555
Suscriptores
Sin datos24 horas
-27 días
Sin datos30 días
Cargando datos
Canales Similares
Nube de Etiquetas
Menciones Entrantes y Salientes
---
---
---
---
---
---
Atraer Suscriptores
octubre '26oct '26
octubre '26
+158
en 0 canales
septiembre '260
en 1 canales
Get PRO
agosto '260
en 0 canales
Get PRO
julio '260
en 2 canales
Get PRO
junio '260
en 0 canales
Get PRO
mayo '260
en 3 canales
Get PRO
abril '260
en 1 canales
Get PRO
marzo '260
en 2 canales
Get PRO
febrero '260
en 4 canales
Get PRO
enero '260
en 3 canales
Get PRO
diciembre '250
en 4 canales
Get PRO
noviembre '250
en 3 canales
Get PRO
octubre '250
en 1 canales
Get PRO
septiembre '250
en 0 canales
Get PRO
agosto '250
en 0 canales
Get PRO
julio '25
+9
en 1 canales
Get PRO
junio '25
+14
en 1 canales
Get PRO
mayo '25
+21
en 2 canales
Get PRO
abril '25
+15
en 1 canales
Get PRO
marzo '25
+10
en 1 canales
Get PRO
febrero '25
+18
en 3 canales
Get PRO
enero '25
+36
en 1 canales
Get PRO
diciembre '24
+28
en 7 canales
Get PRO
noviembre '24
+33
en 8 canales
Get PRO
octubre '24
+40
en 4 canales
Get PRO
septiembre '24
+34
en 15 canales
Get PRO
agosto '24
+22
en 10 canales
Get PRO
julio '24
+66
en 4 canales
Get PRO
junio '240
en 6 canales
Get PRO
mayo '240
en 1 canales
Get PRO
abril '240
en 0 canales
Get PRO
marzo '240
en 1 canales
Get PRO
febrero '24
+6
en 1 canales
Get PRO
enero '24
+14
en 0 canales
Get PRO
diciembre '23
+136
en 0 canales
| Fecha | Crecimiento de Suscriptores | Menciones | Canales | |
| 20 octubre | +4 | |||
| 19 octubre | 0 | |||
| 18 octubre | 0 | |||
| 17 octubre | +1 | |||
| 16 octubre | 0 | |||
| 15 octubre | 0 | |||
| 14 octubre | 0 | |||
| 13 octubre | +2 | |||
| 12 octubre | 0 |
Publicaciones del Canal
| 2 | AI is really good at automating our worst tendencies. It amplifies the unspoken cultural practices no one likes, but no individual can reasonably deviate from. It exploits the mechanized traditions recalcitrant to collective action. In that vein, AI can now write useless theory papers. But perhaps in the absurdity of the distasteful OpenAI trash dump of proofs, we can all look up and realize together that we should consider doing something else.
https://www.argmin.net/p/faster-fourier-transforms | 139 |
| 3 | https://arxiv.org/abs/math/0404188 | 183 |
| 4 | https://www.apolloresearch.ai/science/update-aware-reasoning-glm-5-3 | 249 |
| 5 | https://academy.dair.ai/papers/hybrid-reasoning-agents-2610.18861
"thinking without words" for llms | 237 |
| 6 | cтаття про розплутування нейронів віруситься в дата-саєнс (та не тільки) колах
тейк: нейромережі виявились чистішими ніж ми думали
Нік Каммарата з Goodfire - один із тих, хто колись допомагав просувати ідею superposition - написав довге есе, де по суті визнає: ми помилялись
стандартна історія була така: у нейронах каша. один нейрон реагує і на морди котів, і на передки машин, бо мережі нібито бракує місця, і вона пхає в одну шухляду несумісні речі. тому щоб щось зрозуміти, спершу треба розплутати клубок окремою моделлю (sparse autoencoder) і вивчати вже її
а тепер виявляється, що кіт+машина - це просто нейрон «V-форми». вуса, фари, лисячі морди, полум'я - усе V-подібне. спільне було, просто ніхто не дивився уважно
а решта «каші» - це не хаос, а крива оптика. інструменти були слабкі, архітектура стара, а ще нейрон по ходу навчання обростає суміжними значеннями, як гілка - дрібнішими гілочками. кожен крок логічний, а якщо дивитись лише на результат - здається, що там бардак
коли взяли сучасну архітектуру того ж розміру, майже всі нейрони в останньому шарі стали зрозумілими. а в мовній моделі справжня мішанина, за оцінкою автора, це 2-4% нейронів, а не більшість
що це означає простими словами: якщо автор правий, зазирнути всередину ШІ і зрозуміти, чому він відповідає саме так, можна значно раніше й простіше, ніж вважалось. без хитрих обхідних шляхів - просто уважно розглядати, що робить кожна деталь. а чим краще розумієш, що там всередині, тим легше помітити, коли він робить щось не те, а не вірити йому на слово
поки що це гіпотеза, а не доведений факт. але виходить, що чорна скринька - це просто скринька з поганим освітленням | 242 |
| 7 | http://dx.doi.org/10.1038/d41586-026-03181-1 | 223 |
| 8 |  https://arxiv.org/abs/2610.16733
near-perfect accuracy of 98% at an average cost under USD 3 per problem | 217 |
| 9 | https://arxiv.org/abs/2610.00465
tldr: new edge computing paradigm that you can streamline llm weights the same way as TV works and compute results of inference implicitly directly on per-packet basis to reduce inference energy cost by 200x | 302 |
| 10 | https://arxiv.org/abs/2609.19254 | 272 |
| 11 | https://phys.org/news/2026-10-sex-dna-exchange-starving-bacteria.html | 284 |
| 12 | https://www.youtube.com/watch?v=8Y9BsCsp5MI | 425 |
| 13 | https://www.iroh.computer/blog/iroh-global-content-discovery | 384 |
| 14 |  Команда Лапи переросла мій блог, тому пора нарешті розділити.
Будемо постити тут про нашу роботу: наші дослідження, тренування моделей, нові датасети, задачі, interpretability - SOTA штучки!
Запрошуєм підписуватись) | 386 |
| 15 | https://arxiv.org/abs/2606.16926
sounds nice for PDE solvers | 533 |
| 16 |  Sin texto... | 434 |
| 17 | https://journals.aps.org/prx/abstract/10.1103/dhzb-28rb | 425 |
| 18 |  ^ буду розповідати про оцей пейпер там також, скоро буде декілька релізів👀
make ukrainian alignment great again 🫡 | 432 |
| 19 | https://statmodeling.stat.columbia.edu/2026/08/27/258/ | 411 |
| 20 | https://fixupx.com/0x_impai/status/2103161612677107942 | 473 |
