Анализ данных (Data analysis)

前往频道在 Telegram

Data science, наука о данных. @haarrp - админ РКН: clck.ru/3FmyAp

显示更多

网络:Machinelearning 俄罗斯12 270 技术与应用2 577...

📈 Telegram 频道 Анализ данных (Data analysis) 的分析概览

频道 Анализ данных (Data analysis) (@data_analysis_ml) 俄语语言赛道中的是活跃参与者。目前社区聚集了 50 530 名订阅者，在 技术与应用 类别中位列第 2 577，并在 俄罗斯 地区排名第 12 270 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 50 530 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 133，过去 24 小时变化为 -13，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 11.09%。内容发布后 24 小时内通常能获得 8.65% 的反应，占订阅者总量。
帖子覆盖： 每篇帖子平均可获得 5 603 次浏览，首日通常累积 4 370 次浏览。
互动与反馈： 受众积极参与，单帖平均反应数为 27。
主题关注点： 内容集中在 llm, контекст, openai, архитектура, deepseek 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：
“Data science, наука о данных. @haarrp - админ РКН: clck.ru/3FmyAp”

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。

50 530

订阅者

-1324 小时

+1087 天

+13330 天

5 603

帖子浏览量

~ 4 37024 小时

~ 4 51648 小时

11.09%

参与率

~ 4

每日帖子数

Ads index

beta

数据加载中...

相似频道

Data Science | Machinelearning [ru]

11.5K

Neural Networks | Нейронные сети

3.4K

Data Mining | Анализ данных🚀

更多频道

进出提及

---

吸引订阅者

八月 '26

+468

在53个频道中

七月 '26

+483

在58个频道中

Get PRO

六月 '26

+435

在18个频道中

Get PRO

五月 '26

+361

在20个频道中

Get PRO

四月 '26

+545

在30个频道中

Get PRO

三月 '26

+424

在33个频道中

Get PRO

二月 '26

+5 597

在63个频道中

Get PRO

一月 '26

+2 202

在126个频道中

Get PRO

十二月 '25

+381

在19个频道中

Get PRO

十一月 '25

+637

在27个频道中

Get PRO

十月 '25

+473

在34个频道中

Get PRO

九月 '25

+844

在39个频道中

Get PRO

八月 '25

+498

在30个频道中

Get PRO

七月 '25

+1 004

在91个频道中

Get PRO

六月 '25

+835

在114个频道中

Get PRO

五月 '25

+345

在12个频道中

Get PRO

四月 '25

+485

在38个频道中

Get PRO

三月 '25

+602

在17个频道中

Get PRO

二月 '25

+778

在50个频道中

Get PRO

一月 '25

+792

在50个频道中

Get PRO

十二月 '24

+1 063

在62个频道中

Get PRO

十一月 '24

+1 921

在184个频道中

Get PRO

十月 '24

+2 266

在74个频道中

Get PRO

九月 '24

+1 544

在207个频道中

Get PRO

八月 '24

+1 329

在48个频道中

Get PRO

七月 '24

+1 449

在57个频道中

Get PRO

六月 '24

+2 129

在64个频道中

Get PRO

五月 '24

+1 558

在46个频道中

Get PRO

四月 '24

+1 838

在60个频道中

Get PRO

三月 '24

+1 814

在32个频道中

Get PRO

二月 '24

+1 919

在13个频道中

Get PRO

一月 '24

+2 481

在48个频道中

Get PRO

十二月 '23

+1 305

在41个频道中

Get PRO

十一月 '23

+5 619

在82个频道中

Get PRO

十月 '23

+1 810

在21个频道中

Get PRO

九月 '23

+1 669

在0个频道中

Get PRO

八月 '23

+1 481

在0个频道中

Get PRO

七月 '23

+1 093

在1个频道中

Get PRO

六月 '23

+1 229

在0个频道中

Get PRO

五月 '23

+1 932

在0个频道中

Get PRO

四月 '23

+460

在0个频道中

Get PRO

三月 '23

+643

在0个频道中

Get PRO

二月 '23

+1 030

在0个频道中

Get PRO

一月 '23

+1 205

在0个频道中

Get PRO

十二月 '22

+541

在0个频道中

Get PRO

十一月 '22

+932

在0个频道中

Get PRO

十月 '22

+1 431

在0个频道中

Get PRO

九月 '22

+1 017

在0个频道中

Get PRO

八月 '22

+1 141

在0个频道中

Get PRO

七月 '22

+3 205

在0个频道中

Get PRO

六月 '22

+6 354

在0个频道中

日期	订阅者增长	提及	频道
26 八月	+16
25 八月	+8
24 八月	+18
23 八月	+14
22 八月	+41
21 八月	+28
20 八月	+43
19 八月	+35
18 八月	+29
17 八月	+13
16 八月	+18
15 八月	+16
14 八月	+31
13 八月	+8
12 八月	+3
11 八月	+10
10 八月	+11
09 八月	+11
08 八月	+6
07 八月	+13
06 八月	+13
05 八月	+5
04 八月	+12
03 八月	+14
02 八月	+9
01 八月	+43

频道帖子

🔥 Qwen3.8-Flash выглядит очень сильно * 125B MoE-параметров, но активны только 6B * SWE-bench Pro: 62.5 против 53.4 у Opus 4.6 Max * ранний превью архитектуры Qwen4 * обучение обошлось примерно в 9 раз дешевле, чем у Qwen3.7-Plus Получается очень агрессивное сочетание цены, скорости и качества, особенно для coding-задач. - Blog: https://qwen.ai/blog?id=qwen3.8-flash-next - Technical Report: https://github.com/QwenLM/Qwen3.8-Flash-Next/blob/main/tech_report.pdf - Hugging Face: https://huggingface.co/Qwen/Qwen3.8-Flash-Next?spm=a2ty_o06.30285417.0.0.1d73c921FsyOPe&file=Qwen3.8-Flash-Next - ModelScope: https://modelscope.cn/models/Qwen/Qwen3.8-Flash-Next?spm=a2ty_o06.30285417.0.0.1d73c921XAP2dV&file=Qwen3.8-Flash-Next

2	Мастер	1 837
3	🔥 OX Alpha - это новая GLM Bloomberg подтвердил: OX Alpha действительно относится к новой линейке GLM. Ещё интереснее - веса модели обещают выложить уже сегодня. Получается, все «инсайды» о том, что OX Alpha якобы не имеет отношения к новой GLM, оказались мимо. Ждём релиз весов - после этого модель можно будет нормально разобрать уже без догадок. https://x.com/business/status/2092541346724679687	3 128
4	+1 🔥 DeepSeek резко нарастила выручку По данным The Information, к июлю 2026 года выручка DeepSeek достигла $70 млн - примерно в 10 раз больше, чем за весь 2025 год. Ещё несколько цифр: * валовая маржа API - 82,9% * компания ищет около 50 млрд юаней во втором раунде * обсуждаемая оценка - 500 млрд юаней, примерно $74 млрд Рост связывают с низкой стоимостью инференса и эффективной AI-инфраструктурой, которая позволяет держать цены на модели ниже многих конкурентов. https://www.theinformation.com/articles/deepseeks-revenue-reaches-70-million-july-tenfold-jump-2025	2 526
5	Скайнет рядом! Датчики усилия в запястьях робота, напрямую передают данные в контроллер баланса. И ещё впечатляет, как быстро всё происходит: стоит углу наклона каната измениться, роботы почти мгновенно снова выравнивают положение бёдер.	2 801
6	+1 🤯 Локальные AI-модели становятся пугающе мощными Qwen3.8-27B вошла в топ-10 рейтинга Arena WebDev, оказавшись всего в нескольких позициях от моделей, которые больше неё на порядки. Модель всего на 27 млрд параметров, которую можно запускать локально. Ещё недавно такие возможности требовали огромных облачных моделей и дорогой инфраструктуры. Теперь open-source модели начинают конкурировать с лидерами рынка прямо на своём железе. Alibaba с серией Qwen 27B закрепилась в отдельном классе размеров и сейчас выглядит практически без конкурентов. https://x.com/arena/status/2091920512796725272	3 907
7	17 сентября в Москве — AI R&D DAY. Без маркетинговой шумихи, только хардкор: альтернативные архитектуры, омнимодальная долгосрочная память, агенты, бенчмарки и инструменты обучения моделей. Команда NextGenAI расскажет, что уже работает сегодня и что станет стандартом завтра. Для кого: R&D, AI-архитекторов, продактов и техлидов, которые строят продукты, а не слайды. Поговорим о: -новых подходах к созданию и обучению моделей; -системах, которые одновременно работают с текстом, изображениями, звуком и другими типами данных; -развитии голосовых технологий; -оценке качества AI-решений; -внедрении технологий в реальные продукты. Приходят не спикеры «по приглашению», а опытные команды, которые сейчас строят NextGenAI. Говорят про архитектуры, которые ещё не в публичных репозиториях. Про память, которая работает дольше контекста. Про то, как голосовые технологии перестают быть костылём. 👇 Подробности #реклама О рекламодателе	2 987
8	💰 Фурнитурщик стал миллиардером благодаря буму AI История, которая звучит как сюжет фильма. Компания, которая десятилетиями делала обычные направляющие для ящиков, неожиданно оказалась критически важной для индустрии искусственного интеллекта. Почему? Те же самые механизмы теперь нужны внутри AI-серверов — для тяжёлых модулей и компонентов инфраструктуры. Компания заняла около 80% мирового рынка направляющих, а состояние её основателя выросло примерно до $20,2 млрд. Пока все смотрели на чипы NVIDIA, кто-то заработал на деталях, без которых эти серверы просто не собрать. https://www.wsj.com/business/one-of-taiwans-biggest-ai-winners-isnt-a-chip-maker-51768bd5	3 612
9	Подборка неудачных моментов с Всемирных игр гуманоидных роботов.	3 354
10	NVIDIA заявила о 30-кратном росте эффективности Vera Rubin NVL72 для AI-агентов По новым замерам NVIDIA, система Vera Rubin NVL72 показывает до 30x больше throughput на мегаватт и до 35x меньшую стоимость токенов по сравнению с GB300 NVL72 на агентных нагрузках. Тестировали не обычный чат, а реальные coding-сессии из SemiAnalysis AgentX: длинный растущий контекст, вызовы инструментов, запуск субагентов и многошаговое рассуждение. По данным OpenRouter, такие сценарии могут потреблять примерно в 15 раз больше токенов, чем обычный запрос в чат. В Vera Rubin NVIDIA отдельно оптимизировала работу с длинным контекстом: distributed KV-cache, KV-aware routing, разделение prefill и decode, expert parallelism и новые CUDA-кернелы. На DeepSeek V4 Pro Vera Rubin NVL72, по данным NVIDIA, даёт до 30x больше throughput на мегаватт относительно GB300 NVL72. Эти результаты пока ожидают проверки SemiAnalysis. https://blogs.nvidia.com/blog/vera-rubin-nvl72-efficiency-ai-agents/	3 568
11	⚡️ Какие локальные AI-модели запускать на 8-256 ГБ VRAM Если хочется максимум качества из доступной видеопамяти, сейчас расклад примерно такой: 8 ГБ VRAM Qwen3.8-27B IQ1_S Максимально агрессивная квантизация, если хочется запустить большую модель даже на небольшой GPU. https://huggingface.co/unsloth/Qwen3.8-27B-GGUF/blob/main/Qwen3.8-27B-UD-IQ1_S.gguf 16 ГБ VRAM Qwen3.8-27B Q2_K_XL Уже более разумный баланс между размером модели, памятью и качеством. https://huggingface.co/unsloth/Qwen3.8-27B-GGUF/blob/main/Qwen3.8-27B-UD-Q2_K_XL.gguf RTX 3090 / 24 ГБ Qwen3.8-27B Q4_K_M Один из наиболее интересных вариантов для домашней локальной машины. https://huggingface.co/unsloth/Qwen3.8-27B-GGUF/blob/main/Qwen3.8-27B-UD-Q4_K_M.gguf RTX 5090 Qwen3.8-27B NVFP4 Отдельная сборка с упором на современные NVIDIA GPU и 4-битный inference. https://github.com/MiaAI-Lab/Qwen3.8-27B-NVFP4-RTX-5090 RTX PRO 6000 Qwen3.8-27B NVFP4 + SGLang https://github.com/MiaAI-Lab/Qwen3.8-27B-RTX-6000-PRO-SGLang-DSpark DGX Spark Здесь уже можно смотреть в сторону DeepSeek v4 Flash и Qwen3.8-27B. DeepSeek: https://github.com/MiaAI-Lab/DeepSeek-v4-Flash-One-DGX-Spark Qwen: https://github.com/MiaAI-Lab/Qwen3.8-27B-SGLang-DGX-Spark 2× DGX Spark DeepSeek v4 Flash https://github.com/MiaAI-Lab/DeepSeek-v4-Flash-DSpark-2x-DGX-Spark Если коротко: сейчас больше всего интересных локальных конфигураций строится вокруг Qwen3.8-27B и DeepSeek v4 Flash. Контекст, KV-cache, backend, quantization и размер offload могут заметно изменить реальные требования к памяти. Сохраняй как шпаргалку для следующего локального AI-сервера.	3 504
12	Встраивайте систему распознавания документов в ваш продукт за 15 минут 🚀 Если вы развиваете SaaS, автоматизируете B2B-процессы или собираете ИИ-агентов, вопрос безопасности и скорости обработки документов всегда встает ребром. Provision OCR — это мощный российский движок для on-premise и private cloud развертывания. ⚡️ 100% локальности: данные не покидают ваш сервер. ⚡️ Скорость: обработка <3 сек/страница на GPU 2070 и выше, Поддержка CPU , точность до 99% ⚡️ Быстрая и бесшовная интеграция через REST API + gRPC. ⚡️ Поддержка разных документов на русском языке: договоры, счета и другие. 💡 Дистрибутив в нашем Telegram-канале: @ProvisionLabs 💻 Примеры кода на GitHub: https://github.com/orgs/Provision-Labs/repositories #OCR #ProvisionOCR #Документы #Разработка #Python #AI #OnPremise	3 133
13	✔️ В Claude Code появилась команда создания UI-макетов Проектировать интерфейс теперь можно до написания кода - в терминале или в десктопном приложении. Достаточно дать базовый промпт (например, несколько вариантов экрана под конкретную задачу), указать команду /design и модель выдает серию набросков в виде интерактивных Artifacts. Удачный вариант точечно доработать и передать в код. Как пояснил инженер Anthropic Нейт Парротт, модель при этом читает существующую кодовую базу проекта - чтобы новые компоненты сразу попадали в визуальный стиль приложения. Одно ограничение - макеты учитываются при генерации кода, но сохранять их приходится вручную. Чтобы попробовать, обновите Claude Code командой claude update. @ai_machinelearning_big_data #news #ai #ml	4 931
14	⚡️ Qwen3.8-27B снова «разблокировали», но теперь аккуратнее У Huihui-Qwen3.8-27B-abliterated-GGUF появилась новая серия UD-Q, собранная на базе unsloth/Qwen3.8-27B-GGUF. В этот раз ablation применили только к слоям 18–51, остальные слои оставили нетронутыми. Идея в том, чтобы сильнее сохранить исходные способности Qwen3.8-27B, одновременно уменьшив количество отказов модели. MTP и визуальную часть не меняли. После конвертации размеры GGUF могут отличаться от оригинальных сборок. Доступны разные квантизации для локального запуска: https://huggingface.co/huihui-ai/Huihui-Qwen3.8-27B-abliterated-GGUF/tree/main	4 054
15	Вайбкодеры выпускают свое рандомное говно-приложение без единого юзера 😂	4 599
16	Готовитесь или интересуетесь поступлением в ШАД в 2027 году? До 24 августа идет набор в текущий поток подготовки ШАД Хелпер. Программа рассчитана на 11 месяцев и охватывает все темы, необходимые для успешной сдачи экзамена в ШАД: линейная алгебра, матанализ, теория вероятностей, дискретная математика, алгоритмы и анализ данных. Основная задача курса - не просто пройти теорию, а научиться решать задачи именно в формате вступительных: - с проверяемыми домашними - обратной связью - пробными экзаменами. Преподают опытные преподаватели с учеными степенями из МГУ и МФТИ. Уже 120+ учеников поступили в ШАД и ML-магистратуры. До 24 августа - скидка 30% на первый взнос по промокоду START30 Если не поступите - зачислим на следующий поток бесплатно. Вы также можете попробовать обучение и если в первые две недели поймёте, что формат вам не подходит - вернём деньги. → Посмотреть формат, программу и стоимость курса по ссылке Реклама, ООО "ШВМ", ИНН 9728100991 Erid: 2VtzquuCwpo	4 003
17	+1 🔥 Nvidia выделяет $7 млрд на открытые модели и идет за DeepSeek и Kimi Nvidia резко усиливает ставку на open-weight AI. По данным WSJ, компания заплатит $6 млрд за лицензирование технологий Poolside и заберет в команду Nemotron больше 100 ее сотрудников. Еще $1 млрд Nvidia инвестирует непосредственно в Poolside при оценке стартапа в $12 млрд до сделки. Задача амбициозная: превратить Nemotron в семейство моделей, способное конкурировать не только с DeepSeek и Kimi, но и с закрытыми моделями OpenAI и Anthropic. Получается интересный разворот. Компания, которая зарабатывает миллиарды на продаже GPU крупнейшим AI-лабораториям, теперь сама вкладывает миллиарды в альтернативу их закрытым моделям. Похоже, гонка open-weight моделей только начинается. https://www.wsj.com/tech/ai/nvidia-is-spending-6-billion-to-build-a-powerful-u-s-alternative-to-chinese-ai-c51c38cc	25 913
18	Чистое механическое месиво. Во время предгоночного теста перед полумарафоном гуманоидных роботов Beijing Yizhuang 2026.	3 871
19	🔥 Хочешь быстрее расти в IT? Хватит учиться в одиночку Окружение решает больше, чем кажется. Собрал папки и каналы, где можно быстрее влиться в нужное направление, следить за трендами и не вариться в своём пузыре. AI: t.me/ai_machinelearning_big_data Python: t.me/pythonl Linux: t.me/linuxacademiya Хакинг: t.me/linuxkalii DevOps: t.me/DevOPSitsec Docker: https://t.me/+90Z5TAyfuNU5YmRi Golang: t.me/Golang_google Rust: t.me/rust_code C++: t.me/cpluspluc C#: t.me/csharp_1001_notes Java: t.me/javatg JavaScript: t.me/javascriptv React: t.me/react_tg Frontend: t.me/front PHP: t.me/phpshka Android: t.me/android_its Мобильная разработка: t.me/mobdevelop Базы данных: t.me/sqlhub Data Science: t.me/data_analysis_ml Big Data: t.me/bigdatai Математика: t.me/data_math Физика: t.me/fizmat Kubernetes: t.me/kubernetc GameDev: https://t.me/gamedev Haskell: t.me/haskell_tg Собеседования и карьера: DS собеседования: t.me/machinelearning_interview Python собеседования: t.me/python_job_interview Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy Папка Frontend: https://t.me/addlist/mzMMG3RPZhY2M2Iy Полезное сверху: ИТ-мемы: t.me/memes_prog Английский для программистов: t.me/english_forprogrammers ИИ и технологии: t.me/vistehno 954 ГБ open-source курсов: @courses ИТ-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy Max Ai: https://max.ru/ai_machinelearning_big_data Max python: https://max.ru/pythonl ТЕХНО: https://max.ru/vistehno Max Go: https://max.ru/Golang_google Max Linux: https://max.ru/linuxkalii Devops: https://max.ru/DevOPSitsec C#: https://max.ru/csharp_ci C++: https://max.ru/cpluspluc SQL: https://max.ru/sqlhub Java: https://max.ru/javatg Подписывайся на нужные направления и собирай себе ленту, которая реально двигает вперёд.	3 638
20	«NVIDIA решила ARC-AGI-3» или не совсем ? Сейчас по сети расходится громкий результат NVIDIA, но сравнение оказалось запутаннее заголовков. Результат NVIDIA получен на публичном наборе ARC-AGI-3, а не на закрытом/semi-private бенчмарке, который используется для официального leaderboard. Сам ARC Prize прямо предупреждает, что public set проще и не должен использоваться как официальный показатель прогресса. Плюс речь идёт не просто о «модели NVIDIA»: агентная система использует Claude Opus 5 внутри harness. А знаменитые 30,16% Opus 5 - это как раз подтверждённый результат на semi-private evaluation, а не сопоставимый score на public set. Поэтому сравнивать эти цифры напрямую нельзя: разные наборы задач + разные agent harness. https://developer.nvidia.com/blog/nvidia-avo-reaches-100-on-arc-agi-3-demonstrating-a-frontier-level-general-purpose-architecture-for-long-horizon-autonomous-agents/	4 001

查看所有帖子