Big Data AI
@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.
/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.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
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
