gonzo-обзоры ML статей
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.
Data loading in progress...
| Date | Subscriber Growth | Mentions | Channels | |
| 08 July | 0 | |||
| 07 July | +11 | |||
| 06 July | +12 | |||
| 05 July | +5 | |||
| 04 July | +7 | |||
| 03 July | +6 | |||
| 02 July | +8 | |||
| 01 July | +8 |
| 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 |
Available now! Telegram Research 2025 — the year's key insights 
