563
订阅者
+124 小时
+27 天
+1230 天
正在加载数据
吸引订阅者
十一月 '2611月 '26
十一月 '26
+3
在0个频道中
十月 '26
+167
在2个频道中
Get PRO
九月 '260
在1个频道中
Get PRO
八月 '260
在0个频道中
Get PRO
七月 '260
在2个频道中
Get PRO
六月 '260
在0个频道中
Get PRO
五月 '260
在3个频道中
Get PRO
四月 '260
在1个频道中
Get PRO
三月 '260
在2个频道中
Get PRO
二月 '260
在4个频道中
Get PRO
一月 '260
在3个频道中
Get PRO
十二月 '250
在4个频道中
Get PRO
十一月 '250
在3个频道中
Get PRO
十月 '250
在1个频道中
Get PRO
九月 '250
在0个频道中
Get PRO
八月 '250
在0个频道中
Get PRO
七月 '25
+9
在1个频道中
Get PRO
六月 '25
+14
在1个频道中
Get PRO
五月 '25
+21
在2个频道中
Get PRO
四月 '25
+15
在1个频道中
Get PRO
三月 '25
+10
在1个频道中
Get PRO
二月 '25
+18
在3个频道中
Get PRO
一月 '25
+36
在1个频道中
Get PRO
十二月 '24
+28
在7个频道中
Get PRO
十一月 '24
+33
在8个频道中
Get PRO
十月 '24
+40
在4个频道中
Get PRO
九月 '24
+34
在15个频道中
Get PRO
八月 '24
+22
在10个频道中
Get PRO
七月 '24
+66
在4个频道中
Get PRO
六月 '240
在6个频道中
Get PRO
五月 '240
在1个频道中
Get PRO
四月 '240
在0个频道中
Get PRO
三月 '240
在1个频道中
Get PRO
二月 '24
+6
在1个频道中
Get PRO
一月 '24
+14
在0个频道中
Get PRO
十二月 '23
+136
在0个频道中
| 日期 | 订阅者增长 | 提及 | 频道 | |
| 05 十一月 | +1 | |||
| 04 十一月 | +1 | |||
| 03 十一月 | +1 | |||
| 02 十一月 | 0 | |||
| 01 十一月 | 0 |
频道帖子
| 2 |  +2https://arxiv.org/abs/2610.39302 | 233 |
| 3 | https://rikiyat.github.io/blog/weight-space-programming/ | 213 |
| 4 | https://terrytao.wordpress.com/2026/11/01/mathematics-has-changed-lets-act-like-it/ | 227 |
| 5 |  https://www.nature.com/articles/s41562-025-02387-z | 452 |
| 6 | https://dreamlabs.ai/research/dream-1/ | 350 |
| 7 | https://autolith.rocks/ | 690 |
| 8 | www.anthropic.com/research/formal-verification via @itpgchannel | 298 |
| 9 |  https://philarchive.org/archive/CHATMC-9 | 352 |
| 10 | https://philarchive.org/archive/CHATMC-9 | 1 |
| 11 | https://arxiv.org/abs/2610.27251 | 673 |
| 12 | Announcements - NixOS Discourse: Nix Community Survey 2026 | 35 |
| 13 | 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 | 459 |
| 14 | https://arxiv.org/abs/math/0404188 | 446 |
| 15 | https://www.apolloresearch.ai/science/update-aware-reasoning-glm-5-3 | 473 |
| 16 | https://academy.dair.ai/papers/hybrid-reasoning-agents-2610.18861
"thinking without words" for llms | 435 |
| 17 | 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 | 391 |
| 18 | http://dx.doi.org/10.1038/d41586-026-03181-1 | 354 |
| 19 |  https://arxiv.org/abs/2610.16733
near-perfect accuracy of 98% at an average cost under USD 3 per problem | 310 |
| 20 | 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 | 428 |
