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 24 341 suscriptores, ocupando la posición 5 438 en la categoría Tecnologías y Aplicaciones y el puesto 27 174 en la región Rusia.

📊 Métricas de audiencia y dinámica

Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 24 341 suscriptores.

Según los últimos datos del 26 julio, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de 21, 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 9.63%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 6.69% de reacciones respecto al total de suscriptores.
  • Alcance de las publicaciones: Cada publicación recibe en promedio 2 344 visualizaciones. En el primer día suele acumular 1 629 visualizaciones.
  • Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 10.
  • 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 27 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.

24 341
Suscriptores
-224 horas
+37 días
+2130 días
Atraer Suscriptores
julio '26
julio '26
+170
en 1 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 8 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
27 julio0
26 julio+5
25 julio+5
24 julio+5
23 julio+8
22 julio+9
21 julio+4
20 julio+8
19 julio+13
18 julio+8
17 julio+8
16 julio+9
15 julio+1
14 julio+5
13 julio+5
12 julio+1
11 julio+6
10 julio+4
09 julio+5
08 julio+4
07 julio+11
06 julio+12
05 julio+5
04 julio+7
03 julio+6
02 julio+8
01 julio+8
Publicaciones del Canal
Just in case, сегодня начинается конфа AGI-26, есть стримы онлайн. https://agi-conference.org/schedule

2
Sin texto...
1 200
3
Sin texto...
1 194
4
Sin texto...
1 123
5
50 оттенков continual learning'а. When Does Continual Learning Require Learning _Anne Harrington, Nayan Saxena, Michael Murphy, Anastasia Borovykh, Zeyu Yun, Sridhar Kamath, Ara Eindra Kyi, Trevor Darrell, Jitendra Malik, Yutong Bai_ Paper: https://arxiv.org/abs/2607.07847 Code: https://github.com/anneharrington/studying-cl Review: https://arxiviq.substack.com/p/when-does-continual-learning-require Model: N/A # TL;DR ЧТО сделали: Авторы представляют унифицированный, независимый от конкретных механизмов фреймворк для оценки непрерывного обучения (continual learning) в LLM. В нём напрямую сравниваются восемь методов адаптации — от промптинга до классического обучения с учителем, обучения с подкреплением и сжатия контекста — на четырёх реалистичных сценариях изменения среды: сдвиге доменов, обновлении фактов, временном дрейфе и накоплении состояния агента. ПОЧЕМУ это важно: Исследование математически и эмпирически доказывает, что непрерывное обучение — это не единая монолитная способность, а набор компромиссов, зависящих от характера изменений среды. Универсального метода нет: медленные временные тренды требуют дистилляции для стабильности, дискретные обновления фактов — онлайн-RL, а агентские среды — файнтюнинга весов или специализированного промптинга. Работа даёт чёткую инструкцию, когда моделям нужно обновлять веса внутри модели (in-weights), а когда достаточно внешних надстроек. Для практиков: Если перед вами стоит задача долгосрочной адаптации LLM, забудьте об универсальных решениях. Для исправления фактов используйте онлайн-RL (например, GRPO), для плавной адаптации к домену — дистилляцию (SDFT), а для сложных агентских сред — файнтюнинг весов или продвинутый промпт-инжиниринг. Диссекция continual learning тут: https://t.me/gonzo_ML_podcasts/4615
1 239
6
Sin texto...
1 604
7
Sin texto...
1 555
8
Sin texto...
1 501
9
Sin texto...
1 431
10
Sin texto...
1 356
11
Sin texto...
1 308
12
Прунинг через функциональный анализ. Выглядит красиво. Hilbert Operator for Progressive Encoding (HOPE): A Mathematical Framework for Deconstructing Learned Representations in Deep Networks Hossein Mobahi, Peter L. Bartlett Статья: https://arxiv.org/abs/2607.21366 Ревью: https://arxiviq.substack.com/p/hilbert-operator-for-progressive Код: N/A Модель: N/A # TL;DR Что сделали: Авторы предложили HOPE — математический подход, который позволяет анализировать и сжимать нейросети, переводя их из дискретных списков чисел (весов) в непрерывные математические функции. Объединив этот взгляд со статистикой самой модели, алгоритм научился прореживать, объединять и удалять целые слои без единого разрыва прогона реальных данных. Почему это важно: Обычно модели сжимают или изучают, опираясь либо на величину параметров (что бывает математически обманчиво), либо на прогоны реальных данных (что дорого и не всегда безопасно для приватности). Переход строго в «пространство функций» даёт чёткий, автоматизированный способ уменьшать модели и защищать их базовые знания при обучении новым задачам. Функционально прунить тут:https://t.me/gonzo_ML_podcasts/4606
1 647
13
Sin texto...
1 677
14
Sin texto...
1 628
15
Sin texto...
1 551
16
Sin texto...
1 389
17
Sin texto...
1 359
18
Sin texto...
1 315
19
Ну и чего-нибудь более классического для тех, кому про жызнь менее интересно. Новости зацикленных трансформеров, модель примерно продакшн уровня. The Compute-Matched Paradigm: Rethinking Recurrent Depth with the Loopie Series Zitian Gao, Yilong Chen, Yihao Xiao, Xinyu Yang, Ran Tao, Joey Zhou, Bryan Dai Paper: https://arxiv.org/abs/2607.16051 Review: https://arxiviq.substack.com/p/loop-the-loopies Code: https://github.com/IQuestLab/loopie/megatron, https://github.com/IQuestLab/loopie/vllm (404 for now) Model: https://huggingface.co/IQuestLab/Loopie-20B-A2B-preview, https://huggingface.co/IQuestLab/Loopie-6B-A0.6B-preview (404 for now) # TL;DR ЧТО сделали: Авторы из IQuest Research представили семейство Loopie — новый класс рекуррентных языковых моделей (LLM) с архитектурой Mixture-of-Experts (MoE), где используется механизм "layer-loop" (зацикливание отдельных слоёв). Разработав подход к масштабированию с учётом железа, исследователи сбалансировали физическую глубину, ширину и рекуррентную глубину сети так, чтобы уместиться в вычислительный бюджет на предобучение, аналогичный нерекуррентным бейзлайнам. После предобучения модели дообучались с помощью масштабного пайплайна Supervised Pre-Training (SPT) и обучения с подкреплением (RL) на уровне последовательностей для развития продвинутых способностей к рассуждению. ПОЧЕМУ это важно: Исследования рекуррентных архитектур исторически страдали от проблемы некорректного учёта вычислений: зацикленные модели часто заявляли о своём превосходстве, сравнивая лишь количество параметров, но при этом неявно умножая реальные затраты FLOPs на обучение. Эта работа устраняет данный боттлнек. Доказав, что грамотно настроенная рекуррентная глубина превосходит традиционное масштабирование слоёв при строго фиксированном вычислительном бюджете, авторы легитимизируют рекуррентность как полноценный и высокоэффективный вектор масштабирования для foundation-моделей на триллионы параметров. Для практиков: Если вы упираетесь в ограничения памяти по активациям, локальное зацикливание слоёв позволяет значительно увеличить размер микробатча. Это повышает утилизацию GPU без роста общего физического времени обучения, позволяя направить сэкономленные ресурсы на расширение скрытой размерности модели. Зацикливать трансформеры тут: https://t.me/gonzo_ML_podcasts/4595
1 463
20
Sin texto...
1 376