en
Feedback

Don't get caught by a cheater! Telemetrio finds and tags such channels 👉 If you want to see the tag, subscribe

Big Data AI

Big Data AI

Open in Telegram

@haarrp - админ Вопросы с собеседований по Machine Learning, Data Science, Deep Learning и Нейроннным сетям @data_analysis_ml - анализ данных @ai_machinelearning_big_data @itchannels_telegram - важное для программиста РКН: clck.ru/3Fmqxe

Show more

📈 Analytical overview of Telegram channel Big Data AI

Channel Big Data AI (@bigdatai) in the Russian language segment is an active participant. Currently, the community unites 18 309 subscribers, ranking 7 145 in the Technologies & Applications category and 35 818 in the Russia region.

📊 Audience metrics and dynamics

Since its creation on невідомо, the project has demonstrated rapid growth, gathering an audience of 18 309 subscribers.

According to the latest data from 16 November, 2026, the channel demonstrates stable activity. Although there has been a change in the number of participants by 78 over the last 30 days and by -8 over the last 24 hours, overall reach remains high.

  • Verification status: Not verified
  • Engagement rate (ER): The average audience engagement rate is 8.74%. Within the first 24 hours after publication, content typically collects 4.35% reactions from the total number of subscribers.
  • Post reach: On average, each post receives 1 600 views. Within the first day, a publication typically gains 796 views.
  • Reactions and interaction: The audience actively supports content: the average number of reactions per post is 14.
  • Thematic interests: Content is focused on key topics such as llm, openai, github, nvidia, deepseek.

📝 Description and content policy

The author describes the resource as a platform for expressing subjective opinions:
“@haarrp - админ Вопросы с собеседований по Machine Learning, Data Science, Deep Learning и Нейроннным сетям @data_analysis_ml - анализ данных @ai_machinelearning_big_data @itchannels_telegram - важное для программиста РКН: clck.ru/3Fmqxe”

Thanks to the high frequency of updates (latest data received on 17 November, 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.

18 309
Subscribers
-824 hours
-207 days
+7830 days
Attracting Subscribers
Nov '26
November '26
+28
in 0 channels
October '26
+272
in 38 channels
Get PRO
September '26
+120
in 31 channels
Get PRO
August '26
+162
in 42 channels
Get PRO
July '26
+73
in 43 channels
Get PRO
June '26
+51
in 0 channels
Get PRO
May '26
+54
in 1 channels
Get PRO
April '26
+245
in 2 channels
Get PRO
March '26
+1 786
in 3 channels
Get PRO
February '26
+683
in 5 channels
Get PRO
January '26
+145
in 0 channels
Get PRO
December '25
+114
in 2 channels
Get PRO
November '25
+339
in 44 channels
Get PRO
October '25
+158
in 14 channels
Get PRO
September '25
+231
in 36 channels
Get PRO
August '25
+148
in 3 channels
Get PRO
July '25
+389
in 52 channels
Get PRO
June '25
+237
in 37 channels
Get PRO
May '25
+136
in 3 channels
Get PRO
April '25
+217
in 27 channels
Get PRO
March '25
+471
in 4 channels
Get PRO
February '25
+264
in 41 channels
Get PRO
January '25
+402
in 44 channels
Get PRO
December '24
+557
in 39 channels
Get PRO
November '24
+463
in 54 channels
Get PRO
October '24
+620
in 57 channels
Get PRO
September '24
+709
in 199 channels
Get PRO
August '24
+581
in 40 channels
Get PRO
July '24
+692
in 50 channels
Get PRO
June '24
+747
in 57 channels
Get PRO
May '24
+671
in 36 channels
Get PRO
April '24
+679
in 46 channels
Get PRO
March '24
+779
in 22 channels
Get PRO
February '24
+1 165
in 4 channels
Get PRO
January '24
+1 256
in 44 channels
Get PRO
December '23
+593
in 40 channels
Get PRO
November '23
+297
in 30 channels
Get PRO
October '23
+782
in 1 channels
Get PRO
September '23
+717
in 0 channels
Get PRO
August '23
+893
in 0 channels
Get PRO
July '23
+570
in 0 channels
Get PRO
June '23
+635
in 0 channels
Get PRO
May '23
+859
in 0 channels
Get PRO
April '23
+430
in 0 channels
Get PRO
March '23
+146
in 0 channels
Get PRO
February '23
+164
in 0 channels
Get PRO
January '23
+289
in 0 channels
Get PRO
December '22
+700
in 0 channels
Get PRO
November '22
+6 074
in 0 channels
Date
Subscriber Growth
Mentions
Channels
17 November+2
16 November0
15 November0
14 November+3
13 November+2
12 November+1
11 November+3
10 November0
09 November+2
08 November+1
07 November0
06 November+2
05 November+3
04 November+4
03 November+1
02 November+2
01 November+2
Channel Posts
🤯 Claude Code пишет 90% кода Anthropic. Но у его собственных проверок есть лазейка Инженер Anthropic Адди Османи рассказал,
+1
🤯 Claude Code пишет 90% кода Anthropic. Но у его собственных проверок есть лазейка Инженер Anthropic Адди Османи рассказал, как устроена разработка Claude Code. Перед коммитом агент должен пройти /code-review или /verify. Но есть нюанс: если два коммита подряд заблокированы в одной сессии, следующий всё равно разрешается. Иначе Claude может зациклиться на исправлениях. Есть и другой необычный механизм: если агент не может исправить нестабильный тест, он может удалить его, но обязан задокументировать причину. По словам Османи, Claude уже пишет и проверяет около 90% кода команды. Получается, ИИ не только разрабатывает продукт, но и участвует в управлении собственным процессом разработки.

2
Как изменятся подходы к построению Data Governance в 2027 году 26 ноября Navicon и Arenadata проводят в Москве закрытую очную
Как изменятся подходы к построению Data Governance в 2027 году 26 ноября Navicon и Arenadata проводят в Москве закрытую очную встречу, посвященную управлению данными. Эксперты расскажут, как выстроить дата-ландшафт под задачи бизнеса и что руководителям стоит учесть при выборе решений. В программе: ✔️Тренды в управлении данными ✔️Роль ИИ в построении Data Governance ✔️Проектный опыт по внедрению каталога данных ✔️Рекомендации по формированию дата-ландшафта Участие бесплатное при условии предварительной регистрации. 👉🏻Зарегистрироваться
281
3
🚀️️️️️️ У Colossus 2 в 14 раз больше вычислительной мощности, чем у флагманского ЦОД Huawei Epoch AI изучила спутниковые сни
🚀️️️️️️ У Colossus 2 в 14 раз больше вычислительной мощности, чем у флагманского ЦОД Huawei Epoch AI изучила спутниковые снимки кампуса Huawei в Хорингере и оценила, что там работают около 105 тысяч ускорителей Ascend 910C. Суммарная вычислительная мощность площадки соответствует примерно 81 тысяче NVIDIA H100. У Colossus 2 в Мемфисе, где стоят NVIDIA B200 и B300, оценка составляет 1,1 млн H100-эквивалентов. Разница видна и в энергопотреблении. По оценке Epoch AI, ведущие американские кампусы получают примерно в 2,5 раза больше вычислений на ватт, чем Хорингер. При одинаковой мощности электропитания эта разница даёт американским площадкам заметно больше вычислительных ресурсов. Новый корпус может поднять мощность Хорингера до 141 тысячи H100-эквивалентов к началу 2028 года. К тому же сроку Epoch AI ожидает от Colossus 2 как минимум 1,8 млн. По этому прогнозу, Huawei прибавит больше 70%, но её площадка всё равно останется примерно на уровне 8% от мощности Colossus 2. Анализ Epoch AI: https://epochai.substack.com/p/what-huaweis-horinger-data-center
778
4
Вопрос без ответа
Вопрос без ответа
1 102
5
MWS Cloud первой в России запустила ночные тарифы на инференс LLM В сервисе MWS GPT Model Hub с 1:00 до 7:00 использование моделей будет до 30% дешевле базовых цен. Скидка работает без исключений - в будни, выходные и праздники. Что выгодно переносить на ночь: - массовую генерацию текстов. - анализ документов и подготовку отчётов. - обработку отзывов. - создание эмбеддингов. Для перехода на ночной тариф интеграцию менять не нужно. Доступные модели: - GLM-5.3 - Kimi K2.6 - Qwen3.6 35B (A3B) - Gemma 4 31B - gpt-oss-120b Все вычисления идут в собственном облаке MWS Cloud, поэтому данные остаются внутри контура провайдера. Подключение к моделям - через OpenAI-совместимый API. Что ещё нового: Появился Playground. В нём модели можно протестить на своих сценариях ещё до интеграции и выбрать оптимальную по качеству ответов, скорости и цене. https://mws.ru/cloud-platform/model-hub/
1 074
6
KRAFTON выпустила Raon-1 nano: компактная LLM для локального запуска с 1,5 млрд параметров Разработчик PUBG представил неболь
KRAFTON выпустила Raon-1 nano: компактная LLM для локального запуска с 1,5 млрд параметров Разработчик PUBG представил небольшую плотную языковую модель, ориентированную на работу непосредственно на устройствах. Технические характеристики: - 1,5 млрд параметров основной модели. - 3,1 млрд параметров с учётом Per-Layer Embeddings. - Архитектура Dense. - Обучение на 3 трлн токенов. Как создавали модель? За основу взяли Raon-1 mini Preview (30B-A4B), применили pruning и дистилляцию из MoE в Dense, а затем провели дополнительное обучение с использованием SFT, OPD и RL. Возможности: - Естественный диалог на корейском и английском. - Сохранение контекста разговора. - Следование инструкциям. - Вызов инструментов и работа с агентами. Проект продолжает исследования KRAFTON в области локальных ИИ-моделей, начатые с игрового помощника PUBG Ally. Веса доступны под Apache 2.0: 🤗 https://huggingface.co/KRAFTON/Raon-1-nano Исследование MoE-to-Dense: https://arxiv.org/abs/2605.28207
1 234
7
Anthropic перевела доступ к своим продуктам на белый список регионов Claude, Claude Code и API теперь работают только в 185 разрешённых странах и регионах, причём новая политика выходит за рамки проверки по местоположению.  Она запрещает пользоваться продуктами, находясь в неподдерживаемом регионе, даже в командировке, и закрывает доступ юридическим лицам из исключённых стран и их сотрудникам, откуда бы те ни выходили в сеть, а также любому бизнесу, который прямо или косвенно контролируется из таких регионов.  Перечень основан на внутренних стандартах Anthropic и не повторяет санкционные списки США. В него входят Ирак, Сомали, Палестина и Тайвань, тогда как материковый Китай, Гонконг и Россия в список не попали. https://www.anthropic.com/legal/supported-regions
1 346
8
Новые LLM постепенно отказываются от Full Attention В архитектурах открытых языковых моделей заметен серьёзный сдвиг: разрабо
Новые LLM постепенно отказываются от Full Attention В архитектурах открытых языковых моделей заметен серьёзный сдвиг: разработчики всё чаще заменяют классический Full Attention гибридными механизмами или полностью отказываются от него. Динамика за 2025-2026 годы показывает ускорение этого перехода. Если в 2025 году преобладали модели с полноценным Attention, то во второй половине 2026-го наблюдается разделение примерно 50/50 между гибридными архитектурами и моделями без Full Attention вообще. Вместо него используют Sliding Window Attention, Gated DeltaNet, KDA, Mamba-2, разреженное внимание и другие механизмы. Зачем это нужно? Первое: меньше вычислений. Разреженное внимание обрабатывает только выбранные токены или блоки контекста, сокращая стоимость обработки длинных последовательностей. Второе: меньше памяти. Рекуррентные механизмы вроде Gated DeltaNet хранят состояние фиксированного размера, вместо того чтобы удерживать всю историю взаимодействия. У такого подхода есть компромисс: сжатие истории усложняет точное извлечение информации. Поэтому многие модели комбинируют рекуррентные слои с классическим или разреженным Attention. Основное направление развития архитектур LLM - удешевление работы с длинным контекстом: большими документами, кодовыми базами и многошаговыми ИИ-агентами, которые совершают десятки вызовов инструментов.
1 298
9
✔️ Anthropic представила Claude Fable 5.2 и Mythos 5.2: 1000 ИИ-агентов формализовали доказательство теоремы Ферма за 30 часо+3
✔️ Anthropic представила Claude Fable 5.2 и Mythos 5.2: 1000 ИИ-агентов формализовали доказательство теоремы Ферма за 30 часов Новые модели получили серьёзные улучшения в программировании, математике, научных исследованиях и кибербезопасности. Что удалось сделать: - Математика: 1000 агентов формализовали доказательство Великой теоремы Ферма на Lean за 30 часов. Предыдущей исследовательской версии Claude потребовалось 11 дней. - Физика: Fable 5.2 решила две открытые задачи, связанные с физикой чёрных дыр. - Электроника: спроектировала три работающих устройства с печатными платами, корпусами и программным обеспечением. - Программирование: более 90% изменений, попадающих в основной код Anthropic, теперь пишутся Claude при участии людей. - Кибербезопасность: Mythos 5.2 обнаруживает на 10,2% больше уязвимостей, чем Opus 5.5, по внутреннему тесту Anthropic. Производительность и цена: - До 30% быстрее предыдущего поколения. - $8 за миллион входящих токенов. - $40 за миллион исходящих токенов. - Fast Mode: до 2,5 раза быстрее за $16/$80 за миллион токенов. В чём разница? Fable 5.2 и Mythos 5.2 используют одну базовую модель, но отличаются защитными механизмами. Fable доступна широкому кругу пользователей. Mythos предназначена для проверенных организаций, работающих в кибербезопасности и биомедицинских исследованиях. Claude Fable 5.2 уже доступна через Claude, API, AWS, Google Cloud и Microsoft Azure. Официальный анонс: https://www.anthropic.com/claude-fable-and-mythos-5-2 @ai_machinelearning_big_data #Claude #Anthropic
989
10
страшно
страшно
1 492
11
GPT-6 Astra нашла лабораторную ошибку, которую пропустила GPT-5.6 OpenAI показала результаты нового бенчмарка BioBasicsBench,+1
GPT-6 Astra нашла лабораторную ошибку, которую пропустила GPT-5.6 OpenAI показала результаты нового бенчмарка BioBasicsBench, состоящего из 100 задач на основе реальных биологических экспериментов. В одном из тестов GPT-6 Astra обнаружила неправильную маркировку антибиотика на контрольной чашке при клонировании ДНК и правильно признала результаты ненадёжными. GPT-5.6 Sol эту ошибку пропустила. Результаты: GPT-6 Astra: 66,7% GPT-5.6 Sol: 43,8% При этом Astra использовала примерно вдвое меньше выходных токенов. Но до надёжного автономного лабораторного анализа ещё далеко. В другом эксперименте Astra сама выбрала неправильные клоны ДНК. Бенчмарк проверяет способность моделей интерпретировать лабораторные данные, находить ошибки и отказываться от выводов при недостатке доказательств. Показательно, что новая модель лучше распознаёт ошибки в экспериментальных данных, но всё ещё может ошибаться при принятии решений на их основе. https://openai.com/index/measuring-how-ai-agents-handle-wet-lab-science/
1 874
12
Правда ?)
Правда ?)
1 657
13
LATCH: минималистичный протокол для безопасных действий ИИ-агентов Разработчик Антон Баланов представил LATCH, открытый прото
LATCH: минималистичный протокол для безопасных действий ИИ-агентов Разработчик Антон Баланов представил LATCH, открытый протокол, позволяющий ИИ-агентам взаимодействовать с внешними сервисами через обычные HTTPS-запросы. Идея в том, чтобы агент мог не только получать данные, но и выполнять действия с явным подтверждением условий. Например, агент хочет заказать 3D-печать детали. Вместо немедленного оформления заказа используется последовательность: 1. `ask` - узнать доступные материалы и возможности сервиса. 2. `quote` - получить точные условия заказа без его выполнения. 3. `approve` - подтвердить предложение, привязав согласие к SHA-256-хешу условий. 4. `commit` - выполнить подтверждённое действие с ключом идемпотентности, защищающим от случайных повторов. 5. `status` - проверить состояние задачи и получить отчёт сервиса. В основе обычные JSON и HTTPS. Никаких обязательных SDK, облачных посредников и внешних зависимостей. Референсная реализация написана для Node.js 20+, есть независимый PHP-провайдер и дополнительный мост к MCP. LATCH не заменяет MCP или A2A. Он решает более узкую задачу: разделяет получение предложения, подтверждение и выполнение действия. Это особенно полезно для агентов, которые работают с заказами, платежными сценариями или другими операциями с последствиями. Проект пока экспериментальный, версия протокола 0.1. Для продакшена потребуется самостоятельно обеспечить аутентификацию, авторизацию и надёжное хранение состояния. Лицензия MIT. GitHub: https://github.com/Balanov/latch
1 710
14
No text...
1 445
15
🌟 Hume AI открыла доступ модели, которая отвечает на вопросы по записи голоса В представленном продукте, Audio Decisions, на+2
🌟 Hume AI открыла доступ модели, которая отвечает на вопросы по записи голоса В представленном продукте, Audio Decisions, на вход идёт запись, свой вопрос к ней и перечень допустимых ответов, на выходе - вероятности по этим ответам с оценкой уверенности. Форматов ответа четыре: да или нет, выбор из вариантов, шкала оценок и отрезок времени внутри записи, когда, например, смеются или вздыхают. Спрашивать можно про язык и речь, число и смену говорящих, эмоцию, акустическую обстановку, неречевые события, динамику разговора, намерение и исход и социальные сигналы. Набор вопросов можно поменять по запросу без дополнительной разметки и дообучения, а порог уверенности привязывается к правилам заказчика. Нацелен продукт прежде всего на контакт-центры, где звонки оценивают по фиксированной рубрике, а её модификация выливается в отдельный проект. По заявлению Hume AI, на живом звонке модель успевает отвечать на десятки вопросов каждые несколько секунд, а архив из 40 тысяч записей открывает для поиска за минуты. В примере из анонса голосовой агент в розничной торговле проверяет неуверенность и раздражение в голосе, число говорящих, фоновый шум и намерение покупателя, а затем отдаёт эти ответы языковой модели вместе с транскриптом, чтобы та решила, подождать, уточнить или передать разговор человеку. 🟡Тесты Hume AI ставит себя впереди Gemini 3.8 Flash, Qwen3.8-Omni-Flash, Inkling-Small, gpt-audio-1.5, Gemini 3.5 Flash Lite и Nemotron 3 Nano Omni. В сравнении с людьми модель совпала со средним мнением группы слушателей в 70,7% случаев против 56,5% у отдельного оценщика. Доступ открывают по заявке в листе ожидания на странице продукта, цена - 47 центов за миллион входных токенов. @ai_machinelearning_big_data #news #ai #ml
1 438
16
Как поймать Сэма Альтмана
Как поймать Сэма Альтмана
1 942
17
🐳 DeepSeek выложила исходники AI-агента, который сам берёт задачи из GitHub и пишет код Проект называется dsh-superagent. Эт
🐳 DeepSeek выложила исходники AI-агента, который сам берёт задачи из GitHub и пишет код Проект называется dsh-superagent. Это экспериментальная система на базе DeepSeek Harness, рассчитанная на автоматизацию разработки в команде. В отличие от обычных coding-ассистентов, агенту не обязательно каждый раз вручную передавать задачу в чат. Что он умеет: - Следит за событиями GitHub и сообщениями в Feishu. - Принимает задачи от авторизованных участников команды. - Создаёт отдельную рабочую сессию для каждой задачи. - Самостоятельно работает с кодом и готовит Pull Request. - Возвращает результат в исходное обсуждение. - Показывает в веб-панели задачи, требующие участия человека. Архитектурный принцип - минимум внимания разработчика, максимум полезной автономной работы. Агент действует по запросу или заранее заданным правилам и не отвлекает команду без необходимости. Сам DeepSeek предупреждает, что это исследовательский прототип, а не готовое production-решение. Часть кода проекта тоже была написана AI-агентами. Стек: TypeScript, DeepSeek Harness. Лицензия MIT. https://github.com/deepseek-ai/dsh-superagent-prototype
1 577
18
🌟 Inclusion AI предложила метод спекулятивного декодирования с параллельной сборкой дерева черновиков Метод UBTree ускоряет+2
🌟 Inclusion AI предложила метод спекулятивного декодирования с параллельной сборкой дерева черновиков Метод UBTree ускоряет вывод больших языковых моделей. Спекулятивное декодирование поручает черновик небольшой модели, а целевая проверяет сразу несколько предложенных токенов одним проходом и принимает их до первой ошибки. UBTree относится к той же семье параллельных драфтеров, что DFlash и DSpark, и закрывает их недостаток - они предлагают весь блок токенов одновременно и потому работают быстро, но на размытых распределениях целевой модели, где несколько продолжений близки по вероятности, угадывают хуже. Черновик в UBTree собирается двумя параллельными проходами: 🟢первый делает модель DFlash, которая подбирает по 64 варианта токена на каждую из шестнадцати позиций блока, причём каждую позицию считает независимо от соседних; 🟢биграммный селектор оценивает, насколько один вариант годится в продолжение другому: пару соседей он прогоняет через два небольших перцептрона поверх замороженных эмбеддингов целевой модели, отдельно для предшественника и для последователя, и добавляет полученную оценку к оценке DFlash с весом, зависящим от глубины. Все пары считаются одновременно, из оценок переходов набирается дерево на 64 узла, и целевая модель проверяет его целиком за один проход. Селектор обучали на откликах, перегенерированных при высокой температуре, с перенормированной KL-функцией потерь - так в разметку попадают не только самые вероятные продолжения, но и правдоподобные альтернативы, за счёт которых дерево чаще совпадает с выбором целевой модели. Вместе с методом выложены две черновые модели - Ling3-Tiny-UBTree на 183 млн параметров работает в паре с Ling-3.0-tiny (8 млрд параметров, 1 млрд активных), Ling3-Flash-UBTree на 482 млн - с Ling-3.0-flash (124 млрд, 5 млрд активных). Они ничего не генерируют и нужны только как драфтеры к своей целевой модели. 🟡 Тесты На семи тестах, от GSM8K и AIME до LiveCodeBench и MT-Bench, UBTree даёт среднее ускорение 6,88× на Qwen3-4B и 6,94× на Qwen3-8B и опережает ближайший древовидный метод DARTree во всех 28 сравнениях, в среднем на 7,4-13,4%. В SGLang на Ling3-Flash-124B выходит 3,27× против 2,73× у DSpark и 2,80× у DFlash, на Qwen3.8-27B - 4,78× против 4,32× у DSpark. На длинном контексте LongBench-v2 число принятых за раунд токенов выше, чем у сильнейшего из конкурентов, на 31,0-39,7%. Поддержка UBTree для Ling3 в SGLang пока не опубликована. Команда обещает дополнительные черновые модели в течение месяца. 📌Лицензирование: MIT 🟡Страница проекта 🟡Набор моделей 🟡Техотчет @ai_machinelearning_big_data #AI #ML #LLM #Decoding #UBTree #InclusionAI
1 556
19
Claude проверяет ваши диалоги после каждого ответа. Пользователь этой оценки не видит. Anthropic рассказала о self-assessment: модель получает скрытую инструкцию оценить разговор и формирует короткий отчёт. В нём - возможное нарушение, причина, категория риска и приоритет проверки человеком. Это уже работает на значительной части трафика Claude. Повторяющиеся сигналы высокого приоритета передают команде для разбирательства. Сама оценка не блокирует запросы автоматически. На Claude Fable 5 система обнаружила: - 78% разговоров, которые более мощный классификатор пометил как потенциально вредные. - 94% случаев высокого приоритета. - При 1% ложных срабатываний на безопасных разговорах. Проверка использует уже сохранённый контекст в KV-кэше и добавляет менее 2% вычислительных затрат. С пользователей эту стоимость не взимают. По данным Anthropic, система помогла обнаружить романтическую аферу, которую организовали через Claude Code против десятков жертв. После проверки аккаунты заблокировали. Ограничение: результаты сравнивали с другим ИИ-классификатором, поэтому общие ошибки обеих моделей такая оценка может пропустить. На трафике с соглашениями о нулевом хранении данных система сейчас не работает. https://safeguards.anthropic.com/2026/self-assessment/
1 731
20
No text...
1 614