es
Feedback
gonzo-обзоры ML статей

gonzo-обзоры ML статей

Ir al canal en Telegram

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.

Mostrar más

📈 Análisis del canal de Telegram gonzo-обзоры ML статей

El canal gonzo-обзоры ML статей (@gonzo_ml) en el segmento lingüístico de Ruso es un actor destacado. Actualmente la comunidad reúne a 24 339 suscriptores, ocupando la posición 5 512 en la categoría Tecnologías y Aplicaciones y el puesto 27 359 en la región Rusia.

📊 Métricas de audiencia y dinámica

Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 24 339 suscriptores.

Según los últimos datos del 02 julio, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de 51, y en las últimas 24 horas de 3, conservando un alto alcance.

  • Estado de verificación: No verificado
  • Tasa de interacción (ER): El promedio de interacción de la audiencia es 10.96%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 6.72% de reacciones respecto al total de suscriptores.
  • Alcance de las publicaciones: Cada publicación recibe en promedio 2 667 visualizaciones. En el primer día suele acumular 1 636 visualizaciones.
  • Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 15.
  • Intereses temáticos: El contenido se centra en temas clave como learning, tl;dr, токенов, архитектура, контекст.

📝 Descripción y política de contenido

El autor describe el recurso como un espacio para expresar opiniones subjetivas:
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...

Gracias a la alta frecuencia de actualizaciones (últimos datos recibidos el 03 julio, 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.

24 339
Suscriptores
+324 horas
+177 días
+5130 días
Atraer Suscriptores
julio '26
julio '26
+20
en 0 canales
junio '26
+253
en 7 canales
Get PRO
mayo '26
+210
en 3 canales
Get PRO
abril '26
+279
en 5 canales
Get PRO
marzo '26
+275
en 7 canales
Get PRO
febrero '26
+387
en 4 canales
Get PRO
enero '26
+415
en 14 canales
Get PRO
diciembre '25
+439
en 7 canales
Get PRO
noviembre '25
+295
en 11 canales
Get PRO
octubre '25
+510
en 12 canales
Get PRO
septiembre '25
+286
en 7 canales
Get PRO
agosto '25
+430
en 5 canales
Get PRO
julio '25
+641
en 11 canales
Get PRO
junio '25
+362
en 9 canales
Get PRO
mayo '25
+431
en 7 canales
Get PRO
abril '25
+922
en 19 canales
Get PRO
marzo '25
+583
en 8 canales
Get PRO
febrero '25
+649
en 16 canales
Get PRO
enero '25
+1 065
en 24 canales
Get PRO
diciembre '24
+699
en 13 canales
Get PRO
noviembre '24
+1 001
en 20 canales
Get PRO
octubre '24
+727
en 14 canales
Get PRO
septiembre '24
+415
en 11 canales
Get PRO
agosto '24
+467
en 3 canales
Get PRO
julio '24
+217
en 10 canales
Get PRO
junio '24
+375
en 20 canales
Get PRO
mayo '24
+354
en 11 canales
Get PRO
abril '24
+377
en 13 canales
Get PRO
marzo '24
+399
en 14 canales
Get PRO
febrero '24
+323
en 12 canales
Get PRO
enero '24
+660
en 15 canales
Get PRO
diciembre '23
+641
en 19 canales
Get PRO
noviembre '23
+268
en 8 canales
Get PRO
octubre '23
+501
en 19 canales
Get PRO
septiembre '23
+355
en 0 canales
Get PRO
agosto '23
+456
en 0 canales
Get PRO
julio '23
+357
en 0 canales
Get PRO
junio '23
+300
en 0 canales
Get PRO
mayo '23
+2 022
en 0 canales
Get PRO
abril '23
+967
en 0 canales
Get PRO
marzo '23
+2 757
en 0 canales
Get PRO
febrero '23
+385
en 0 canales
Get PRO
enero '23
+166
en 0 canales
Get PRO
diciembre '22
+343
en 0 canales
Get PRO
noviembre '22
+100
en 0 canales
Get PRO
octubre '22
+93
en 0 canales
Get PRO
septiembre '22
+70
en 0 canales
Get PRO
agosto '22
+261
en 0 canales
Get PRO
julio '22
+475
en 0 canales
Get PRO
junio '22
+215
en 0 canales
Get PRO
mayo '22
+225
en 0 canales
Get PRO
abril '22
+101
en 0 canales
Get PRO
marzo '22
+132
en 0 canales
Get PRO
febrero '22
+233
en 0 canales
Get PRO
enero '22
+113
en 0 canales
Get PRO
diciembre '21
+248
en 0 canales
Get PRO
noviembre '21
+226
en 0 canales
Get PRO
octubre '21
+69
en 0 canales
Get PRO
septiembre '21
+92
en 0 canales
Get PRO
agosto '21
+73
en 0 canales
Get PRO
julio '21
+133
en 0 canales
Get PRO
junio '21
+174
en 0 canales
Get PRO
mayo '21
+75
en 0 canales
Get PRO
abril '21
+84
en 0 canales
Get PRO
marzo '21
+97
en 0 canales
Get PRO
febrero '21
+136
en 0 canales
Get PRO
enero '21
+170
en 0 canales
Get PRO
diciembre '20
+4 514
en 0 canales
Fecha
Crecimiento de Suscriptores
Menciones
Canales
03 julio+4
02 julio+8
01 julio+8
Publicaciones del Canal
2
Sin texto...
332
3
Sin texto...
335
4
Sin texto...
324
5
Sin texto...
293
6
Авторы TRM добавили к уже обученной модели стохастичности и сильно улучшили результаты. Работа про GRAM близка, но идёт дальше, там стохастичность в обучении. Вчерашняя FRM по подходу иная, но тоже где-то из близкой когорты. Что мне нравится, в направлении латентного ризонинга сейчас происходит свой областного значения кембрийский взрыв. Много работ с разных сторон находят интересные решения и оно, конечно, должно всё слиться в какой-то большой итоговой модели. Probabilistic Tiny Recursive Model Amin Sghaier, Ali Parviz, Alexia Jolicoeur-Martineau Paper: https://arxiv.org/abs/2605.19943 Review: https://arxiviq.substack.com/p/probabilistic-tiny-recursive-model # TL;DR ЧТО сделали: Авторы разработали фреймворк Probabilistic TRM (PTRM). Он позволяет масштабировать вычисления во время инференса (test-time compute) без дополнительного обучения модели. Метод добавляет стохастический поиск в предобученные Tiny Recursive Models (TRM). На каждом шаге рекурсии в скрытое состояние подмешивается гауссовский шум. Это создаёт несколько параллельных траекторий, помогая модели выбираться из субоптимальных локальных аттракторов, а лучшая траектория затем выбирается с помощью уже имеющейся предобученной классификационной головы (Q-head). ПОЧЕМУ это важно: Эта работа доказывает, что огромные и дорогие авторегрессионные LLM — не единственный путь к решению сложных логических задач. Сверхкомпактные неавторегрессионные рекурсивные сети (всего 5–7 млн параметров) способны превосходить передовые LLM в решении структурированных задач на удовлетворение ограничений. При этом стоимость инференса оказывается ниже более чем в 10 000 раз. Это подтверждает перспективность масштабирования вычислений на этапе инференса в непрерывном латентном пространстве, а не в дискретном пространстве токенов. Для практиков: Если вам нужно решать жёстко структурированные задачи вроде судоку или планирования путей, не обязательно разворачивать тяжёлые LLM или настраивать сложные цепочки CoT. Крошечные рекурсивные модели с добавлением контролируемого шума на инференсе и простым классификатором-верификатором могут дать колоссальный прирост качества при практически нулевых затратах на инфраструктуру. Рекуррентно шуметь здесь: https://t.me/gonzo_ML_podcasts/4279
346
7
Sin texto...
1 557
8
Sin texto...
1 637
9
Sin texto...
1 574
10
Sin texto...
1 437
11
Sin texto...
1 385
12
Снова заход на неавторегрессионные модели (здесь потоковые модели, flow models) и валидация результата через использование неподвижной точки (похоже на идею из недавнего https://t.me/gonzo_ML/5602). Flow Reasoning Models: Scaling Reasoning Through Iterative Self-Refinement Alec Helbling, Andrey Bryutkin, Mauro Martino, Nima Dehmamy, Hendrik Strobelt Paper: https://arxiv.org/abs/2606.29150 Review: https://arxiviq.substack.com/p/flow-reasoning-models-scaling-reasoning Code: N/A Model: N/A # TL;DR ЧТО сделали: Авторы представили Flow Reasoning Models (FRM) — фреймворк для обучения и масштабирования на этапе инференса (test-time scaling), предназначенный для решения структурированных задач на удовлетворение ограничений (например, судоку или загадок «Зебра») с помощью моделей дискретных потоков. FRM используют стабильность неподвижных точек внутри собственной динамики денойзинга модели как не требующий разметки (unsupervised) верификатор правильности решений. Также авторы разработали метод локального обучения предпочтениям FLOWDPO для активного подавления самогенерируемых ошибок. ПОЧЕМУ это важно: Работа доказывает, что генеративные потоковые сети уже содержат латентные и крайне надёжные сигналы верификации (AUROC близок к 1.0) в своей собственной геометрической динамике. Это избавляет от необходимости обучать отдельные дорогие модели вознаграждения или использовать внешние валидаторы. Объединяя генерацию, верификацию и выравнивание (alignment) в рамках единой системы аттракторов, FRM достигают высочайшей точности в задачах с ограничениями, сокращая вычислительные затраты на инференс более чем в 8 раз по сравнению с сильными бейзлайнами на основе маскированной диффузии. Для практиков: Предложенный фреймворк позволяет строить автономные самообучающиеся системы без дорогой ручной разметки данных для верификации. Геометрическая стабильность траектории в пространстве эмбеддингов сама по себе служит надёжным маркером правильности ответа, что позволяет эффективно отсеивать галлюцинации и ошибки прямо на этапе генерации. Искать неподвижную точку здесь: https://t.me/gonzo_ML_podcasts/4263
1 401
13
Sin texto...
1 707
14
Sin texto...
1 682
15
Sin texto...
1 643
16
Sin texto...
1 522
17
Агентная генерация качественной синтетики. По сути почти старая добрая зона проксимального развития. Но с эволюционным мета-циклом. Autodata: An agentic data scientist to create high quality synthetic data Ilia Kulikov, Chenxi Whitehouse, Tianhao Wu, Yixin Nie, Swarnadeep Saha, Eryk Helenowski, Weizhe Yuan, Olga Golovneva, Jack Lanchantin, Yoram Bachrach, Jakob Foerster, Xian Li, Han Fang, Sainbayar Sukhbaatar, Jason Weston Paper: https://arxiv.org/abs/2606.25996 Review: https://arxiviq.substack.com/p/autodata-an-agentic-data-scientist Code: N/A Model: N/A # TL;DR ЧТО сделали: Авторы представили Autodata — фреймворк, превращающий LLM-агентов в автономных дата-саентистов. Вместо статичных шаблонов промптов и простых конвейеров фильтрации Autodata использует замкнутый цикл: генерация, оценка на основе решателей (solvers), анализ ошибок и доработка инструкций. На внешнем уровне работает эволюционный цикл, который автоматически оптимизирует промпты самих агентов. ПОЧЕМУ это важно: По мере того как коммерческие передовые модели приближаются к человеческому уровню на стандартных бенчмарках, доступный объём качественных человеческих данных становится главным узким горлышком. При этом стандартная генерация синтетики часто выдаёт либо тривиальные, либо невыполнимо сложные задачи. Autodata системно конвертирует огромные вычислительные мощности этапа инференса (test-time compute) в структурированные обучающие программы «золотой середины». Это улучшает AI alignment моделей и радикально повышает их эффективность рассуждений на уровне токенов. Для практиков: Autodata позволяет обучать небольшие модели (например, Qwen3.5-4B) на сложных доменах (код, право) так, что они начинают обходить даже гигантские необученные модели (Qwen3.5-397B). Кроме того, такой файнтюнинг сокращает избыточность рассуждений и решает проблему обрыва цепочек, заставляя модель рассуждать лаконичнее и экономя токены. Умно обучать агентов тут: https://t.me/gonzo_ML_podcasts/4247
1 640
18
Sin texto...
1 798
19
Sin texto...
1 785
20
Sin texto...
1 710