Available now! Telegram Research 2025 — the year's key insights 
Machinelearning
Open in Telegram
Погружаемся в машинное обучение и Data Science Показываем как запускать любые LLm на пальцах. По всем вопросам - @haarrp @itchannels_telegram -🔥best channels Реестр РКН: clck.ru/3Fmqri
Show more📈 Analytical overview of Telegram channel Machinelearning
Channel Machinelearning (@ai_machinelearning_big_data) in the Russian language segment is an active participant. Currently, the community unites 294 753 subscribers, ranking 331 in the Technologies & Applications category and 1 279 in the Russia region.
📊 Audience metrics and dynamics
Since its creation on невідомо, the project has demonstrated rapid growth, gathering an audience of 294 753 subscribers.
According to the latest data from 27 June, 2026, the channel demonstrates stable activity. Although there has been a change in the number of participants by -6 411 over the last 30 days and by -195 over the last 24 hours, overall reach remains high.
- Verification status: Not verified
- Engagement rate (ER): The average audience engagement rate is 7.72%. Within the first 24 hours after publication, content typically collects 5.41% reactions from the total number of subscribers.
- Post reach: On average, each post receives 22 754 views. Within the first day, a publication typically gains 15 946 views.
- Reactions and interaction: The audience actively supports content: the average number of reactions per post is 179.
- Thematic interests: Content is focused on key topics such as openai, claude, api, gemini, контекст.
📝 Description and content policy
The author describes the resource as a platform for expressing subjective opinions:
“Погружаемся в машинное обучение и Data Science
Показываем как запускать любые LLm на пальцах.
По всем вопросам - @haarrp
@itchannels_telegram -🔥best channels
Реестр РКН: clck.ru/3Fmqri”
Thanks to the high frequency of updates (latest data received on 28 June, 2026), the channel maintains relevance and a high level of publication reach. Analytics show that the audience actively interacts with content, making it an important point of influence in the Technologies & Applications category.
294 753
Subscribers
-19524 hours
-1 5847 days
-6 41130 days
Posts Archive
294 747
✔️ Lemur: Harmonizing Natural Language and Code for Language Agents
Lemur - это открытая языковая модель, оптимизированная как для естественного языка, так и для кодинга, которая может служить основой для универсальных языковых агентов. Поскольку языковые модели продолжают превращаться из разговорных чат-ботов в функциональные агенты, способные действовать в реальном мире, им необходимо как глубокое понимание языка, так и способность выполнять различные действия.
Lemur обеспечивает баланс между естественным языком и кодингом, позволяя агентам выполнять инструкции, обосновывать задачи и предпринимать обоснованные действия.
🖥 Github: https://github.com/openlemur/lemur
🤗 HF: https://huggingface.co/OpenLemur
📕 Paper: https://arxiv.org/abs/2310.06830v1
⭐️ Dataset: https://paperswithcode.com/dataset/ds-1000
ai_machinelearning_big_data294 747
💻 Graph Structure Learning Benchmark (GSLB)
Комплексный бенчмарк для изучения и построения графов и (NeurIPS 2023 Datasets and Benchmarks Track).
pip install GSLB
🖥 Github: https://github.com/gsl-benchmark/gslb
📕 Paper: https://arxiv.org/abs/2310.05163v1
⭐️ Paper collection: https://github.com/GSL-Benchmark/Awesome-Graph-Structure-Learning
ai_machinelearning_big_data
294 747
Привет! Это команда МТС и мы запустили бесплатный курс для тех, кто хочет стать сильным ML-разработчиком
Что будет: 10 месяцев онлайн обучения от экспертов Big Data МТС с возможностью трудоустройства в компанию
Что в программе: Python, математика, основы машинного обучения, ML Ops, ML System design и все, что необходимо для работы в Data Science
Ждем на обучении тех, кто хочет развиваться и в анализе данных, и в ML, и в IT одновременно.
Оставляй заявку и решай вступительное испытание. Лучших пригласим к обучению
Подробности по ссылке, ждем тебя!
Реклама. ПАО "МТС". ИНН 7740000076. erid: LjN8K11Qf
294 747
+1💸 Enhancing Financial Sentiment Analysis via Retrieval Augmented Large Language Models: Open Source Code
Новый фреймворк больших языковых моделей с поисковым дополнением, предназначенный для анализа финансовых настроений и обеспечивающий точные и обоснованные прогнозы.
Метод настройки промптов обеспечивает точные прогнозы на поставленные пользователем задачи анализа финансовых новостей.
Проведя обширные оценки, показано, что подход значительно превосходит как традиционные модели анализа настроений, так и известные LLM общего назначения.
git clone https://github.com/AI4Finance-Foundation/FinGPT.git
🖥 Github: https://github.com/AI4Finance-Foundation/FinGPT/tree/master/fingpt/FinGPT-RAG
📕 Paper: https://arxiv.org/abs/2310.04027v1
⭐️ FinNLP: https://github.com/ai4finance-foundation/finnlp
ai_machinelearning_big_data
294 747
Стать сотрудником Яндекса быстрее и проще, чем кажется. Участвуйте в днях быстрого найма: решите тестовое, пройдите несколько секций собеседования и получите офер за несколько дней.
Ближайшее мероприятие:
• 16-20 октября — Fast Track для технических менеджеров, офер за 5 дней в команду Crowd.
Зарегистрироваться
Реклама. ООО "Яндекс". erid:2Vtzqv5JoPP
294 747
+4Guideline following Large Language Model for Information Extraction
Новая модель для извлечения информации, обученная следовать рекомендациям по аннотированию. GoLLIE превосходит предыдущие подходы по извлечению информации без использования обучающих примеров .
🖥 Github: https://github.com/hitz-zentroa/gollie
⏩ Tutorial: https://github.com/stanfordnlp/dspy/blob/main/intro.ipynb
⭐️ Project: https://hitz-zentroa.github.io/GoLLIE/
📕 Paper: https://arxiv.org/abs/2310.03668v1
⭐️ Dataset: https://paperswithcode.com/dataset/harveyner
ai_machinelearning_big_data
294 747
✅️ T3Bench: Benchmarking Current Progress in Text-to-3D Generation
T3Bench - это новый комплексный фреймворк преобразования текста в трехмерное изображение, содержащий разнообразные текстовые промпты трех уровней комплексности, специально разработанные для 3D-генерации. Для оценки качества и выравнивания текста содержит две автоматические метрики, основанные на многоракурсных изображениях, создаваемых 3D-контентом.
🖥 Github: https://github.com/THU-LYJ-Lab/T3Bench
📕 Paper: https://arxiv.org/abs/2310.02977v1
⭐️ Dataset: https://paperswithcode.com/dataset/nerf
ai_machinelearning_big_data
294 747
✅ Ключевой ML-специалист HuggingFace Ahsen Khaliq опубликовал статью о Kandinsky
Khaliq в своем Twitter (X) поделился статьей Kandinsky: an Improved Text-to-Image Synthesis with Image Prior and Latent Diffusion, которая в разделе DailyPapers заняла первое место, обогнав статьи и Deepmind, и Carnegie Mellon.
В статье рассказывается о диффузионной модели Kandinsky для генерации изображений по тексту.
🕊 X: https://twitter.com/_akhaliq/status/1710106706569478573?s=52&t=hSNPltUk1ZT1M605JGLRnA
📕 Paper: https://huggingface.co/papers
@ai_machinelearning_big_data
294 747
+1✅ DSPy: Programming—not prompting—Foundation Models
DSPy - это фреймворк от
Stanfordnlp для решения сложных задач с помощью языковых моделей и поисковых моделей. DSPy объединяет методы промпт-инжиниринга и тонкой настройки ЛМ, а также подходы к рассуждениям, самосовершенствованию и дополнению поисковых моделей и инструментов. Все это выстроено в модулях, которые компонуются и обучаются.
DSPy представляет автоматический компилятор, который учит LM, как выполнять декларативные шаги в вашей программе. В частности, компилятор DSPy осуществляет внутреннюю трассировку вашей программы и затем составляет высококачественные пропиты для больших ЛМ.
pip install dspy-ai
🖥 Github: https://github.com/stanfordnlp/dspy
⏩ Tutorial: https://github.com/stanfordnlp/dspy/blob/main/intro.ipynb
🖥 Colab: https://colab.research.google.com/github/stanfordnlp/dspy/blob/main/intro.ipynb
📕 Paper: https://arxiv.org/abs/2308.05734
⭐️ Dataset: https://paperswithcode.com/dataset/hotpotqa
ai_machinelearning_big_data294 747
🤖 GenSim: Generating Robotic Simulation Tasks via Large Language Models
Фреймворк для генерации и моделирования симуляций для роботов с помощью больших языковых моделей.
🖥 Github: https://github.com/liruiw/gensim
✔️ Project: https://liruiw.github.io/gensim
📕 Paper: https://arxiv.org/abs/2310.01361v1
✅ Dataset: https://huggingface.co/datasets/Gen-Sim/Gen-Sim
⭐️ Demos: https://huggingface.co/spaces/Gen-Sim/Gen-Sim
ai_machinelearning_big_data
294 747
👀 Как используются нейросети для планирования движения беспилотных автомобилей
Разработчик Яндекса рассказал, как беспилотный автомобиль предсказывает действия других участников движения и планирует свои действия с помощью нейросетей.
Тут и разбор логики свёрточных и трансформерных архитектур моделей для предсказания движения, и много формул для расчёта вероятных траекторий других машин и пешеходов.
Читайте о том, в чём проблемы Behavioral Cloning и как их решать, а ещё в чём преимущества машинного обучения перед эвристиками и чем может помочь Reinforcement Learning.
Habr: https://habr.com/ru/companies/yandex/articles/763348/
ai_machinelearning_big_data
294 747
🦅 Jury: A Comprehensive Evaluation Toolkit
Комплексный набор инструментов для оценки НЛП-экспериментов, предлагающий различные автоматизированные метрики. Jury предлагает удобный и простой в использовании интерфейс.
pip install jury
🖥 Github: https://github.com/obss/jury
📕 Paper: https://arxiv.org/abs/2310.02040v1
🖥 Colab: https://colab.research.google.com/github/obss/jury/blob/main/examples/jury_evaluate.ipynb
⭐️ Demos: https://github.com/Parskatt/DeDoDe/blob/main/demo
ai_machinelearning_big_data294 747
Emcee — это раннер для параллельного тестирования.
Разработчики из AvitoTech прокачали Emcee до облачного решения и нашли способ организовать сендбоксинг через виртуализацию на macOS, чтобы обезопасить трафик.
Подробности и ссылка на сам Emcee ищите здесь
Реклама ООО "Авито Тех", ИНН 9710089440
erid: LdtCK7JmP
294 747
☑️ Efficient Streaming Language Models with Attention Sinks
StreamingLLM, an efficient framework that enables LLMs trained with a finite length attention window to generalize to infinite sequence length without any fine-tuning.
Фреймворк для развертывания больших языковых моделей в потоковых приложениях, таких как многораундовые диалоги, где ожидается длительное взаимодействие, является настоятельной необходимостью, но сопряжено с двумя серьезными проблемами.
StreamingLLM позволяет Llama-2, MPT, Falcon и Pythia стабильно и эффективно выполнять моделирование общения с количеством лексем до 4 млн. и более.
🖥 Github: https://github.com/mit-han-lab/streaming-llm
📕 Paper: http://arxiv.org/abs/2309.17453
⭐️ Dataset: https://paperswithcode.com/dataset/pg-19
ai_machinelearning_big_data294 747
⚡️ Memory Gym: Partially Observable Challenges to Memory-Based Agents in Endless Episodes
Среда для обучения, тестирования и запуска агентов основе памяти.
🖥 Github: https://github.com/marcometer/endless-memory-gym
🖥 Colab: https://colab.research.google.com/drive/1LjlUOEer8vjGrz0rLM8pP5UyeNCsURkY?usp=sharing
📕 Paper: https://openreview.net/forum?id=jHc8dCx6DDr
⭐️ Dataset: https://paperswithcode.com/dataset/arcade-learning-environment
ai_machinelearning_big_data
294 747
Яндекс опубликовал плейлист с докладами конференции Practical ML.
Вот некоторые из них:
— Алексей Морозов, руководитель группы модернизации нейронных сетей Яндекса. Про то, как можно полностью инкапсулировать от ML’щика и исследователя заботу о fault tolerance, распределённой транзакционной записи в storage, асинхронности и минимизации простоев GPU
— Юлий Шамаев, Data Science Team Lead, Банк ВТБ. Про про геоэмбеддинги – векторное представление контекста в пространственной аналитике. Они помогают определить лучшее расположение для банкоматов и банковских отделений.
— Евгений Сидоров, Head of AI, Third Opinion. Про то, как компенсировать недостаток трёхмерной информации на основе множественных проекций при анализе медицинских снимков.
294 747
🤖 AutoAgents: A Framework for Automatic Agent Generation
Generate different roles for GPTs to form a collaborative entity for complex tasks.
Мы представляем AutoAgents, инновационный фреймворк, который адаптивно генерирует и координирует множество специализированных агентов для создания ИИ-команды в соответствии с различными задачами.
🖥 Github: https://github.com/LinkSoul-AI/AutoAgents
📕 Paper: https://arxiv.org/abs/2309.17288v1
⭐️ Demo: https://huggingface.co/spaces/LinkSoul/AutoAgents
ai_machinelearning_big_data
294 747
Стать сотрудником Яндекса быстрее и проще, чем кажется. Участвуйте в днях быстрого найма: решите тестовое, пройдите несколько секций собеседования и получите офер за несколько дней.
Ближайшее мероприятие:
• 7-8 октября — Fast Track для дата-аналитиков, офер за 2 дня в команду Фудтеха.
Зарегистрироваться
Реклама. ООО "Яндекс". erid:2VtzqwaYy5b
294 747
✅ Demystifying CLIP Data
MetaCLIP takes a raw data pool and metadata and yields a balanced subset over the metadata distribution.
Новый масштабируемый алгоритм MetaCLIP, работающий в конвейере обработки данных. MetaCLIP, примененная к CommonCrawl с 400 млн. пар данных "изображение-текст", превосходит данные CLIP по многим стандартным показателям. В классификации ImageNet точность MetaCLIP составляет 70,8%, что превосходит точность CLIP в 68,3% на моделях ViT-B.
🖥 Github: https://github.com/facebookresearch/metaclip
📕 Paper: https://arxiv.org/pdf/2309.16671v1.pdf
⭐️ Dataset: https://paperswithcode.com/dataset/laion-400m
ai_machinelearning_big_data
294 747
🔊 Diverse and Aligned Audio-to-Video Generation via Text-to-Video Model Adaptation
Модель генерации реалистичных видео из Аудио. Фреймворк способен распознать природу звука и сгенерировать визуальный образ.
git clone git@github.com:guyyariv/TempoTokens.git
🖥 Github: https://github.com/guyyariv/TempoTokens
📕 Paper: https://arxiv.org/abs/2309.16429v1
⭐️ Dataset: https://paperswithcode.com/dataset/audioset
ai_machinelearning_big_data