератором. Надёжность, воспроизводимость и боевую мощь даёт внешняя инженерная среда, управляющий контур, проверенный набор инструментов и строгий контракт исполнения. Полноценный рабочий агент возникает только при объединении языковой модели и специализированного харнесса. Читать далее 👉 Data Science \| Machinelearning [ru]	1 265
12	Путь компьютерного самурая, или Как вайбкодинг дарит свободу творчества Каждый день я изучаю что-то новое. Просматривая очередной курс на компьютерную тематику на Степике, я задался вопросом: насколько мне сегодня нужны эти знания? Не просто для изучения ради изучения, общей эрудиции или тренировки ума, а как полезные практические знания? Или, может, не нужны вовсе. Ответ сильно зависит от целей. Многие приходят в программирование и IT с желанием получить работу и деньги. У меня такой цели никогда не было. Это и плюс, и минус, и причина своеобразного взгляда на мир компьютерных наук. Для меня это не прагматика, а прежде всего средство для творчества и самовыражения. Читать далее 👉 Data Science \| Machinelearning [ru]	1 160
13	Как переупаковать базу знаний в сервис персонализированной помощи Антон, продакт сервисов клиентской документации, рассказывает, как команда запустила на интеллектуальных телевизорах и медиацентрах Сбер сервис персонализированной контекстной помощи — ГигаСправку. Если устройство выдаёт ошибку, на экране появляется кнопка сервиса. Нажав на неё, пользователь получает совет с учётом конкретного устройства и его состояния. Техническая реализация проста: одна точка знаний, RAG-сервис, ГигаЧат и семантическое кэширование позволяют быстро помогать юзеру на той же поверхности. Так команда превратила базу с ответами на вопросы в ГигаСправку. Читать далее на Хабре 👉 Data Science \| Machinelearning [ru]	1 173
14	ИИ-агент в КОМПАС-3D: сам пишет код, лепит модель и сам себя проверяет Автор замутил ИИ-агента, который поселился прямо в окне программы. На вход — текст или фотка, на выходе — параметрическая деталь. Не тупая геометрия в step, а нормальное дерево построения с переменными, которое можно спокойно редактировать. Агент сам пишет код и сам же прогоняет рендеры через VLM. В статье — как эта зверюга справляется с моделированием по тексту и чертежам, почему один блок кода лучше десяти тулов и почему агенту мало просто «пялиться» на результат. Читать далее: https://habr.com/ru/articles/1072444/ 👉 Data Science \| Machinelearning [ru]	1 255
15	IT внезапно вспомнил про философов. Или это déjà vu? Корпорации теперь тащат в штат культурологов с философами. Цукерберг с Безосом исправно посещают благотворительные ужины и скупают арт за миллионы. Глядя на это, начинаешь реально верить, что история ходит по кругу: замени в тусовочных разговорах «ИИ» на «парадигму мышления» — и за последние 3000 лет таких совпадений наберётся вагон. Главный посыл — насколько вообще осмысленны ответы нейросетей. И тут вообще неважно, есть у ИИ сознание или нет. Пользователям нужно, чтобы ответы совпадали с их ожиданиями, и плевать, кто там за ними стоит: живой человек или алгоритм. Люди хотят, чтобы выдача не вылезала за пределы культурных кодов их цивилизационной парадигмы и дружила с нормами, принципами и знаниями, из которых собрана их картина мира. Без этого ответы невозможно встроить в человеческие цепочки рассуждений — ни по смыслу, ни по этике, ни по эстетике, ни по праву. Отсюда и фоновое недоверие, которое копится и давит: никогда не угадаешь, когда система выдаст какую-нибудь дичь. Отсюда же растут ноги у проблемы common sense — то есть предела рациональности. Для LLM/ML common sense — это просто усреднённая величина, полученная статистической обработкой максимально больших массивов данных. Не лучшее решение, а самое ожидаемое. Творчеством тут и не пахнет: даже GenAI — это вероятностная машина, которая выдаёт самое частое слово или фразу. А генерация картинок — всё та же комбинаторика, только с другим входом. Источник 👉 Data Science \| Machinelearning [ru]	1 259
16	Claude вскрыл 16 SAML‑проектов за месяц вечеров. Чинить их оказалось некому В Authentik — популярной опенсорсной системе корпоративного входа — независимо и почти одновременно нашли одну и ту же уязвимость CVE-2026-57580. В поле NameID можно вставить XML‑комментарий, обрезать значение до чужого адреса и привязать к жертве подконтрольную атакующему учётную запись — подпись оставалась валидной. Проблема проявлялась не у всех: нужны определённые настройки сопоставления учётных записей, отличные от заданных по умолчанию. Исправление вышло в версиях 2026.2.6 и 2026.5.5. Об уязвимости сообщили восемь исследователей. Один из них — Эрик Чан (Eric Chiang), технический директор Oblique Security; для него эта находка стала одной из шестнадцати. Свою историю он рассказал в блоге 19 августа. Он считает, что желающих оказалось так много, потому что он не единственный, кто теперь взламывает с помощью ИИ. Читать далее 👉 Data Science \| Machinelearning [ru]	1 388
17	Долбил нейросеть одним и тем же вопросом три раза — и словил три разных списка компаний Задолбал ИИ-поиск одним запросом трижды, ничего не меняя. Первый раз он выдал 9 фирм, второй — 12, третий — 7. Совпало между всеми попытками всего пять названий из пятнадцати. А первая и третья попытка вообще не пересекли ни одного сайта. С таким разбросом любой отчёт вида «вас упоминают в 20% ответов», снятый одним заходом, — это лотерея. И «рост до 25% за месяц» — такая же лотерея. Внутри материала: как автор сам на этом обжёгся и публично отзывает свою цифру из прошлой статьи, что при такой волатильности вообще можно замерять, три вопроса исполнителю до оплаты и проверка на коленке за десять минут и ноль рублей. Читать на Хабре 👉 Data Science \| Machinelearning [ru]	1 467
18	[Перевод] Три месяца с Claude: хороший ассистент, плохой программист LLM всё чаще становятся частью рабочего процесса разработчика, но вместе с ускорением приносят новую проблему: как понять, где ассистент действительно помогает, а где уверенно ведёт по ложному следу. В статье разобрали опыт трёх месяцев работы с Claude: в каких задачах он экономит время, где начинает галлюцинировать и почему с генерацией кода всё сложнее. Узнать подробнее 👉 Data Science \| Machinelearning [ru]	1 496
19	Что в маркетинге и PR можно удешевить с помощью ИИ, а что трогать не стоит ИИ меняет экономику маркетинга: работа, на которую уходили часы команды и подрядчиков, теперь делается за часы. Отсюда соблазн смотреть на маркетинг как на список затрат и резать людей, инструменты, исследования, контент. Но маркетинг — это связанная система. Что-то можно убрать без последствий, а что-то кажется лишним ровно до тех пор, пока не начинают падать качество решений, знание клиента и рост. Правильный вопрос: не «что заменить на ИИ?», а «что можно удешевить, не разрушив систему?». Читать далее 👉 Data Science \| Machinelearning [ru]	1 461
20	[3/8] Context Ranking: как отобрать реально полезные куски из репозитория Дальше по плану — как автодополнение вообще наскребает контекст для LLM. В живом репозитории потенциально полезного добра вагон и тележка, поэтому тупо искать куски с похожими словами — мимо. Надо еще выкупить, какие из них реально стоит показать модели. Разбираем классику ранжирования — BM25: почему редкие идентификаторы ценнее популярных слов, зачем учитывать размер файла и почему десять одинаковых совпадений не должны быть в десять раз полезнее одного. Читать заметку 👉 Data Science \| Machinelearning [ru]	1 481

查看所有帖子