Data, Stories and Languages
前往频道在 Telegram
Канал о ML/AI, изучении иностранных языков, книгах и жизни. Контакт с автором https://t.me/Erlemar Персональный сайт: https://andlukyane.com/ Рекламу не публикую Забустить канал можно тут: https://t.me/boost/datastorieslanguages
显示更多3 855
订阅者
+224 小时
-27 天
+3630 天
正在加载数据
吸引订阅者
十一月 '2611月 '26
十一月 '26
+5
在0个频道中
十月 '26
+92
在1个频道中
Get PRO
九月 '26
+268
在8个频道中
Get PRO
八月 '26
+216
在6个频道中
Get PRO
七月 '26
+168
在4个频道中
Get PRO
六月 '26
+109
在1个频道中
Get PRO
五月 '26
+71
在2个频道中
Get PRO
四月 '26
+68
在1个频道中
Get PRO
三月 '26
+51
在2个频道中
Get PRO
二月 '26
+215
在6个频道中
Get PRO
一月 '26
+37
在1个频道中
Get PRO
十二月 '25
+36
在4个频道中
Get PRO
十一月 '25
+205
在5个频道中
Get PRO
十月 '25
+50
在3个频道中
Get PRO
九月 '25
+95
在11个频道中
Get PRO
八月 '25
+149
在7个频道中
Get PRO
七月 '25
+149
在2个频道中
Get PRO
六月 '25
+113
在3个频道中
Get PRO
五月 '25
+77
在4个频道中
Get PRO
四月 '25
+86
在5个频道中
Get PRO
三月 '25
+162
在3个频道中
Get PRO
二月 '25
+68
在1个频道中
Get PRO
一月 '25
+104
在0个频道中
Get PRO
十二月 '24
+346
在2个频道中
Get PRO
十一月 '24
+55
在1个频道中
Get PRO
十月 '24
+58
在1个频道中
Get PRO
九月 '24
+44
在2个频道中
Get PRO
八月 '24
+201
在6个频道中
Get PRO
七月 '24
+811
在1个频道中
Get PRO
六月 '24
+72
在9个频道中
Get PRO
五月 '24
+214
在5个频道中
Get PRO
四月 '24
+89
在4个频道中
Get PRO
三月 '24
+41
在1个频道中
Get PRO
二月 '24
+86
在2个频道中
Get PRO
一月 '24
+58
在0个频道中
Get PRO
十二月 '23
+379
在0个频道中
| 日期 | 订阅者增长 | 提及 | 频道 | |
| 02 十一月 | +3 | |||
| 01 十一月 | +2 |
频道帖子
Лайфхак для Audible
Это даже в чём-то про ML.
А вы знаете, что если незадолго перед продлением подписки Audible вы попробуете её отменить, Audible вам предложит большую скидку?
Я это использую уже во второй или в третий раз вподряд Наверное их модель решила, что это отличный способ удержать уходящих. Я не жалуюсь :)
Я очень рад, что ML-щики амазона не научили модель блефовать.
А то было бы так:
Я: А давай-ка я отменю подписку Audible в надежде на скидку
Amazon AI: Ага, конечно. Ты ж просто скидку хочешь. Ну давай, отмени раз такой смелый.
Я: ... Ладно, держи мои деньги.
#life
| 2 | Kaggle TPU и... local models
Если вы используете kaggle tpu для чего-либо, возможно вы заметили, что в последние недели очереди на TPU стали безумными. В последние несколько недели запущенный ноутбук может ждать своей очереди 1-2 дня (!).
Кажется я нашёл причину:
https://www.reddit.com/r/ZaiGLM/comments/1wh7t27/glm53flash_320b_moe_running_on_kaggles_free_tpu/
https://www.kaggle.com/code/rahim3/glm-5-3-flash-on-a-free-kaggle-tpu-64-tok-s-api
Кто-то придумал использовать Kaggle TPU для... сервинга glm-5.3. Остаётся надеяться, что такое забанят, ибо прям невозможно запускать тренировку/инференс.
Вспоминается как когда-то давно Chris Deotte абьюзил систему и запускал сотни-тысячи ноутбуков на GPU и после этого были введены первые лимиты на GPU.
#kaggle #ai | 818 |
| 3 | DevFest Essex 2026: The Agentic Era-Build. Secure. Scale. Grow
https://gdg.community.dev/events/details/google-gdg-essex-presents-devfest-essex-2026-the-agentic-era/?code=save10
📅 Date: Friday, 27 November 2026
🕙 Time: 09:30 AM – 4:00 PM GMT
В ноябре я буду выступать на DevFest Essex 2026 (от Google Developer Experts)! | 696 |
| 4 | Jeva: Rethinking System One Models from First Principles
Недавно TypeSafe опубликовали пост о Jev, но так и не поделились деталями архитектуры. Но уже появились статьи развивающие идею и я попробовал почитать Jeva.
Jev возвращает typed decisions напрямую, без рассуждений. Авторы Jeva считают, что такой дизайн пока не очень хорошо работает и формулируют четыре требования, которым подобные модели должны следовать:
- отличать "ничего не подходит" от "непонятно, что подходит"
- не зависеть от порядка вариантов
- масштабироваться на большие наборы вариантов
- переиспользовать вычисления для повторяющихся вариантов вроде реестра tools
Jeva закладывает их прямо в архитектуру:
- Независимое кодирование: общий бэкбон Qwen3.5-4B отдельно кодирует запрос и каждый вариант, как bi-encoder, поэтому векторы вариантов можно закэшировать.
- Decision block: состояние запроса делает cross-attention к векторам вариантов, и обновляется только оно, а скор варианта считается как dot product с обновлённым состоянием.
- Coverage gate: отдельная оценка того, подходит ли хоть один вариант, тогда как softmax отвечает только на вопрос, какой именно.
В результате показывают хорошие метрики: sota по 7/8 бенчмарков, null detection 98.66% AUROC против 93.61% у Kev-4B. И при перестановках вариантов предсказание стабильное, в то время как даже самый стабильный бейзлайн, Jev-1.13.0, меняет ответ в 17% случаев.
Paper
Code
Project
Мои обзоры:
Блог
Medium
#paperreview | 847 |
| 5 | Рекомендую канал
Хочу порекомендовать вам "Мысли Рвачева" (@rvnikita_blog) - канал Никиты Рвачева про AI на практике: как он сам работает с Claude Code и агентами, что нового у Anthropic и других лабораторий и как устроена экономика AI.
Никита много экспериментирует с агентами сам: от автоматизации некоммерческой детской студии в Нью-Йорке, где он сооснователь, до бытовых задач вроде отправки бумажного письма в банк. Поэтому посты получаются конкретными, с рабочими приёмами и честными историями о том, где агент ошибся.
Ещё Никита ведёт Lecture Club: участники неделю смотрят лекции открытого университетского курса, а потом час обсуждают их на созвоне. Весной разбирали стэнфордский Economics of the AI Supercycle (датацентры, энергия, кто зарабатывает на AI), сейчас идёт Princeton Introduction to Robotics: motion planning, SLAM, imitation learning, VLA-модели. Записи созвонов и саммари обсуждений выходят в канале.
Посты, которые мне зашли:
- Лучшие строчки в CLAUDE.md - правило, по которому каждый ответ агента заканчивается action-блоком: что агенту обязательно нужно от тебя, а что можно сделать по желанию.
- Ассистент сам добился, чтобы Никиту пустили на хакатон: Telegram-бот поверх Claude Code нашёл организаторов, обошёл два платных ограничения, и через час пришло подтверждение регистрации.
- Context engineering: почему не стоит закидывать в контекст всё подряд и зачем саб-агентам возвращать оркестратору только выжимку.
- Разбор S-1 Anthropic: выручка, убытки, расходы на compute и необычная для публичной компании структура управления
- AI и выгорание: производительность выросла, но вместе с ней и нагрузка. Когда ведёшь 8-12 задач параллельно, к концу дня мозг кипит.
Если вам интересно, как агенты справляются с реальными задачами, загляните: @rvnikita_blog | 855 |
| 6 | In the first episode of Beyond the Leaderboard, three Orbit Wars competitors weigh scale against clever engineering:
• Isaiah Pressman (https://www.linkedin.com/in/isaiah-pressman-b4b431221/) previously finished 2nd in a competition on his home PC, behind a team running 8 H100s. This time, he won on a cluster, betting that reinforcement learning almost always improves with more compute.
• Simon Jégou (https://www.linkedin.com/in/simon-jegou/) competed with about an eighth of the winner's compute. He tried three approaches before landing on his 2nd-place solution.
• Gerardo Nahuel Del Toro (https://www.linkedin.com/in/gerardo-del-toro/) reached the top 2% on a single GPU and says massive hardware brings its own problems.
Kaggle's Addison Howard hosts the full episode here: https://youtu.be/udrXyYygddo
#kaggle | 867 |
| 7 | Beyond LLMs: The Next Frontier of AI — Sahir Maharaj
Я получил от Packt очередную книгу на ревью. Она про то, что строится вокруг языковой модели в production-системе: явное состояние, память, агенты с ограниченными правами, детерминированные правила, evaluation и контроль стоимости. Основной тезис: большинство сбоев в production - архитектурные. Есть end-to-end пример: SupportOps AI (ассистент службы поддержки), который вырастает от одного вызова модели в первой главе до multi-agent системы со слоем правил в конце.
Из интересного: книга постоянно возвращается к вопросу, относится ли задача к языку или к логике и состоянию. Понять, что имеет в виду клиент - это про язык, а проверить, есть ли у него просрочка, или посчитать сумму возврата - про логику: "The model does the understanding. The code does the deciding." На этом построен паттерн propose-then-constrain: модель предлагает ответ или действие, а детерминированные правила решают, выполнить его, отправить на доработку, заблокировать или передать человеку.
В медицинском чатботе в MTS AI, где я вёл NLP-часть, у нас было такое разделение задолго до LLM: модели извлекали симптомы и их атрибуты, а бот задавал шаблонные вопросы, пока все слоты не были заполнены. Классификация у нас была на TF-IDF с логрегом, и книга тоже пишет, что для узкой классификации с большим потоком запросов хорошо настроенный логрег часто выигрывает у LLM по стоимости и latency.
Главы про агентов — о том, как ограничить действия модели, и в книге есть хорошая фраза на эту тему: "Prompts can be interpreted around; a state that mechanically hides the tool cannot."
Книга годная.
Amazon
Code
Author
Мои обзоры:
Блог
Medium
#bookreview | 979 |
| 8 | Короткая мысль про Kaggle
Сегодня у меня была очень ироничная ситуация.
Вначале мне в LinkedIn пишет незнакомый человек:
"I'm moving from leading AI education ... into applied ML and AI product work, so your path into Careem and Meta really caught my eye. Can I ask what you think got you hired? Was it mainly your Kaggle record, or were there particular projects that helped you stand out?"
Я хотел было ему ответить, мол Kaggle - это хорошо, но в наше время в больших компаниях он мало значит.
И вдруг, буквально через пару часов, вижу, что мне кто-то написал в личку на работе. Смотрю - а это advisor моего текущего проекта (IC7 ~principal) написал мне "btw Andrey... just saw that you are a kaggle grandmaster. Cool!"
Теперь я не могу сказать, что Kaggle мало полезен в бигтехе.
#kaggle #career | 1 368 |
| 9 | Bioware закрылась
Пост не про AI, а про игры. Bioware закрывается. Увы, в последние годы компания скатилась - в это виню EA.
Я пропустил эпоху Baldur's Gate, но запоем играл в NWN - это была моя самая первая компьютерная игра. В то время у меня только появился первый компьютер, и он был таким слабым, что NWN регулярно лагала и вылетала. Но я всё равно прошёл её много (наверное 3-5 раз первую часть и основные expansions).
А потом появился Dragon Age Origin. Я уже не помню сколько раз я её проходил, но точно попробовал все origins и все основные выборы. В ней прям ощущался дух mythical, whimsical. И наверное она была самой grimdark в серии, с возможностью делать реально злые/трешовые поступки. Драконы были действительно эпичными врагами (а не просто мини-боссами как в следующих играх).
Dragon Age Inquisition страдал от механик multiplayer, но всё равно был годной игрой.
Ушла эпоха. | 1 627 |
| 10 | GPT-Live-1.1
Новости из openai discord | 2 052 |
| 11 | Kaggle redesign
Сегодня внезапно узнал, что Каггл получил редизайн.
Сразу ворчать не буду, ибо, как известно, люди часто негативно относятся к изменениям. Но жаль, что медальки теперь - просто кружки с градиентами
#kaggle | 2 036 |
| 12 | 没有文字... | 1 592 |
| 13 | О пользе LLM для изучения языков
Просто хочу поделиться тем, что в наше время можно очень удобно использовать LLM даже в режиме чатика.
Учу японскую грамматику, продвинутая даётся тяжело, нередко делаю ошибки. Тогда я просто попросил ChatGPT сделать интерактивные упражнения - и буквально за минуту он всё сделал. Очень удобно
#ai | 1 584 |
| 14 |  Amazon AI создаёт summary о вас. Это работает ужасно
Люди заметили новую фичу на Amazon.
Откройте https://www.amazon.com/slc/hub, проскролльте вниз и нажмите "Manage your information" - вы увидите, что Amazon знает о вас.
Там часть информации адекватна, часть бесполезна, часть безумна.
Я плачу | 2 134 |
| 15 | GPT‑6 and Intelligent UI for everyone
https://openai.com/index/gpt-6-for-everyone/
OpenAI выкатили новый UI - интерактивное, мол удобнее для исследований, поиска информации и вообще для всего.
Выглядит любопытно | 1 887 |
| 16 | ML Roadmap 2026
A machine learning roadmap for beginners in 2026
Те кто застали ODS, возможно помнят как в далёком 2018 году я выкладывал roadmap - он был довольно популярен.
Но с тех пор утекло много времени, частично он устарел. Я давно хотел написать новую версию, но прокрастинировал. Наконец, после моего недавнего доклада для пакистанских студентов, я собрался с силами и закончил блогпост.
В нём рассказываю что стоит изучать, как развивать навыки, как готовиться к собеседованиям, как использовать AI с пользой и так далее.
Medium
#career #datascience | 2 269 |
| 17 | NVIDIA Kumo Tabular
https://huggingface.co/blog/nvidia/kumo-tabular
NVIDIA выпустила новую либу для табличных данных. Тренировали исключительно на синтетических данных.
Уверяют, что модель лучше всех конкурентов на TabArena leaderboard. Правда на официальном лидерборде этой модели нет.
Верим в успех?
#datascience #ai | 2 382 |
| 18 | Kaggle: я свободен!
Разбанили! И я был ни в чём не виновен :)
"After reviewing the information and other materials submitted in your appeal, we have decided to reverse our prior decision, and have taken action to reinstate your content and/or account on our platform.
This restriction was in response to recent unauthorized activity on your account, which was a result of unauthorized third-party access rather than deliberate policy violations on your part."
#kaggle | 2 176 |
| 19 | Меня тут это... на Kaggle забанили
говорят, что за автоматизацию
Единственная причина о которой я подозреваю - клод засабмитил ноутбук на тпу и проверял его статус раз в час или раз в полчаса
Подал appeal, жду
#kaggle | 2 235 |
| 20 |  +3🌸AI Research Preference Model🌸
#nlp #про_nlp #nlp_papers
Сегодня опять про скаффолды для агентов. Мы уже говорили про то, хорошая ли идея применить сверху preference models для оценки потенциала идей (спойлер: нет). А что, если попробовать обучить такую preference-модель не на вкусовщине (новизна идеи, "вкус", интуиция и т.д.), а на верифицируемом сигнале? Про это наша новая статья — “AI Research Preference Models”.
🌸TL;DR
Главная проблема: AI-агент может быстро придумать множество вариантов эксперимента, но полноценный запуск каждого варианта — обучение модели и оценка результата — требует часов работы GPU. Поэтому критически важно заранее понять, какие идеи действительно стоит проверять.
Мы предлагаем Research Preference Model (RPM) — модель, которая сравнивает несколько предложенных решений и выбирает наиболее перспективное до их полного запуска. В идеале, такая модель может выучить паттерны лучших практик МЛ, чтобы использовать эту информацию для попарного сравнения экспериментов, какой будет более перспективным.
Рассматриваются два варианта:
Inference-only RPM анализирует планы, код и результаты предыдущих экспериментов только при помощи рассуждений LLM.
Agentic RPM дополнительно проводит дешёвые пилотные эксперименты: запускает сокращённое обучение (5 минут, 30 минут, 4 часа), проверяет код и использует полученные метрики для выбора.
🌸Агент
RPM встроена в исследовательского агента AIRA-dojo. На каждом шаге агент генерирует 15 вариантов продолжения, после чего RPM проводит попарное сравнение и отправляет на полноценный запуск только победителя.
🌸Данные
Эксперименты проведены на 20 задачах AIRS-Bench, охватывающих языковое моделирование, математику, биоинформатику и временные ряды. Каждому запуску предоставлялись 24 часа на одной H200 GPU.
🌸Основные результаты
обычный AIRA-dojo: 0,684 среднего нормализованного балла;
с Inference-only RPM: 0,711;
с Agentic RPM: 0,729;
теоретически достижимый результат: 0,748.
Обе RPM достигают результата обычного 24-часового агента примерно за 15 часов, то есть требуют примерно в 1,5 раза меньше вычислений. Кроме того, были получены новые SOTA:
94,1% на WinoGrande против прежнего агентного SOTA 90,4%;
95,7% на SVAMP против опубликованного человеческого SOTA 94,2%.
🌸Главный вывод статьи:
прогресс исследовательских агентов зависит не только от способности генерировать хорошие идеи, но и от умения выбирать, какие идеи заслуживают дорогой экспериментальной проверки. Дополнительные вычисления выгодно тратить не только на генерацию решений, но и на их предварительный отбор, основанный на предсказуемых и верифицируемых сигналах.
Сигнала от мини-версии эксперимента, с первых 5 минут, бывает вполне достаточно!
Проверено на одном скаффолде, но для всех tree-search подходов такой апгрейд должен сработать.
🟣Arxiv https://arxiv.org/abs/2608.13940
🟣Alpharxiv https://www.alphaxiv.org/abs/2608.13940 | 2 262 |
