Сергей Марков: машинное обучение, искусство и шитпостинг
Open in Telegram
Машинное обучение, искусственный интеллект, искусство, мемасы, всякое личное и странноэ
Show more📈 Analytical overview of Telegram channel Сергей Марков: машинное обучение, искусство и шитпостинг
Channel Сергей Марков: машинное обучение, искусство и шитпостинг (@oulenspiegel_channel) in the Russian language segment is an active participant. Currently, the community unites 11 094 subscribers, ranking 10 912 in the Technologies & Applications category and 57 970 in the Russia region.
📊 Audience metrics and dynamics
Since its creation on невідомо, the project has demonstrated rapid growth, gathering an audience of 11 094 subscribers.
According to the latest data from 25 August, 2026, the channel demonstrates stable activity. Although there has been a change in the number of participants by 158 over the last 30 days and by -1 over the last 24 hours, overall reach remains high.
- Verification status: Not verified
- Engagement rate (ER): The average audience engagement rate is 31.01%. Within the first 24 hours after publication, content typically collects 14.27% reactions from the total number of subscribers.
- Post reach: On average, each post receives 3 440 views. Within the first day, a publication typically gains 1 583 views.
- Reactions and interaction: The audience actively supports content: the average number of reactions per post is 63.
- Thematic interests: Content is focused on key topics such as gigachat, aij, gigaam, github, llm.
📝 Description and content policy
The author describes the resource as a platform for expressing subjective opinions:
“Машинное обучение, искусственный интеллект, искусство, мемасы, всякое личное и странноэ”
Thanks to the high frequency of updates (latest data received on 26 August, 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.
11 094
Subscribers
-124 hours
+167 days
+15830 days
Data loading in progress...
Similar Channels
Tags Cloud
Incoming and Outgoing Mentions
---
---
---
---
---
---
Attracting Subscribers
August '26
August '26
+177
in 9 channels
July '26
+214
in 6 channels
Get PRO
June '26
+168
in 3 channels
Get PRO
May '26
+209
in 4 channels
Get PRO
April '26
+215
in 9 channels
Get PRO
March '26
+160
in 9 channels
Get PRO
February '26
+163
in 1 channels
Get PRO
January '26
+149
in 5 channels
Get PRO
December '25
+149
in 6 channels
Get PRO
November '25
+253
in 4 channels
Get PRO
October '25
+212
in 4 channels
Get PRO
September '25
+318
in 11 channels
Get PRO
August '25
+342
in 11 channels
Get PRO
July '25
+692
in 7 channels
Get PRO
June '25
+406
in 18 channels
Get PRO
May '25
+275
in 19 channels
Get PRO
April '25
+339
in 6 channels
Get PRO
March '25
+454
in 21 channels
Get PRO
February '25
+896
in 18 channels
Get PRO
January '25
+1 693
in 24 channels
Get PRO
December '24
+393
in 6 channels
Get PRO
November '24
+300
in 5 channels
Get PRO
October '24
+178
in 5 channels
Get PRO
September '24
+112
in 6 channels
Get PRO
August '24
+161
in 9 channels
Get PRO
July '24
+239
in 9 channels
Get PRO
June '24
+1 052
in 33 channels
Get PRO
May '24
+1 016
in 11 channels
Get PRO
April '24
+169
in 7 channels
Get PRO
March '24
+175
in 4 channels
Get PRO
February '24
+273
in 5 channels
Get PRO
January '24
+300
in 3 channels
Get PRO
December '23
+34 922
in 7 channels
Get PRO
November '23
+129
in 4 channels
Get PRO
October '23
+316
in 7 channels
Get PRO
September '23
+120
in 0 channels
Get PRO
August '23
+199
in 0 channels
Get PRO
July '23
+146
in 0 channels
Get PRO
June '23
+203
in 0 channels
Get PRO
May '23
+217
in 0 channels
Get PRO
April '23
+346
in 0 channels
Get PRO
March '23
+178
in 0 channels
Get PRO
February '23
+52
in 0 channels
Get PRO
January '23
+59
in 0 channels
Get PRO
December '22
+97
in 0 channels
Get PRO
November '22
+83
in 0 channels
Get PRO
October '22
+48
in 0 channels
Get PRO
September '22
+63
in 0 channels
Get PRO
August '22
+147
in 0 channels
Get PRO
July '22
+44
in 0 channels
Get PRO
June '22
+344
in 0 channels
| Date | Subscriber Growth | Mentions | Channels | |
| 26 August | 0 | |||
| 25 August | +5 | |||
| 24 August | +5 | |||
| 23 August | +4 | |||
| 22 August | +2 | |||
| 21 August | +4 | |||
| 20 August | +8 | |||
| 19 August | +14 | |||
| 18 August | +10 | |||
| 17 August | +8 | |||
| 16 August | +6 | |||
| 15 August | +4 | |||
| 14 August | +4 | |||
| 13 August | +13 | |||
| 12 August | +1 | |||
| 11 August | +6 | |||
| 10 August | +8 | |||
| 09 August | +2 | |||
| 08 August | +5 | |||
| 07 August | +5 | |||
| 06 August | +7 | |||
| 05 August | +12 | |||
| 04 August | +12 | |||
| 03 August | +13 | |||
| 02 August | +8 | |||
| 01 August | +11 |
Channel Posts
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 |  No text... | 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 |  No text... | 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 |  No text... | 3 609 |
| 18 |  No text... | 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 |
