en
Feedback
gonzo-обзоры ML статей

gonzo-обзоры ML статей

Open in Telegram

Авторы: Гриша Сапунов, ранее руководитель разработки Яндекс-Новостей, ныне CTO Intento. Области интересов: AI/ML/DL, биоинформатика. Лёша Тихонов, ранее аналитик в Яндексе, автор Автопоэта, Нейронной Обороны... Области интересов: discrete domain, NLP, RL.

Show more

📈 Analytical overview of Telegram channel gonzo-обзоры ML статей

Channel gonzo-обзоры ML статей (@gonzo_ml) in the Russian language segment is an active participant. Currently, the community unites 24 348 subscribers, ranking 5 498 in the Technologies & Applications category and 27 311 in the Russia region.

📊 Audience metrics and dynamics

Since its creation on невідомо, the project has demonstrated rapid growth, gathering an audience of 24 348 subscribers.

According to the latest data from 07 July, 2026, the channel demonstrates stable activity. Although there has been a change in the number of participants by 68 over the last 30 days and by 4 over the last 24 hours, overall reach remains high.

  • Verification status: Not verified
  • Engagement rate (ER): The average audience engagement rate is 10.71%. Within the first 24 hours after publication, content typically collects 6.39% reactions from the total number of subscribers.
  • Post reach: On average, each post receives 2 608 views. Within the first day, a publication typically gains 1 555 views.
  • Reactions and interaction: The audience actively supports content: the average number of reactions per post is 11.
  • Thematic interests: Content is focused on key topics such as learning, tl;dr, токенов, архитектура, контекст.

📝 Description and content policy

The author describes the resource as a platform for expressing subjective opinions:
Авторы: Гриша Сапунов, ранее руководитель разработки Яндекс-Новостей, ныне CTO Intento. Области интересов: AI/ML/DL, биоинформатика. Лёша Тихонов, ранее аналитик в Яндексе, автор Автопоэта, Нейронной Обороны... Области интересов: discrete domain, NLP...

Thanks to the high frequency of updates (latest data received on 08 July, 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.

24 348
Subscribers
+424 hours
+197 days
+6830 days
Attracting Subscribers
July '26
July '26
+57
in 0 channels
June '26
+253
in 7 channels
Get PRO
May '26
+210
in 3 channels
Get PRO
April '26
+279
in 5 channels
Get PRO
March '26
+275
in 7 channels
Get PRO
February '26
+387
in 4 channels
Get PRO
January '26
+415
in 14 channels
Get PRO
December '25
+439
in 7 channels
Get PRO
November '25
+295
in 11 channels
Get PRO
October '25
+510
in 12 channels
Get PRO
September '25
+286
in 7 channels
Get PRO
August '25
+430
in 5 channels
Get PRO
July '25
+641
in 11 channels
Get PRO
June '25
+362
in 9 channels
Get PRO
May '25
+431
in 7 channels
Get PRO
April '25
+922
in 19 channels
Get PRO
March '25
+583
in 8 channels
Get PRO
February '25
+649
in 16 channels
Get PRO
January '25
+1 065
in 24 channels
Get PRO
December '24
+699
in 13 channels
Get PRO
November '24
+1 001
in 20 channels
Get PRO
October '24
+727
in 14 channels
Get PRO
September '24
+415
in 11 channels
Get PRO
August '24
+467
in 3 channels
Get PRO
July '24
+217
in 10 channels
Get PRO
June '24
+375
in 20 channels
Get PRO
May '24
+354
in 11 channels
Get PRO
April '24
+377
in 13 channels
Get PRO
March '24
+399
in 14 channels
Get PRO
February '24
+323
in 12 channels
Get PRO
January '24
+660
in 15 channels
Get PRO
December '23
+641
in 19 channels
Get PRO
November '23
+268
in 8 channels
Get PRO
October '23
+501
in 19 channels
Get PRO
September '23
+355
in 0 channels
Get PRO
August '23
+456
in 0 channels
Get PRO
July '23
+357
in 0 channels
Get PRO
June '23
+300
in 0 channels
Get PRO
May '23
+2 022
in 0 channels
Get PRO
April '23
+967
in 0 channels
Get PRO
March '23
+2 757
in 0 channels
Get PRO
February '23
+385
in 0 channels
Get PRO
January '23
+166
in 0 channels
Get PRO
December '22
+343
in 0 channels
Get PRO
November '22
+100
in 0 channels
Get PRO
October '22
+93
in 0 channels
Get PRO
September '22
+70
in 0 channels
Get PRO
August '22
+261
in 0 channels
Get PRO
July '22
+475
in 0 channels
Get PRO
June '22
+215
in 0 channels
Get PRO
May '22
+225
in 0 channels
Get PRO
April '22
+101
in 0 channels
Get PRO
March '22
+132
in 0 channels
Get PRO
February '22
+233
in 0 channels
Get PRO
January '22
+113
in 0 channels
Get PRO
December '21
+248
in 0 channels
Get PRO
November '21
+226
in 0 channels
Get PRO
October '21
+69
in 0 channels
Get PRO
September '21
+92
in 0 channels
Get PRO
August '21
+73
in 0 channels
Get PRO
July '21
+133
in 0 channels
Get PRO
June '21
+174
in 0 channels
Get PRO
May '21
+75
in 0 channels
Get PRO
April '21
+84
in 0 channels
Get PRO
March '21
+97
in 0 channels
Get PRO
February '21
+136
in 0 channels
Get PRO
January '21
+170
in 0 channels
Get PRO
December '20
+4 514
in 0 channels
Date
Subscriber Growth
Mentions
Channels
08 July0
07 July+11
06 July+12
05 July+5
04 July+7
03 July+6
02 July+8
01 July+8
Channel Posts
2
No text...
760
3
Хардкор про сэмплирование в диффузионках. Вторая работа с ICML 2026 Outstanding Paper Award. High-Accuracy Sampling for Diffusion Models and Log-Concave Distributions Fan Chen, Sinho Chewi, Constantinos Daskalakis, Alexander Rakhlin Paper: https://arxiv.org/abs/2602.01338 ICML Submission: https://openreview.net/forum?id=GW3umRqsZZ Review: https://arxiviq.substack.com/p/icml-2026-high-accuracy-sampling Code: N/A Model: N/A ICML 2026 Outstanding Paper Award. # TL;DR ЧТО сделали: Авторы разработали First-Order Rejection Sampling (FORS) — метод высокоточного семплирования без дополнительного обучения (training-free). Он позволяет получать выборки с гарантированной точностью (ошибка δ за polylog(1/δ) шагов) для генеративных диффузионных моделей и логарифмически вогнутых (log-concave) распределений, используя только оценки градиента первого порядка (скор-функцию). ПОЧЕМУ это важно: Традиционные дискретные SDE-семплеры ограничены полиномиальной погрешностью дискретизации, масштабирующейся как poly(1/δ). Сформулировав задачу принятия-отклонения (accept-reject) как задачу «бернуллиевской фабрики» (Bernoulli factory) и решив её через криволинейные интегралы, авторы создали первый высокоточный скор-ориентированный метод семплирования, который полностью избегает вычислительно тяжёлых и зачастую невычислимых оценок плотности. Это доказывает, что высокоточное семплирование реализуемо при стандартных L_2-оценках скор-функции. Для практиков: С теоретической точки зрения эта работа — важнейшая веха, заслужившая награду Outstanding Paper Award на конференции ICML. Исследователи доказали, что можно обойти барьер дискретизации SDE и генерировать высокоточные выборки экспоненциально быстрее, чем считалось ранее, при этом вообще не меняя архитектуру сети и не обращаясь к плотностям распределения. Сэмплировать тут: https://t.me/gonzo_ML_podcasts/4366
781
4
No text...
1 525
5
No text...
1 554
6
No text...
1 394
7
No text...
1 270
8
No text...
1 226
9
Пошли статьи с ICML 2026. Интересное про языковые диффузионки. Если в обучении их ограничить последовательной генерацией, то итоговый результат лучше, чем если бы у них была полная свобода генерить токены в любом порядке (как собственно и ожидается от диффузионки). The Flexibility Trap: Rethinking the Value of Arbitrary Order in Diffusion Language Models Zanlin Ni, Shenzhi Wang, Yang Yue, Tianyu Yu, Weilin Zhao, Yeguo Hua, Tianyi Chen, Jun Song, Cheng Yu, Bo Zheng, Gao Huang Paper: https://arxiv.org/abs/2601.15165 ICML Submission: https://openreview.net/forum?id=kpgURPRMGf Review: https://arxiviq.substack.com/p/icml-2026-the-flexibility-trap-rethinking Code: https://github.com/LeapLabTHU/JustGRPO Project page: https://nzl-thu.github.io/the-flexibility-trap Model: N/A ICML 2026 Outstanding Paper Award. # TL;DR ЧТО сделали: Авторы обнаружили критическую проблему в диффузионных LLM (dLLM), которую назвали «ловушкой гибкости» (the flexibility trap). Оказалось, что способность генерировать токены в произвольном, нелинейном порядке на самом деле снижает качество рассуждений моделей при обучении с подкреплением (RL). Чтобы решить эту проблему, исследователи представили JustGRPO — минималистичный фреймворк обучения. Он жёстко ограничивает dLLM стандартной последовательной генерацией (слева направо) исключительно на этапе исследования (exploration) в RL. Это служит структурированным каркасом при обучении, полностью сохраняя при этом двунаправленное внимание и высокую скорость параллельного декодирования на этапе инференса. ПОЧЕМУ это важно: Работа ставит под сомнение устоявшееся мнение о том, что структурная гибкость всегда полезна для качества генерации. Авторы описывают феномен «деградации энтропии»: когда у модели есть свобода выбора порядка генерации, она обходит сложные логические связки с высокой неопределённостью. JustGRPO позволяет dLLM достигать высоких результатов в математике и программировании (например, 89.1% на GSM8K и 45.1% на MATH-500). При этом метод полностью исключает сложные математические аппроксимации и нестабильные формулировки RL, которые ранее использовались для сохранения произвольного порядка токенов. Для практиков: Для технических лидеров и ИИ-разработчиков это исследование раскрывает контринтуитивный принцип: предоставление генеративным моделям свободы писать в любом порядке заставляет их избегать трудных логических решений во время обучения, что в итоге убивает глубину рассуждений. Навязывая строгое последовательное ограничение во время RL-тренировки, мы заставляем модель сталкиваться с логическими развилками лицом к лицу, кардинально прокачивая её математические навыки и способность писать код. Что критически важно, это ограничение никак не влияет на деплой: готовую модель всё ещё можно запускать с быстрыми параллельными алгоритмами декодирования, получая лучшее из обоих миров — глубокие рассуждения и быстрый инференс. Обучать последовательно здесь: https://t.me/gonzo_ML_podcasts/4348
1 460
10
No text...
1 779
11
No text...
1 747
12
No text...
1 665
13
No text...
1 567
14
Перед тем, как постить призёров ICML 2026, новая адаптивная джепа! AdaJEPA: An Adaptive Latent World Model Ying Wang, Oumayma Bounou, Yann LeCun, Mengye Ren Paper: https://arxiv.org/abs/2606.32026 Review: https://arxiviq.substack.com/p/adajepa-an-adaptive-latent-world Code: https://github.com/agentic-learning-ai-lab/adajepa Site: https://agenticlearning.ai/adajepa/ Model: N/A # TL;DR ЧТО сделали: Авторы представляют AdaJEPA — фреймворк адаптивной латентной модели мира, который выполняет онлайн-адаптацию во время инференса (test-time adaptation, TTA) в замкнутом цикле управления с прогнозированием (Model Predictive Control, MPC). Используя выполненные действия в качестве self-supervised сигнала, AdaJEPA обновляет выбранное подмножество параметров визуального энкодера и предиктора динамики всего за один градиентный шаг на каждый цикл управления, на лету калибруя модель под новые условия среды. ПОЧЕМУ это важно: Традиционные латентные модели мира остаются замороженными во время деплоя, из-за чего они пасуют перед сдвигами распределения на инференсе (например, при изменении физики, геометрии окружения или визуальном шуме). AdaJEPA ломает эту статичную парадигму. Она предлагает легковесную и очень эффективную по выборке непрерывную адаптацию без необходимости в разметке ревордов, демонстрациях экспертов или дорогостоящем офлайн-переобучении. Это открывает реальный путь к запуску устойчивых автономных агентов в постоянно меняющихся физических средах. Для практиков: Метод позволяет адаптировать предобученные JEPAs к измененным условиям среды (новому трению, освещению или шуму) прямо во время инференса. Для этого требуется обновить лишь малую часть параметров (например, последний блок трансформера и проекционный слой энкодера) с помощью крошечного буфера на 5 переходов, что добавляет всего 10–30 мс задержки на шаг планирования на одном GPU. Адаптироваться тут: https://t.me/gonzo_ML_podcasts/4333
1 840
15
Анонсированы ICML 2026 Awards https://blog.icml.cc/2026/07/05/announcing-the-icml-2026-awards/ На этой неделе пройдусь по ним авторазборами. ICML 2026 Outstanding Paper Award   The Flexibility Trap: Rethinking the Value of Arbitrary Order in Diffusion Language Models Zanlin Ni, Shenzhi Wang, Yang Yue, Tianyu Yu, Weilin Zhao, Yeguo Hua, Tianyi Chen, Jun Song, Cheng Yu, Bo Zheng, Gao Huang High-Accuracy Sampling for Diffusion Models and Log-Concave Distributions Fan Chen, Sinho Chewi, Constantinos Daskalakis, Alexander Rakhlin ICML 2026 Outstanding Position Paper Award   Position: The Alignment Community is Unintentionally Building a Censor’s Toolkit Sarah Ball, Phil Hackemann ICML 2026 Outstanding Paper Honorable Mention   The Obfuscation Atlas: Mapping Where Honesty Emerges in RLVR with Deception Probes Mohammad Taufeeque, Stefan Heimersheim, Adam Gleave, Chris Cundy Motion Attribution for Video Generation Xindi Wu, Despoina Paschalidou, Jun Gao, Antonio Torralba, Laura Leal-Taixé, Olga Russakovsky, Sanja Fidler, Jonathan Lorraine How much can language models memorize? John Xavier Morris, Chawin Sitawarin, Narine Kokhlikyan, Chuan Guo, G. Edward Suh, Alexander M Rush, Kamalika Chaudhuri, Saeed Mahloujifar A Random Matrix Perspective on the Consistency of Diffusion Models Binxu Wang, Jacob A Zavatone-Veth, Cengiz Pehlevan To Grok Grokking: Provable Grokking in Ridge Regression Mingyue Xu, Gal Vardi, Itay Safran ICML 2026 Outstanding Position Paper Honorable Mention   Position: AI/ML Deepfake Research is Misaligned with AI Generated Non-Consensual Intimate Imagery (AIG-NCII) Li Qiwei, Wells Lucas Santo, Sarita Schoenebeck, Eric Gilbert ICML 2026 Test of Time Award   Asynchronous Methods for Deep Reinforcement Learning Volodymyr Mnih, Adrià Puigdomènech Badia, Mehdi Mirza, Alex Graves, Timothy P. Lillicrap, Tim Harley, David Silver, Koray Kavukcuoglu
2 424
16
No text...
1 978
17
No text...
1 865
18
No text...
1 773
19
No text...
1 642
20
No text...
1 612