Сергей Марков: машинное обучение, искусство и шитпостинг
前往频道在 Telegram
Машинное обучение, искусственный интеллект, искусство, мемасы, всякое личное и странноэ
显示更多📈 Telegram 频道 Сергей Марков: машинное обучение, искусство и шитпостинг 的分析概览
频道 Сергей Марков: машинное обучение, искусство и шитпостинг (@oulenspiegel_channel) 俄语 语言赛道中的 是活跃参与者。目前社区聚集了 11 094 名订阅者，在 技术与应用 类别中位列第 10 912，并在 俄罗斯 地区排名第 57 970 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 11 094 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 158，过去 24 小时变化为 -1，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 31.01%。内容发布后 24 小时内通常能获得 14.27% 的反应，占订阅者总量。
- 帖子覆盖： 每篇帖子平均可获得 3 440 次浏览，首日通常累积 1 583 次浏览。
- 互动与反馈： 受众积极参与，单帖平均反应数为 63。
- 主题关注点： 内容集中在 gigachat, aij, gigaam, github, llm 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：
“Машинное обучение, искусственный интеллект, искусство, мемасы, всякое личное и странноэ”
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。
11 094
订阅者
-124 小时
+167 天
+15830 天
数据加载中...
吸引订阅者
八月 '26
八月 '26
+177
在9个频道中
七月 '26
+214
在6个频道中
Get PRO
六月 '26
+168
在3个频道中
Get PRO
五月 '26
+209
在4个频道中
Get PRO
四月 '26
+215
在9个频道中
Get PRO
三月 '26
+160
在9个频道中
Get PRO
二月 '26
+163
在1个频道中
Get PRO
一月 '26
+149
在5个频道中
Get PRO
十二月 '25
+149
在6个频道中
Get PRO
十一月 '25
+253
在4个频道中
Get PRO
十月 '25
+212
在4个频道中
Get PRO
九月 '25
+318
在11个频道中
Get PRO
八月 '25
+342
在11个频道中
Get PRO
七月 '25
+692
在7个频道中
Get PRO
六月 '25
+406
在18个频道中
Get PRO
五月 '25
+275
在19个频道中
Get PRO
四月 '25
+339
在6个频道中
Get PRO
三月 '25
+454
在21个频道中
Get PRO
二月 '25
+896
在18个频道中
Get PRO
一月 '25
+1 693
在24个频道中
Get PRO
十二月 '24
+393
在6个频道中
Get PRO
十一月 '24
+300
在5个频道中
Get PRO
十月 '24
+178
在5个频道中
Get PRO
九月 '24
+112
在6个频道中
Get PRO
八月 '24
+161
在9个频道中
Get PRO
七月 '24
+239
在9个频道中
Get PRO
六月 '24
+1 052
在33个频道中
Get PRO
五月 '24
+1 016
在11个频道中
Get PRO
四月 '24
+169
在7个频道中
Get PRO
三月 '24
+175
在4个频道中
Get PRO
二月 '24
+273
在5个频道中
Get PRO
一月 '24
+300
在3个频道中
Get PRO
十二月 '23
+34 922
在7个频道中
Get PRO
十一月 '23
+129
在4个频道中
Get PRO
十月 '23
+316
在7个频道中
Get PRO
九月 '23
+120
在0个频道中
Get PRO
八月 '23
+199
在0个频道中
Get PRO
七月 '23
+146
在0个频道中
Get PRO
六月 '23
+203
在0个频道中
Get PRO
五月 '23
+217
在0个频道中
Get PRO
四月 '23
+346
在0个频道中
Get PRO
三月 '23
+178
在0个频道中
Get PRO
二月 '23
+52
在0个频道中
Get PRO
一月 '23
+59
在0个频道中
Get PRO
十二月 '22
+97
在0个频道中
Get PRO
十一月 '22
+83
在0个频道中
Get PRO
十月 '22
+48
在0个频道中
Get PRO
九月 '22
+63
在0个频道中
Get PRO
八月 '22
+147
在0个频道中
Get PRO
七月 '22
+44
在0个频道中
Get PRO
六月 '22
+344
在0个频道中
| 日期 | 订阅者增长 | 提及 | 频道 | |
| 26 八月 | 0 | |||
| 25 八月 | +5 | |||
| 24 八月 | +5 | |||
| 23 八月 | +4 | |||
| 22 八月 | +2 | |||
| 21 八月 | +4 | |||
| 20 八月 | +8 | |||
| 19 八月 | +14 | |||
| 18 八月 | +10 | |||
| 17 八月 | +8 | |||
| 16 八月 | +6 | |||
| 15 八月 | +4 | |||
| 14 八月 | +4 | |||
| 13 八月 | +13 | |||
| 12 八月 | +1 | |||
| 11 八月 | +6 | |||
| 10 八月 | +8 | |||
| 09 八月 | +2 | |||
| 08 八月 | +5 | |||
| 07 八月 | +5 | |||
| 06 八月 | +7 | |||
| 05 八月 | +12 | |||
| 04 八月 | +12 | |||
| 03 八月 | +13 | |||
| 02 八月 | +8 | |||
| 01 八月 | +11 |
频道帖子
Repost from Sber AI
🔍 ЛУЧШЕ ИИ ИЩЕТ ТОЛЬКО ЛУЧШИЙ ИИ
Мы привыкли искать информацию в чатах с ИИ, но качество нейропоиска всё ещё оставляет желать лучшего. Поэтому учёные и разрабатывают эмбеддинги — способы преобразования для семантического поиска и RAG-систем. А вот и один из них 🤩
GigaEmbeddings — новое поколение ИИ-моделей, которые превращают текст в числовые векторы и помогают ИИ находить информацию не по совпадению слов, а по смыслуЧем лучше модель понимает смысл текста, тем точнее находит нужную информацию, тем ниже риск галлюцинаций у ассистентов и чат-ботов. Это особенно критично там, где цена ошибки высока: в поддержке клиентов, работе с юридическими и финансовыми документами и внутренними базами знаний. 🤖 В обновлённой линейке — три модели:
🤩 10B-A1.8B — лидер рейтинга ruMTEB
🤩 3B — лучший прирост качества и способности обработки кода на 14,5 пункта
🤩 480M — лидер среди моделей на русском языке до 500M параметровПолные результаты тестирования доступны в открытом рейтинге ↖️ 🤖 Что изменили внутри?
🤩 Объём данных для обучения вырос в несколько раз. Основной прирост качества дали открытые датасеты, в том числе Nemotron, F2LLM и KALM
🤩 Архитектуру упростили и добавили поддержку стандартных открытых инструментов вроде vLLM и SGLang — за счёт этого выросла и скорость инференса: 3B стала быстрее в 1,6 раза, а 10B-A1.8B — в 2 раза
🤩 Баланс языков сохранили за счёт мержинга экспертов на всех этапах обучения: удалось не потерять качество на русском при усилении английского и кода.Модели бесплатно доступны разработчикам и бизнесу под открытой MIT-лицензией: HF: 480M 3B 10B-A1.8B Gitverse: 480M 3B 10B-A1.8B Подробности читайте в посте команды ↖️ ✔️ Подписывайтесь на Sber AI в МАКС
| 2 |  Ход чёрных
Я в трёхминутом блице поднял, но это, конечно, повезло просто | 1 777 |
| 3 | https://github.com/ai-forever/STARM
Народ, а поставьте STARM'у звёздочек, пожалуйста, если у вас есть акк на гитхабе | 1 920 |
| 4 |  +2Для судоку, без кода и солверов из браузера решить не может | 3 427 |
| 5 |  +2GPT 5.6 Sol и поиск пути в лабиринте. Большой топовой модели даже в режиме ризонинга найти решение не под силу. А STARM справляется с этим, причём всё решение e2e находит нейронка, без генерации кода и сложных харнесов.
Первая картинка — задача, вторая — решение STARM, третья — решение от ChatGPT | 3 032 |
| 6 |  Если вы любите принципиально новые нейросетевые архитектуры, то у меня для вас хорошая новость.
Я, тскзть, прнс
STARM: фреймворк построения специализированных рекурсивных рассуждающих моделей.
Когда такие модели востребованы? Уже сегодня это хорошо работает для решения любых тьюринг-полных задач с формальной постановкой. То, что обычные декодерные трансформеры обычно могут плохо даже в режиме ризонинга.
Зачем это нужно? Чтобы модель решала задачи сложнее, её обычно делают больше: больше параметров, больше данных, дольше обучение. Рекурсивные же модели идут другим путём — крошечная сеть десятки раз возвращается к собственному черновику ответа и переписывает его, пока решение не сойдётся. Не «знать больше», а «думать дольше». В итоге модель на 13M параметров решает задачи, на которых ошибаются LLM в тысячи раз крупнее, и запускается на одной видеокарте или даже CPU.
Чем это отличается от других специальных солверов? В сравнении с специальными алгоритмами-солверами рекурсивные модели в разы более универсальны и относительно легко переносятся на других типы алгоритмических задач.
Как и где такие модели можно использовать? Как внешний инструмент-солвер для агентных систем или как примитив в составе системы-оркестра моделей.
Что мы сделали?
1) Нашли лучшую архитектуру и получили SOTA-результат. Сформировали оптимальный рецепт обучения, дающий максимальный прирост относительно оригинальных архитектур HRM, TRM и URM и методов их обучения.
2) Стабилизировали рекурсивные модели. Адресовали основную проблему таких архитектур и доработали фреймворк для воспроизводимого и стабильного обучения.
3) Расширили набор доменов. Добавили новые, более сложные классы алгоритмических задач, позволяющие проверить обобщаемость.
4) Сравнили полученные модели со специализированными трансформерами, обученными под задачу, open-source LLM и моделями аналогичного семейства.
5) Протестировали способности моделей к test-time scaling и обучили единую архитектуру для всех задач.
Ссылки:
Хабр: https://habr.com/ru/companies/sberbank/articles/1069794/
Github: https://github.com/ai-forever/STARM | 3 245 |
| 7 | Часто грущу от того, что нашей с коллегами последней статьей Unveiling Intrinsic Dimension of Texts: from Academic Abstract to Creative Story никто не интересуется и не цитирует... 💢
Напомню, что статья посвящена анализу внутренней размерности активаций LLM и её связи с различными свойствами текста, который подали на вход модели. Более подробное разъяснение статьи можно найти здесь, посмотреть видос про то, что такое в принципе внутренняя размерность (от 3blue1brown) - тут; ещё более подробное разъяснение популярных способов оценить внутреннюю размерность облака точек можно прочитать здесь.
Так вот, вместо этой новой статьи, которая связывает внутреннюю размерность активаций на тестах с лексическим разнообразием и сжимаемостью этих текстов алгоритмом gzip и энтропией (что, на мой взгляд, очень интересно, так как связывает внутреннюю размерность со сжатием представлений в LLM, а, как говорит 3blue1brown, compression is intelligence), челики почему-то цитируют нашу старую статью про детекцию сгенерированных текстов с помощью внутренней размерности, хотя мы же и показали в более поздней статье, что для новых моделей GPT этот метод уже не работает.
Скорее всего, это происходит от того, что старая статья была опубликована на NeurIPS, а новая, на мой взгляд, более актуальная, интересная и вносящая больший вклад в область interpretability of LLM - на EACL - то есть, на конференции поменбше и статусом пониже, где эта область вообще почти не представлена, так что мало кто будет ожидать найти в материалах конференции такие работы...
Я писала про эту работу в дискорде Neel Nanda, но там никто ею не заинтересовался, так как все только рекламируют свои работы, но не читают чужие... В общем, уже и не знаю, что сделать, чтобы на данную работу обратили внимание 🤔🤔🤔
Помогите советом кто сможет 🥺 | 2 530 |
| 8 |  没有文字... | 3 085 |
| 9 |  Сегодня 100 лет Фиделю | 3 718 |
| 10 | “Нейросеть захотела жить и начала шантажировать создателей” – заголовки такого сорта в последнее время выходят с завидной регулярностью. Мой новый гость в подкасте “Визионеры” реагирует на них пожатием плеч.
Сергей Марков – директор по развитию технологий ИИ Сбербанка, архитектор GigaChat и автор главной русскоязычной монографии об ИИ “Охота на электроовец”. Пожалуй, самый невозмутимый технооптимист из всех, с кем я обсуждал эту тему.
Из разговора вы узнаете:
– почему бунт машин – неудачный кандидат на роль главного страха и в чём настоящая угроза
– что значит фраза “апокалипсис дешевеет” и при чём здесь обезьяна с красной кнопкой
– почему в Китае двадцать языковых моделей, а в России – полторы
…и многое другое.
Запись уже доступна на YouTube-канале “Визионеров”. Смотрите и решайте, на чьей вы стороне – алармистов или технооптимистов. | 3 788 |
| 11 | https://habr.com/ru/companies/airi/articles/1066880/
Наша совместная работа с AIRI по текстовым диффузионкам | 3 930 |
| 12 |  🚀 AI R&D DAY — 17 сентября, Москва
3️⃣ Мы собираемся третий год подряд!
Ждём не только исследователей и инженеров, но и тех, кто переводит смелые идеи в реальные продукты: R&D-специалистов, AI-архитекторов, продактов и техлидов, отвечающих за внедрение технологий следующего поколения.
Наша R&D-команда поделится результатами флагманского проекта NextGenAI и расскажет о продуктах и технологических треках, над которыми мы работаем для развития ИИ следующего поколения. Также на конференции будут доклады, постеры и демо-стенды от наших коллег из Kandisnky, Physical AI, AIRI, Giga и других.
🔬 О чём:
— альтернативные архитектуры
— процессы обучения, инструменты и агенты
— омнимодальная долгосрочная память и ризонинг
— модальности и коммуникации
— бенчмаркинг, стандарты качества и производительности AI
🎯 Что вас ждёт:
— 22 доклада на двух сценах от ведущих специалистов
— живое общение с коллегами и экспертами
— интерактивные зоны, которые сделают день по-настоящему запоминающимся
Это шанс из первых уст узнать, над какими технологиями работают исследовательские команды Сбера сегодня, обсудить идеи и даже стать частью нашей команды! 💚
📍 Где: Москва (очно или онлайн)
⏰ Когда: 17 сентября
🎁 Цена: Участие бесплатное
Количество мест ограничено! 😉
Регистрация: https://airndday.ontico.ru/
#rndml #conference @rndml_team | 3 322 |
| 13 | Приходите к нам на конфу | 2 889 |
| 14 |  没有文字... | 3 991 |
| 15 |  Я, когда меня спрашивают про ИИ | 3 639 |
| 16 |  Я сегодня в каске) Если вы тоже в Коломенском, заглядывайте) | 3 331 |
| 17 |  没有文字... | 3 609 |
| 18 |  没有文字... | 3 842 |
| 19 | 🚀 Открыт набор на онлайн-магистратуру по ML и AI от МФТИ и girafe.ai
Начинаем приём заявок на новый поток программы, которая уже шесть лет готовит специалистов в области машинного обучения, Data Science и искусственного интеллекта.
Если вы хотите развиваться в AI, работать с современными ML-моделями, создавать интеллектуальные системы и решать реальные исследовательские и бизнес-задачи — будем рады видеть вас среди студентов программы MSAI.
Почему выбирают MSAI?
🔹 Совместный проект МФТИ и команды girafe.ai — авторов одного из самых популярных открытых курсов по машинному обучению на GitHub
🔹 Фундаментальная подготовка — от базовой математики и алгоритмов к пониманию машинного обучения и использованию современных AI систем
🔹 Онлайн-формат — удобно совмещать с работой
🔹 Государственный диплом МФТИ — одного из ведущих технических вузов России
🔹 Преподаватели из МФТИ, ШАД, МГУ и ведущих технологических компаний
🔹 Небольшая группа — тесное взаимодействие между студентами и преподавателями
🔹 Обучение на английском языке — работа напрямую с актуальными исследованиями, документацией и международной профессиональной AI-средой
При этом все занятия также доступны на русском языке и сохраняются в записи даже после окончания программы.
🎓 Выпускники программы работают в ведущих IT-компаниях, исследовательских лабораториях и продолжают обучение на международных PhD-программах.
📅 Старт обучения — сентябрь 2026 года
⏳ Срок обучения — 2 года
Количество мест ограничено.
Подробнее о программе и поступлении: 👉 girafe.ai/msai-program
Также приглашаем вас в Telegram-чат для абитуриентов, где можно задать вопросы о поступлении и обучении.
Будем рады видеть вас среди студентов нового потока 🤝 | 3 347 |
| 20 |  А ещё мы сняли ролик для популяризации CADENA | 3 104 |
