ch
Feedback

不要被骗子欺骗!Telemetrio 会找到并标记这些频道 👉 如果想查看标记,请订阅

gonzo-обзоры ML статей

gonzo-обзоры ML статей

前往频道在 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.

显示更多

📈 Telegram 频道 gonzo-обзоры ML статей 的分析概览

频道 gonzo-обзоры ML статей (@gonzo_ml) 俄语 语言赛道中的 是活跃参与者。目前社区聚集了 24 727 名订阅者,在 技术与应用 类别中位列第 5 376,并在 俄罗斯 地区排名第 26 315 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 24 727 名订阅者。

根据 17 十一月, 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 108,过去 24 小时变化为 3,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 11.71%。内容发布后 24 小时内通常能获得 7.43% 的反应,占订阅者总量。
  • 帖子覆盖: 每篇帖子平均可获得 2 895 次浏览,首日通常累积 1 836 次浏览。
  • 互动与反馈: 受众积极参与,单帖平均反应数为 13。
  • 主题关注点: 内容集中在 learning, tl;dr, токенов, архитектура, контекст 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:
“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...”

凭借高频更新(最新数据采集于 18 十一月, 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。

24 727
订阅者
+324 小时
+207 天
+10830 天
吸引订阅者
11月 '26
十一月 '26
+146
在1个频道中
十月 '26
+328
在10个频道中
Get PRO
九月 '26
+343
在9个频道中
Get PRO
八月 '26
+157
在7个频道中
Get PRO
七月 '26
+196
在4个频道中
Get PRO
六月 '26
+253
在9个频道中
Get PRO
五月 '26
+210
在6个频道中
Get PRO
四月 '26
+279
在6个频道中
Get PRO
三月 '26
+275
在10个频道中
Get PRO
二月 '26
+387
在6个频道中
Get PRO
一月 '26
+415
在18个频道中
Get PRO
十二月 '25
+439
在9个频道中
Get PRO
十一月 '25
+295
在13个频道中
Get PRO
十月 '25
+510
在13个频道中
Get PRO
九月 '25
+286
在8个频道中
Get PRO
八月 '25
+430
在5个频道中
Get PRO
七月 '25
+641
在11个频道中
Get PRO
六月 '25
+362
在9个频道中
Get PRO
五月 '25
+431
在7个频道中
Get PRO
四月 '25
+922
在19个频道中
Get PRO
三月 '25
+583
在8个频道中
Get PRO
二月 '25
+649
在16个频道中
Get PRO
一月 '25
+1 065
在24个频道中
Get PRO
十二月 '24
+699
在13个频道中
Get PRO
十一月 '24
+1 001
在20个频道中
Get PRO
十月 '24
+727
在14个频道中
Get PRO
九月 '24
+415
在11个频道中
Get PRO
八月 '24
+467
在3个频道中
Get PRO
七月 '24
+217
在10个频道中
Get PRO
六月 '24
+375
在20个频道中
Get PRO
五月 '24
+354
在11个频道中
Get PRO
四月 '24
+377
在13个频道中
Get PRO
三月 '24
+399
在14个频道中
Get PRO
二月 '24
+323
在12个频道中
Get PRO
一月 '24
+660
在15个频道中
Get PRO
十二月 '23
+641
在19个频道中
Get PRO
十一月 '23
+268
在8个频道中
Get PRO
十月 '23
+501
在19个频道中
Get PRO
九月 '23
+355
在0个频道中
Get PRO
八月 '23
+456
在0个频道中
Get PRO
七月 '23
+357
在0个频道中
Get PRO
六月 '23
+300
在0个频道中
Get PRO
五月 '23
+2 022
在0个频道中
Get PRO
四月 '23
+967
在0个频道中
Get PRO
三月 '23
+2 757
在0个频道中
Get PRO
二月 '23
+385
在0个频道中
Get PRO
一月 '23
+166
在0个频道中
Get PRO
十二月 '22
+343
在0个频道中
Get PRO
十一月 '22
+100
在0个频道中
Get PRO
十月 '22
+93
在0个频道中
Get PRO
九月 '22
+70
在0个频道中
Get PRO
八月 '22
+261
在0个频道中
Get PRO
七月 '22
+475
在0个频道中
Get PRO
六月 '22
+215
在0个频道中
Get PRO
五月 '22
+225
在0个频道中
Get PRO
四月 '22
+101
在0个频道中
Get PRO
三月 '22
+132
在0个频道中
Get PRO
二月 '22
+233
在0个频道中
Get PRO
一月 '22
+113
在0个频道中
Get PRO
十二月 '21
+248
在0个频道中
Get PRO
十一月 '21
+226
在0个频道中
Get PRO
十月 '21
+69
在0个频道中
Get PRO
九月 '21
+92
在0个频道中
Get PRO
八月 '21
+73
在0个频道中
Get PRO
七月 '21
+133
在0个频道中
Get PRO
六月 '21
+174
在0个频道中
Get PRO
五月 '21
+75
在0个频道中
Get PRO
四月 '21
+84
在0个频道中
Get PRO
三月 '21
+97
在0个频道中
Get PRO
二月 '21
+136
在0个频道中
Get PRO
一月 '21
+170
在0个频道中
Get PRO
十二月 '20
+4 514
在0个频道中
日期
订阅者增长
提及
频道
18 十一月+7
17 十一月+9
16 十一月+7
15 十一月+14
14 十一月+10
13 十一月+8
12 十一月+5
11 十一月+3
10 十一月+12
09 十一月+8
08 十一月+3
07 十一月+8
06 十一月+7
05 十一月+11
04 十一月+5
03 十一月+14
02 十一月+10
01 十一月+5
频道帖子
photo content
17 11月, 09:27

2
没有文字...
1 657
3
没有文字...
1 572
4
Кеннет Стэнли продолжает (предыдущее тут) исследовать единые и разрозненные представления. Неудивительным образом единые факторизованные представления рулят на непрерывном обучении. Но работают пока только на очень игрушечных кейсах. Unified Factored Representations Resist Catastrophic Forgetting Joel Lehman, Kenneth O. Stanley Paper: https://arxiv.org/abs/2611.11020 Review: https://arxiviq.substack.com/p/unified-factored-representations Главное: Нейросети могут избегать катастрофического забывания при градиентном спуске, если внутренние признаки кодируют каждую закономерность один раз и разделяют независимые факторы. Но для этого нужно маскировать лишние нулевые веса и делать малые шаги вдоль структуры задачи. ЧТО сделали: Авторы объясняют забывание спутанными представлениями, где закономерности дублируются, а признаки смешиваются. В многократном циклическом файнтюнинге туда-обратно на частях входа они проверили единые факторизованные представления, объединяющие закономерности и разделяющие факторы. ЧТО получили: За 30 циклов файнтюнинга попиксельная ошибка факторизованных моделей на отложенной области оказалась в 2.9–12 раз ниже, чем у градиентных бейзлайнов — без повтора примеров и штрафов за уход от старой задачи. Целевые вариации при этом генерировали самими факторизованными сетями. ПОЧЕМУ это важно: Вспомогательные лоссы, упорядочивающие скрытые признаки при начальном обучении, снижают последующую интерференцию. Однако градиентный спуск всё ещё не выучивает такие представления с нуля и не может надёжно добавить даже один новый признак, не сломав их. Исследовать репрезентации здесь: https://t.me/gonzo_ML_podcasts/4852
1 602
5
没有文字...
2 091
6
没有文字...
2 103
7
没有文字...
2 016
8
Любопытная свежая работа про файнтюнинг занулением небольшого количества весов. The Surprising Effectiveness of Deleting Weights in LLM Post-Training Jack Lu, Zhenbang Yang, Mike Lasby, Tejas Pote, Yani Ioannou, Mengye Ren Paper: https://arxiv.org/abs/2611.10866 Review: https://arxiviq.substack.com/p/the-surprising-effectiveness-of-deleting Project: https://agenticlearning.ai/deleting-weights/ Code: https://github.com/agentic-learning-ai-lab/deleting-weights Model: https://huggingface.co/Jacklu0831/deletion-tuning-masks Главное: Предобученные языковые модели могут осваивать новые навыки рассуждения и работы с инструментами без записи новых весов. На больших масштабах достаточно занулить менее 0.05% параметров, и прежние способности не пострадают. ЧТО сделали: Авторы предложили метод пост-тренинга Deletion Tuning, который адаптирует замороженную модель через обучение бинарной маски для гейтовых проекций MLP. Выбранные веса остаются нетронутыми, а остальные обращаются в ноль. ЧТО получили: На самых крупных протестированных моделях Deletion Tuning сравнялся с полным файнтюнингом. При обучении с подкреплением точность на старых задачах падает не более чем на 1 пункт от базовой модели, хотя малые модели набирают порой лишь 90% от точности плотного обновления. ПОЧЕМУ это важно: Системы инференса могут переключать задачи мегабайтными битовыми масками поверх одной общей модели без потери старых навыков. Однако последовательное дообучение в работе не проверяли, несжатые bf16-адаптеры ранга 1 часто меньше по объёму, а само обучение требует куда больше памяти. Занулять здесь: https://t.me/gonzo_ML_podcasts/4851
2 210
9
没有文字...
2 357
10
没有文字...
2 311
11
没有文字...
2 293
12
Я продолжаю посматривать на работы, где из реальных данных авторы пытаются вывести символьные физические законы, стоящие за наблюдениями. Уверен, это крайне интересная и нужная область. Одна из свежих работ предложила двухступенчатый пайплайн: сначала выделяем низкоразмерный базис (интересные переменные) и только потом уже на нём ищем символьную формулу. Какой-то прогресс в этом есть, но результат пока неоднозначный. Distilling neural networks into equations to predict planetary instability Simon Alford, Edward Gu, Omar Costilla-Reyes, Dan Tamayo, Miles Cranmer, Kevin Ellis Paper: https://arxiv.org/abs/2610.35617 Review: https://arxiviq.substack.com/p/distilling-neural-networks-into-equations Code: https://github.com/simonalford42/planet_eqs Data and code archive: https://doi.org/10.5281/zenodo.15731358 Главное: Символьная регрессия справляется с хаотической динамикой, если градиентный спуск сначала сжимает траектории в разреженный линейный базис. Полученные компактные формулы экстраполируют лучше прямого символьного поиска. ЧТО сделали: Предложили двухэтапную дистилляцию нейросетей для предсказания неустойчивости многопланетных систем. На коротких симуляциях орбит обучается разреженный линейный экстрактор (по две переменные на признак), после чего библиотека эволюционной символьной регрессии PySR дистиллирует нейросеть в алгебраические уравнения. ЧТО получили: На бенчмарках дистиллированная формула предсказывает время до неустойчивости с точностью от 1.34 до 1.52 порядков величины. Она точнее аналитической теории для круговых орбит и экстраполирует на более крупные системы, но уступает прямой символьной регрессии по ряду метрик внутри распределения. ПОЧЕМУ это важно: Астрономы получают читаемую формулу, связывающую колебания орбит с резонансами. Однако расчёт всё ещё требует короткой численной симуляции, не учитывает физические размерности и даёт много ложных тревог при стандартных порогах. Гнать дистиллят тут: https://t.me/gonzo_ML_podcasts/4850
2 344
13
Вдруг вы по мне соскучились. https://youtu.be/r4iThqisYcg?si=rObK2ySJcZf9dTOt
2 811
14
没有文字...
3 125
15
没有文字...
2 938
16
没有文字...
2 973
17
Как обучать латентный ризонинг без явной разметки шагов. Заодно решил проверить как работает ревью на Gemini 4 Hydrogen. Как вам? Learn Your Own Thoughts: Abstract Token Curriculum Khashayar Gatmiry, Avrajit Ghosh, Parsa Mirtaheri, Jason D. Lee, Nika Haghtalab, Emmanuel Abbe, Peter Bartlett Paper: https://arxiv.org/abs/2609.19717v2 Review: https://arxiviq.substack.com/p/learn-your-own-thoughts-abstract Code: N/A Model: N/A Главное: Подача подзадач с растущим бюджетом непрерывных токенов учит трансформеры последовательным скрытым состояниям без разметки мыслей, но переносит декомпозицию задачи в генератор данных. ЧТО сделали: Авторы предложили метод Abstract Token Curriculum (ATC), который обучает векторы рассуждений (скрытые эмбеддинги в конце контекста) с помощью поэтапного усложнения, отката по точности и дропаута кандидатов. ЧТО получили: ATC достигает 99.9% точности на задаче достижимости в дереве наравне с размеченным бейзлайном и медианных 98.7% точного совпадения на сложении против бейзлайна без усечения. В идеализированных условиях теория доказывает: один градиентный шаг по ключам концентрирует внимание на последней мысли для одного знака чётности. ПОЧЕМУ это важно: Если задачу можно алгоритмически разбить на этапы по сложности, разметка цепочек рассуждений не нужна. Однако эксперименты проводились на синтетике и малых трансформерах с нуля (до 15M параметров), а отсутствие части контрольных прогонов не исключает влияния подсказок-кандидатов в промпте. Латентные и не очень куррикулумы здесь: https://t.me/gonzo_ML_podcasts/4849
3 147
18
Я постил месяц назад кейноут DHH с открытия Rails World 2026, он был прекрасен. Но кроме него есть и двухмесячной давности разговор на канале Лекса Фридмана, традиционно долгий, аж целых пять часов! И я его наконец дослушал. Получилось только на 1.5x–1.75x: он говорит довольно быстро, ускорять сильнее не выходит (а некоторых удаётся слушать и на 2.5x-3x 😁) Это один из разговоров, которые нет смысла давать в виде саммари. Большие (а особенно теперь ещё и сгенерённые) статьи с архива есть смысл суммаризировать, некоторые длинные посты тоже, а вот разговоры с некоторыми людьми содержат очень много сигнала в отдельных деталях, и их лучше слушать целиком, обращая внимание на эти детали -- ну собственно как дистилляция на полном распределении логитов (soft targets), а не только на финальном ответе, несёт существенно больше информации и позволяет лучше выучить распределение. Вот так и разговор с DHH -- лучше глубже понять, как мыслит этот человек, он крутой. Его одержимость качеством и достижением невероятных результатов очень хороша и заразительна. Будь как DHH! https://youtu.be/NYFGCESmikA?si=TqugdxoM-g7N9MDV
3 186
19
没有文字...
3 037
20
没有文字...
3 129