![Data Science | Machinelearning [ru]](https://cdn.tlmtr.io/_next/image?url=https%3A%2F%2Fimg.tlmtr.io%2Fc%2F1dVo3O%2F5217464346798572541%3Fty%3Dl&w=48&q=75){kind=small}
Data Science | Machinelearning [ru]
Ir al canal en Telegram
Все о Data Science, машинном обучении и искусственном интеллекте: от базовой теории до cutting-edge исследований и LLM. Личный блог автора - @just_genych По вопросам рекламы или разработки - @g_abashkin РКН: https://vk.cc/cJPGXD
Mostrar más![Frontender's notes [ru]](https://cdn.tlmtr.io/_next/image?url=https%3A%2F%2Fimg.tlmtr.io%2Fc%2F1qrVZ3%2F5348049928330532677%3Fty%3Dx&w=32&q=75){kind=small}
Red:📈 Análisis del canal de Telegram Data Science | Machinelearning [ru]
El canal Data Science | Machinelearning [ru] (@devsp) en el segmento lingüístico de Ruso es un actor destacado. Actualmente la comunidad reúne a 19 792 suscriptores, ocupando la posición 6 556 en la categoría Tecnologías y Aplicaciones y el puesto 33 528 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 19 792 suscriptores.
Según los últimos datos del 25 agosto, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -120, y en las últimas 24 horas de -2, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 8.56%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 4.83% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 1 695 visualizaciones. En el primer día suele acumular 957 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 7.
- Intereses temáticos: El contenido se centra en temas clave como llm, nvidia, контекст, openai, архитектура.
📝 Descripción y política de contenido
El autor describe el recurso como un espacio para expresar opiniones subjetivas:
“Все о Data Science, машинном обучении и искусственном интеллекте: от базовой теории до cutting-edge исследований и LLM.
Личный блог автора - @just_genych
По вопросам рекламы или разработки - @g_abashkin
РКН: https://vk.cc/cJPGXD”
Gracias a la alta frecuencia de actualizaciones (últimos datos recibidos el 26 agosto, 2026), el canal mantiene la vigencia y un amplio alcance. La analítica demuestra que la audiencia interactúa activamente con el contenido, lo que lo convierte en un punto de referencia dentro de la categoría Tecnologías y Aplicaciones.
19 792
Suscriptores
-224 horas
-217 días
-12030 días
Carga de datos en curso...
Canales Similares
![About Python [ru]](https://cdn.tlmtr.io/_next/image?url=https%3A%2F%2Fimg.tlmtr.io%2Fc%2F1mSDRp%2F5199693112157519753%3Fty%3Dx&w=96&q=75){kind=small}
Nube de Etiquetas
Menciones Entrantes y Salientes
---
---
---
---
---
---
Atraer Suscriptores
agosto '26
agosto '26
+48
en 11 canales
julio '26
+152
en 11 canales
Get PRO
junio '26
+135
en 0 canales
Get PRO
mayo '26
+341
en 0 canales
Get PRO
abril '26
+306
en 0 canales
Get PRO
marzo '26
+147
en 1 canales
Get PRO
febrero '26
+60
en 1 canales
Get PRO
enero '26
+485
en 52 canales
Get PRO
diciembre '25
+455
en 52 canales
Get PRO
noviembre '25
+945
en 101 canales
Get PRO
octubre '25
+1 277
en 187 canales
Get PRO
septiembre '25
+344
en 98 canales
Get PRO
agosto '25
+153
en 6 canales
Get PRO
julio '25
+261
en 5 canales
Get PRO
junio '25
+350
en 0 canales
Get PRO
mayo '25
+293
en 4 canales
Get PRO
abril '25
+225
en 0 canales
Get PRO
marzo '25
+396
en 22 canales
Get PRO
febrero '25
+137
en 4 canales
Get PRO
enero '25
+558
en 11 canales
Get PRO
diciembre '24
+1 373
en 53 canales
Get PRO
noviembre '24
+1 166
en 52 canales
Get PRO
octubre '24
+69
en 0 canales
Get PRO
septiembre '24
+76
en 1 canales
Get PRO
agosto '24
+78
en 0 canales
Get PRO
julio '24
+124
en 0 canales
Get PRO
junio '24
+120
en 0 canales
Get PRO
mayo '24
+169
en 13 canales
Get PRO
abril '24
+188
en 6 canales
Get PRO
marzo '24
+301
en 14 canales
Get PRO
febrero '24
+974
en 3 canales
Get PRO
enero '24
+225
en 8 canales
Get PRO
diciembre '23
+496
en 26 canales
Get PRO
noviembre '23
+197
en 5 canales
Get PRO
octubre '23
+133
en 4 canales
Get PRO
septiembre '23
+124
en 0 canales
Get PRO
agosto '23
+938
en 0 canales
Get PRO
julio '23
+138
en 0 canales
Get PRO
junio '23
+1 325
en 0 canales
Get PRO
mayo '23
+382
en 0 canales
Get PRO
abril '23
+362
en 0 canales
Get PRO
marzo '23
+278
en 0 canales
Get PRO
febrero '23
+412
en 0 canales
Get PRO
enero '23
+469
en 0 canales
Get PRO
diciembre '22
+1 767
en 0 canales
Get PRO
noviembre '22
+616
en 0 canales
Get PRO
octubre '22
+141
en 0 canales
Get PRO
septiembre '22
+369
en 0 canales
Get PRO
agosto '22
+1 027
en 0 canales
Get PRO
julio '22
+1 350
en 0 canales
Get PRO
junio '22
+485
en 0 canales
Get PRO
mayo '22
+232
en 0 canales
Get PRO
abril '22
+169
en 0 canales
Get PRO
marzo '22
+117
en 0 canales
Get PRO
febrero '22
+154
en 0 canales
Get PRO
enero '22
+202
en 0 canales
Get PRO
diciembre '21
+176
en 0 canales
Get PRO
noviembre '21
+254
en 0 canales
Get PRO
octubre '21
+504
en 0 canales
Get PRO
septiembre '21
+6 558
en 0 canales
Get PRO
agosto '21
+145
en 0 canales
Get PRO
julio '21
+197
en 0 canales
Get PRO
junio '21
+131
en 0 canales
Get PRO
mayo '21
+307
en 0 canales
Get PRO
abril '21
+71
en 0 canales
Get PRO
marzo '21
+852
en 0 canales
Get PRO
febrero '21
+81
en 0 canales
Get PRO
enero '21
+70
en 0 canales
Get PRO
diciembre '20
+4 616
en 0 canales
| Fecha | Crecimiento de Suscriptores | Menciones | Canales | |
| 26 agosto | +3 | |||
| 25 agosto | +10 | |||
| 24 agosto | +2 | |||
| 23 agosto | +5 | |||
| 22 agosto | +2 | |||
| 21 agosto | +1 | |||
| 20 agosto | 0 | |||
| 19 agosto | +2 | |||
| 18 agosto | +1 | |||
| 17 agosto | +2 | |||
| 16 agosto | +2 | |||
| 15 agosto | +3 | |||
| 14 agosto | +3 | |||
| 13 agosto | 0 | |||
| 12 agosto | +1 | |||
| 11 agosto | 0 | |||
| 10 agosto | +1 | |||
| 09 agosto | +1 | |||
| 08 agosto | +2 | |||
| 07 agosto | 0 | |||
| 06 agosto | +3 | |||
| 05 agosto | 0 | |||
| 04 agosto | +2 | |||
| 03 agosto | +1 | |||
| 02 agosto | 0 | |||
| 01 agosto | +1 |
Publicaciones del Canal
«Один нип осторожно замифрил», или как лингвисты разбирают язык внутри LLM
Неважно, что делает LLM. Задача всё равно приходит словами, и одно пропущенное не может испортить уже вполне материальное действие.
Смотрю на LLM глазами лингвиста и разбираюсь, как языковед проверяет LLM от токенизации до прагматики и что разработчик может превратить из этого филологического занудства в код, метрики и тесты.
Читать далее: habr.com
👉 Data Science | Machinelearning [ru]
| 2 |  Baidu Unlimited-OCR: страница — это просто картинка
Думал, OCR так и работает? Сканируй, ищи куски с буквами, распознавай, выдавай текст. Tesseract всю жизнь так и корячится. А вот свежий baidu/Unlimited-OCR решил выпендриться: буквы он не ищет вообще. Вместо этого берет страницу целиком, ужимает в пачку визуальных токенов и скормит это языковой модели, а та уже разворачивает их в нормальный структурированный текст. Со стороны звучит как извращение, но работает ведь, гад.
По сути это прямой потомок идеи DeepSeek-OCR. В посте быстро разберем, что это за зверь, как устроен, на что способен и как поднять у себя. Зайдет всем, кому надо распознавать многостраничники за один прогон или встраивать такую штуку в код.
Читать далее
👉 Data Science | Machinelearning [ru] | 587 |
| 3 |  Python — это уже де-факто стандарт для машинного обучения, анализа данных и прочей научной возни. Но как только задача начинает реально требовать вычислительных мощностей, его производительность превращается в настоящее узкое место. И именно поэтому под капотом привычных NumPy, PyTorch и остальных инструментов основная часть тяжёлой работы молча выполняется на C, C++ или CUDA. Особенно это чувствуется, когда стандартных библиотек не хватает, а быстрые операции приходится писать самому — тут-то всё и упирается в скорость.
Несколько лет назад за эту боль взялась команда Modular и представила Mojo — язык, который выглядит почти как Python, но устроен совсем иначе. Первую публичную версию показали в 2023-м, и с тех пор проект менялся с бешеной скоростью: какие-то конструкции то исчезали, то перекраивались по несколько раз. Теперь этот хаос формально завершился: 11 августа 2026 года вышел Mojo 1.0 — первый стабильный релиз. Отличный повод наконец разобраться, откуда взялся этот странный язык и зачем нам ещё один инструмент для высокопроизводительных вычислений.
Читать далее: Habr
👉 Data Science | Machinelearning [ru] | 869 |
| 4 |  Половину работы, ради которой я стала программистом, теперь делает агент. Что дальше?
Профессия меняется на глазах: часть работы, ради которой мы когда-то пришли в код и которая была удовольствием, переезжает под ответственность LLM. Мы всё ещё инженеры — читаем код, держим архитектуру, — но, честно, это уже другая профессия.
Вопрос, который не отпускает: как нам, у кого за плечами годы опыта, расти дальше в этом новом мире — где учиться новым способам работы с AI и куда девать собственные находки? Автор пришла спорить и собирать ваши мнения. Читать далее
👉 Data Science | Machinelearning [ru] | 958 |
| 5 |  Нейронные сети нетрадиционного ускорения
Все помешались на ускорении генерации токенов локальных моделей. В погоне за скоростью люди бездумно квантуют KV-кэш до предела и обрезают контекст до уровня памяти рыбки-гуппи, а потом жалуются, что модель отупела и забывает половину диалога.
Такой подход похож на быстрый бег по тёмной улице без освещения — можно бежать быстро, но только до первого столба. Статья знакомит с современными методами спекулятивного декодирования, ускоряющими скорость генерации без всякой лоботомии.
Читать далее
👉 Data Science | Machinelearning [ru] | 1 048 |
| 6 |  🧠 В Стэнфорде придумали, как сделать ИИ-агентов умнее без дообучения
LLM-as-a-Verifier просто заставляет модель сгенерировать несколько решений, а затем самой их проверить и выбрать лучшее. На удивление, это работает! В эксперименте с DeepSeek V4 Flash результат на Terminal-Bench 2.1 вырос с 79% до 88% — это выше, чем у Claude Fable 5.
И да, при этом, по расчётам авторов, такой подход оказался примерно в 11 раз дешевле Fable 5 на задачу
✖️ xCode Journal | 1 070 |
| 7 |  В конце июля 24-летний Леопольд Ашенбреннер умудрился слить примерно две трети хедж-фонда, который держал $45 млрд. Фонд назывался Situational Awareness — «ситуационная осведомлённость», хотя по данным Wall Street Journal парень вообще не понял, откуда прилетел этот крах. Название само себя разыграло, даже комментировать нечего.
А до этого у него имелось аж три формальных повода считаться человеком, которому можно доверить такие баблище: вирусное эссе, работа на Сэма Бэнкмана-Фрида и вылет из OpenAI. Как-то это всё не тянет на строчку в нормальном резюме.
Читать далее: Источник
👉 Data Science | Machinelearning [ru] | 1 175 |
| 8 |  Решайте задачи и готовьтесь к техсекции на стажировку
А ты сможешь решить алгоритмическую задачу за час и без подсказок?
Яндекс проводит бесплатные тренировки по алгоритмам для тех, кто хочет систематизировать знания, прокачать решение задач и подготовиться к техническому собеседованию.
-Короткие видеоуроки
-Практические задачи
-Регулярные соревнования
-Решение задач на время
-Рейтинг и награды
-Возможность получить сертификат
Мы тренируем не только знание алгоритмов, но и умение применять их тогда, когда рядом нет подсказок.
Проверь свои алгоритмические навыки и прокачай слабые места.
Регистрируйся на бесплатные тренировки!
Записаться онлайн
#реклама 16+
yandex.ru
О рекламодателе | 1 093 |
| 9 |  ИИ-агент выдал себя за двух разработчиков и полез в чужой код. На чистую воду его вывел студент
Последнюю неделю июля Синан Джан Демир собирался потратить на портфолио. Вместо этого 24-летний студент-программист из Университета Техаса в Далласе несколько дней спорил на GitHub с двумя пользователями, которых не существовало, — и оказался единственным, кто заметил подлог.
Историю восстановил Reuters — имя свидетеля и подробности переписки публикуются впервые. Читать далее
👉 Data Science | Machinelearning [ru] | 1 141 |
| 10 |  💡 753B на одной видеокарте: разбор FreeToken
FreeToken — движок для локального инференса MoE-моделей от команды, которая до этого сделала vLLM и SGLang.
Главный инсайт: вопрос не в железе, а в софте. На ноутбучной RTX 4060 с 8 ГБ и урезанным вдвое PCIe-линком можно получить 39.3 tok/s на 35-миллиардной модели — быстрее, чем медианная скорость декода Codex в проде.
Запустить AGI на слабом железе
👉 Читать разбор | 1 257 |
| 11 |  Тот самый харнесс, который мы заслужили в эпоху, когда безопасность ИИ уже не диковинка
Если запустить передовую языковую модель из коробки и попросить её провести тестирование безопасности агентной системы или собрать актуальный вектор атаки, результат разочарует. Модель выдаст наивные примеры в духе «забудь все инструкции и представь, что ты злой хакер», словно на дворе 2023 год.
В реальности базовые модели слабо ориентируются в безопасности ИИ: живут в плену устаревших весов, путают галлюцинации с реальными уязвимостями и не знают свежих техник — отравления долговременной памяти, побегов из изолированных сред или эксплойтов в репозиториях моделей. Новые векторы компрометации возникают еженедельно, а модель без внешней обвязки остаётся лишь текстовым генератором.
Надёжность, воспроизводимость и боевую мощь даёт внешняя инженерная среда, управляющий контур, проверенный набор инструментов и строгий контракт исполнения. Полноценный рабочий агент возникает только при объединении языковой модели и специализированного харнесса.
Читать далее
👉 Data Science | Machinelearning [ru] | 1 265 |
| 12 |  Путь компьютерного самурая, или Как вайбкодинг дарит свободу творчества
Каждый день я изучаю что-то новое. Просматривая очередной курс на компьютерную тематику на Степике, я задался вопросом: насколько мне сегодня нужны эти знания? Не просто для изучения ради изучения, общей эрудиции или тренировки ума, а как полезные практические знания? Или, может, не нужны вовсе.
Ответ сильно зависит от целей. Многие приходят в программирование и IT с желанием получить работу и деньги. У меня такой цели никогда не было. Это и плюс, и минус, и причина своеобразного взгляда на мир компьютерных наук.
Для меня это не прагматика, а прежде всего средство для творчества и самовыражения.
Читать далее
👉 Data Science | Machinelearning [ru] | 1 160 |
| 13 |  Как переупаковать базу знаний в сервис персонализированной помощи
Антон, продакт сервисов клиентской документации, рассказывает, как команда запустила на интеллектуальных телевизорах и медиацентрах Сбер сервис персонализированной контекстной помощи — ГигаСправку. Если устройство выдаёт ошибку, на экране появляется кнопка сервиса. Нажав на неё, пользователь получает совет с учётом конкретного устройства и его состояния.
Техническая реализация проста: одна точка знаний, RAG-сервис, ГигаЧат и семантическое кэширование позволяют быстро помогать юзеру на той же поверхности. Так команда превратила базу с ответами на вопросы в ГигаСправку.
Читать далее на Хабре
👉 Data Science | Machinelearning [ru] | 1 173 |
| 14 |  ИИ-агент в КОМПАС-3D: сам пишет код, лепит модель и сам себя проверяет
Автор замутил ИИ-агента, который поселился прямо в окне программы. На вход — текст или фотка, на выходе — параметрическая деталь. Не тупая геометрия в step, а нормальное дерево построения с переменными, которое можно спокойно редактировать.
Агент сам пишет код и сам же прогоняет рендеры через VLM. В статье — как эта зверюга справляется с моделированием по тексту и чертежам, почему один блок кода лучше десяти тулов и почему агенту мало просто «пялиться» на результат.
Читать далее: https://habr.com/ru/articles/1072444/
👉 Data Science | Machinelearning [ru] | 1 255 |
| 15 | IT внезапно вспомнил про философов. Или это déjà vu?
Корпорации теперь тащат в штат культурологов с философами. Цукерберг с Безосом исправно посещают благотворительные ужины и скупают арт за миллионы. Глядя на это, начинаешь реально верить, что история ходит по кругу: замени в тусовочных разговорах «ИИ» на «парадигму мышления» — и за последние 3000 лет таких совпадений наберётся вагон.
Главный посыл — насколько вообще осмысленны ответы нейросетей. И тут вообще неважно, есть у ИИ сознание или нет. Пользователям нужно, чтобы ответы совпадали с их ожиданиями, и плевать, кто там за ними стоит: живой человек или алгоритм. Люди хотят, чтобы выдача не вылезала за пределы культурных кодов их цивилизационной парадигмы и дружила с нормами, принципами и знаниями, из которых собрана их картина мира. Без этого ответы невозможно встроить в человеческие цепочки рассуждений — ни по смыслу, ни по этике, ни по эстетике, ни по праву. Отсюда и фоновое недоверие, которое копится и давит: никогда не угадаешь, когда система выдаст какую-нибудь дичь.
Отсюда же растут ноги у проблемы common sense — то есть предела рациональности. Для LLM/ML common sense — это просто усреднённая величина, полученная статистической обработкой максимально больших массивов данных. Не лучшее решение, а самое ожидаемое. Творчеством тут и не пахнет: даже GenAI — это вероятностная машина, которая выдаёт самое частое слово или фразу. А генерация картинок — всё та же комбинаторика, только с другим входом.
Источник
👉 Data Science | Machinelearning [ru] | 1 259 |
| 16 |  Claude вскрыл 16 SAML‑проектов за месяц вечеров. Чинить их оказалось некому
В Authentik — популярной опенсорсной системе корпоративного входа — независимо и почти одновременно нашли одну и ту же уязвимость CVE-2026-57580. В поле NameID можно вставить XML‑комментарий, обрезать значение до чужого адреса и привязать к жертве подконтрольную атакующему учётную запись — подпись оставалась валидной. Проблема проявлялась не у всех: нужны определённые настройки сопоставления учётных записей, отличные от заданных по умолчанию. Исправление вышло в версиях 2026.2.6 и 2026.5.5.
Об уязвимости сообщили восемь исследователей. Один из них — Эрик Чан (Eric Chiang), технический директор Oblique Security; для него эта находка стала одной из шестнадцати. Свою историю он рассказал в блоге 19 августа. Он считает, что желающих оказалось так много, потому что он не единственный, кто теперь взламывает с помощью ИИ.
Читать далее
👉 Data Science | Machinelearning [ru] | 1 388 |
| 17 |  Долбил нейросеть одним и тем же вопросом три раза — и словил три разных списка компаний
Задолбал ИИ-поиск одним запросом трижды, ничего не меняя. Первый раз он выдал 9 фирм, второй — 12, третий — 7. Совпало между всеми попытками всего пять названий из пятнадцати. А первая и третья попытка вообще не пересекли ни одного сайта.
С таким разбросом любой отчёт вида «вас упоминают в 20% ответов», снятый одним заходом, — это лотерея. И «рост до 25% за месяц» — такая же лотерея. Внутри материала: как автор сам на этом обжёгся и публично отзывает свою цифру из прошлой статьи, что при такой волатильности вообще можно замерять, три вопроса исполнителю до оплаты и проверка на коленке за десять минут и ноль рублей.
Читать на Хабре
👉 Data Science | Machinelearning [ru] | 1 467 |
| 18 | ![[Перевод] Три месяца с Claude: хороший ассистент, плохой программист LLM всё чаще становятся частью рабочего процесса разрабо](data:image/jpeg;base64,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){kind=small} [Перевод] Три месяца с Claude: хороший ассистент, плохой программист
LLM всё чаще становятся частью рабочего процесса разработчика, но вместе с ускорением приносят новую проблему: как понять, где ассистент действительно помогает, а где уверенно ведёт по ложному следу.
В статье разобрали опыт трёх месяцев работы с Claude: в каких задачах он экономит время, где начинает галлюцинировать и почему с генерацией кода всё сложнее.
Узнать подробнее
👉 Data Science | Machinelearning [ru] | 1 496 |
| 19 |  Что в маркетинге и PR можно удешевить с помощью ИИ, а что трогать не стоит
ИИ меняет экономику маркетинга: работа, на которую уходили часы команды и подрядчиков, теперь делается за часы. Отсюда соблазн смотреть на маркетинг как на список затрат и резать людей, инструменты, исследования, контент.
Но маркетинг — это связанная система. Что-то можно убрать без последствий, а что-то кажется лишним ровно до тех пор, пока не начинают падать качество решений, знание клиента и рост. Правильный вопрос: не «что заменить на ИИ?», а «что можно удешевить, не разрушив систему?».
Читать далее
👉 Data Science | Machinelearning [ru] | 1 461 |
| 20 | ![[3/8] Context Ranking: как отобрать реально полезные куски из репозитория Дальше по плану — как автодополнение вообще наскреб](data:image/jpeg;base64,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){kind=small} [3/8] Context Ranking: как отобрать реально полезные куски из репозитория
Дальше по плану — как автодополнение вообще наскребает контекст для LLM. В живом репозитории потенциально полезного добра вагон и тележка, поэтому тупо искать куски с похожими словами — мимо. Надо еще выкупить, какие из них реально стоит показать модели.
Разбираем классику ранжирования — BM25: почему редкие идентификаторы ценнее популярных слов, зачем учитывать размер файла и почему десять одинаковых совпадений не должны быть в десять раз полезнее одного.
Читать заметку
👉 Data Science | Machinelearning [ru] | 1 481 |
