Data Portal | DS & ML
Всё самое интересное из мира Data Science и машинного обучения Cотрудничество: @devmangx № 8378747991
Mostrar más📈 Análisis del canal de Telegram Data Portal | DS & ML
El canal Data Portal | DS & ML (@llmscience) es un actor destacado. Actualmente la comunidad reúne a 11 368 suscriptores, ocupando la posición 11 017 en la categoría Tecnologías y Aplicaciones y el puesto 56 399 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 11 368 suscriptores.
Según los últimos datos del 14 noviembre, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de 572, y en las últimas 24 horas de -1, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 34.28%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 17.90% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 3 872 visualizaciones. En el primer día suele acumular 2 022 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 1.
- Intereses temáticos: El contenido se centra en temas clave como llm, контекст, токенов, claude, архитектура.
📝 Descripción y política de contenido
El autor describe el recurso como un espacio para expresar opiniones subjetivas:
“Всё самое интересное из мира Data Science и машинного обучения
Cотрудничество: @devmangx
№ 8378747991”
Gracias a la alta frecuencia de actualizaciones (últimos datos recibidos el 15 noviembre, 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.
Cargando datos
| Fecha | Crecimiento de Suscriptores | Menciones | Canales | |
| 15 noviembre | +74 | |||
| 14 noviembre | 0 | |||
| 13 noviembre | 0 | |||
| 12 noviembre | +3 | |||
| 11 noviembre | +6 | |||
| 10 noviembre | +4 | |||
| 09 noviembre | +5 | |||
| 08 noviembre | +11 | |||
| 07 noviembre | +10 | |||
| 06 noviembre | +3 | |||
| 05 noviembre | +13 | |||
| 04 noviembre | +19 | |||
| 03 noviembre | +29 | |||
| 02 noviembre | +106 | |||
| 01 noviembre | +7 |
| 2 | CS329A: «Самосовершенствующиеся ИИ-агенты». Курс Стэнфордского университета.
Многие спрашивали, где найти хорошие лекции по самосовершенствующемуся искусственному интеллекту.
В курсе Стэнфордского университета собраны лекции и полезные материалы для изучения этой темы.
Кроме того, следить за последними научными публикациями по этой теме можно здесь. | 15 273 |
| 3 | Графы — это всего лишь точки и линии. Но если их достаточно много, с их помощью можно смоделировать практически всё что угодно.
Например, математические выражения, где вершины представляют переменные, а рёбра — вычислительные операции.
Или геометрические фигуры, где вершины графа соответствуют вершинам фигуры, а рёбра образуют границы её граней.
Или фрагменты ДНК, которые с помощью графовых алгоритмов можно объединить в полные последовательности генома.
Графы встречаются повсюду, а теория графов даёт нам мощный математический аппарат для работы с ними.
В этой статье постепенно разберёте основные понятия теории графов и научимся применять их для анализа транспортных потоков, поиска оптимальных маршрутов, сборки геномов и решения множества других задач.
Но начнёте с самого начала. Что такое граф?
https://thepalindrome.org/p/graph-theory-for-visual-learners-320 | 1 738 |
| 4 | Это материалы всего за один месяц курса CS8803 в Технологическом институте Джорджии.
Подробный разбор эмбеддингов, рассуждений и выравнивания моделей, архитектуры ИИ-агентов и работы с длинным контекстом. Всё подкреплено научными публикациями.
Невероятно ценные материалы, причём все они находятся в открытом доступе:
https://cocoxu.github.io/CS8803-LLM-spring2026/ | 1 709 |
| 5 | Крупнейший датасет по кибербезопасности уровня PhD теперь доступен бесплатно для обучения собственной модели Cyber AI.
Самая полная база знаний по кибербезопасности, когда-либо созданная для обучения ИИ.
- Более 30 направлений.
- 95 ГБ данных.
- 507 файлов.
Охватывает Red Team, Blue Team, веб-безопасность, безопасность ИИ и LLM, цифровую криминалистику, соответствие нормативным требованиям и многое другое.
Всё в одном месте:
- Полный курс PortSwigger Academy (все 31 тема), Hack The Box, MITRE ATT&CK и OWASP.
- Реальные паттерны уязвимостей из bug bounty.
- Практические руководства по защите для SOC, разработки систем обнаружения угроз и цифровой криминалистики.
- Стандарты и фреймворки NIST, CIS и MITRE D3FEND.
- Безопасность ИИ, облачных технологий, контейнеров и IoT, криптография и реверс-инжиниринг.
Идеально подходит для дообучения следующего поколения ИИ-моделей в области кибербезопасности.
Насколько я вижу, датасет уже используют для дообучения моделей.
https://huggingface.co/datasets/Vyber07/cyber-security | 2 209 |
| 6 | Учитесь создавать собственные харнессы.
В этой работе Microsoft разработала харнесс, который улучшает способность моделей рассуждать в задачах с длинным контекстом без синтетических данных и дополнительного обучения.
Исследователи показали, что Llama3-8B в среднем улучшает результаты на бенчмарках с длинным контекстом на 64,18 пункта без какого-либо обучения. Весь прирост обеспечивается харнессом.
Он разбивает задачи с длинным контекстом на базовые компоненты, отвечающие за отдельные возможности модели. Затем мощный ИИ-агент многократно совершенствует эти компоненты, отслеживаемое ими состояние и логику управления, опираясь на результаты на отладочном наборе данных.
Харнесс, созданный для Llama3-8B, можно перенести на Qwen2.5-3B. На бенчмарках HELMET и RULER он превосходит NExtLong и PolicyLong, которые используют синтез данных и обучение, при этом его оценочная стоимость составляет менее половины их затрат.
Харнесс написан с помощью GPT-5.6-Sol. Когда небольшие модели пытаются создавать его самостоятельно, результаты резко ухудшаются.
Главный вывод: прежде чем дополнительно обучать небольшую модель для работы с длинным контекстом, попробуйте улучшить харнесс, который управляет её работой.
https://arxiv.org/abs/2611.10463 | 1 584 |
| 7 | За последние две недели были переработаны и обновлены все статьи раздела, посвящённого комплексным числам, на платформе Algebrica.
Полный список обновлённых материалов:
1. Комплексные числа
2. Операции с комплексными числами
3. Тригонометрическая форма комплексного числа
4. Формула Эйлера
5. Показательная форма комплексного числа
6. Формула Муавра
7. Корни из единицы
8. Основные неравенства для комплексных чисел
9. Неравенство треугольника
10. Неравенство Коши — Шварца
11. Комплексные степени
12. Комплексный логарифм
Все материалы находятся в свободном доступе на Algebrica, без рекламы и платных ограничений.
Исходные файлы статей в формате Markdown также можно бесплатно скачать из репозитория на GitHub.
https://algebrica.org/complex-numbers/ | 1 456 |
| 8 | Лю Чэнь, аспирант факультета компьютерных наук Йельского университета, собрал в одном репозитории скрипты для построения графиков из своих научных работ, опубликованных в Nature Machine Intelligence, NeurIPS и других изданиях. Позднее он превратил этот репозиторий в ИИ-скилл.
Сейчас проект набрал более 10 000 звёзд на GitHub.
При написании научных статей можно поручить ИИ построение столбчатых и лепестковых диаграмм.
https://github.com/ChenLiu-1996/figures4papers | 1 703 |
| 9 | 🔍 Открытое ML-собеседование с техлидом Яндекса|
12 ноября, 19:00 мск
Приходи онлайн посмотреть, как проходит техническое интервью на ML-инженера, и попробуй ответить на вопросы вместе с кандидатом
Как всё будет проходить:
📂 Интервьюер: Любовь Чубарова, техлид в Яндексе (RnD Alice AI), одна из первых сотрудниц YandexArt, преподаватель ВШЭ, экс-руководитель аналитики Центра ИИ Сколтеха. В роли кандидата – инженер-доброволец
📂 Никакого сценария: Любовь задаст вопросы и предложит задачи, которые использует на технических интервью. Кандидат не будет знать их заранее
📂 В конце эфира Любовь ответит на вопросы участников
Участие бесплатное!
Эфир проходит в рамках менторской программы ШОРТКАТ для айтишников, которые хотят сменить работу, вырасти в грейде и зарплате или прокачать технические навыки
Переходи в бота, чтобы получить ссылку на эфир → @shortcut_ml_bot
Реклама.
О рекламодателе. | 1 825 |
| 10 | Исследователь Google DeepMind Петар Величкович сообщил о завершении полного черновика книги по геометрическому глубокому обучению.
Все главы уже доступны на сайте проекта.
https://geometricdeeplearning.com/book/ | 1 709 |
| 11 | HDMI-кабели могут излучать электромагнитные сигналы, содержащие информацию об изображении на экране.
Антенна и программно-определяемый радиоприёмник улавливают эти излучения, а программное обеспечение, например TempestSDR, позволяет восстановить из них распознаваемое изображение.
Deep-TEMPEST используетxiv.org/pdf/2407.09717 машинное обучение для более точного восстановления текста и изображений из тех же исходных сигналов. В ходе испытаний доля ошибок при распознавании символов снизилась почти с 90% до менее чем 30%.
Однако качество восстановления по-прежнему зависит от экранирования кабеля, расстояния и окружающих электромагнитных помех. Хорошее экранирование или использование оптоволоконного HDMI-кабеля позволяет устранить большую часть риска.
Даже проводное соединение может оставлять след в радиоэфире. | 1 740 |
| 12 | Опубликовано интересное исследование о масштабировании мультиагентных систем.
Сегодня одна из главных задач в этой области заключается в том, чтобы научить группы ИИ-агентов лучше координировать свои действия и эффективнее работать сообща.
Обычно мультиагентные системы действуют по заранее заданному разработчиком плану. Он определяет, какие задачи выполняет каждый агент и в какой момент агенты должны обмениваться информацией. При этом такой порядок взаимодействия, как правило, остаётся неизменным независимо от задачи.
Исследователи предложили иной подход под названием s3.
Вместо заранее установленных правил агенты самостоятельно учатся выстраивать совместную работу с помощью обучения с подкреплением. Они определяют, когда лучше действовать независимо, когда делиться результатами и когда обращаться к работе других участников команды. При этом роли между агентами заранее не распределяются.
Результаты оказались впечатляющими:
При одинаковых затратах на обучение и инференс группы агентов s3, численность которых при тестировании была вдвое больше, чем во время обучения, решали более чем в 25 раз больше задач на координацию по сравнению с лучшим базовым методом.
При параллельном поиске решений обмен информацией между агентами позволил почти вдвое сократить объём повторной работы и превзойти метод best-of-N на величину до 9,4 балла.
Примечательно, что агенты самостоятельно распределяли между собой взаимодополняющие роли, причём такое разделение сохранялось даже при увеличении численности команды.
Исследование: https://arxiv.org/abs/2611.08615 | 1 685 |
| 13 | Google показала, как повысить воспроизводимость ML-экспериментов с помощью ИИ-агентов. В исследовании успешность повторного выполнения экспериментов выросла с 76,4% до 92,6%, а расходы на API сократились на 19,7%.
Для этого исследователи разработали ReproBridge — систему, которая превращает один успешно воспроизведённый эксперимент в набор материалов для следующих агентов.
В него входят очищенный код, настройки окружения, скрипты запуска экспериментов и подробная инструкция. Получив такой набор, новый агент самостоятельно повторяет эксперимент, после чего отдельный агент-аудитор проверяет, действительно ли все запуски состоялись.
Исследование охватило 1029 задач из 36 научных работ. Для каждой задачи использовали пять эталонных результатов, проверенных людьми. Разница в успешности между лучшей и худшей моделями сократилась с 21,6 до 3,9 процентного пункта.
Причём наибольшее ухудшение результатов наблюдалось, когда из набора убирали код или настройки окружения.
Практический вывод довольно простой: если ИИ-агенты постоянно испытывают трудности с повторным запуском экспериментов, стоит сначала сохранить рабочее окружение и инструкции от успешного запуска, а уже потом пробовать более мощную модель.
https://arxiv.org/abs/2611.08452 | 2 142 |
| 14 | Sin texto... | 2 298 |
| 15 | Колумбийский университет опубликовал подробный учебный материал по архитектуре Transformer 📚
В нём разбираются математические основы одной из ключевых технологий современных ИИ-систем: от рекуррентных нейросетей и архитектуры encoder-decoder до механизмов attention и self-attention.
Отдельное внимание уделено query, key и value, scaled dot-product attention, multi-head attention и softmax.
Главная особенность материала — математический подход. Авторы используют формулы, пошаговые выводы, схемы и примеры, чтобы объяснить, как устроены отдельные компоненты Transformer и как они взаимодействуют друг с другом.
https://www.columbia.edu/~jsl2239/transformers.html | 2 202 |
| 16 | Настоятельно рекомендую к прочтению.
Узнайте, как устроена одна из самых передовых систем памяти ИИ-агентов.
Система памяти — один из важнейших компонентов агентного harness, от которого во многом зависит эффективность его работы.
При этом я не думаю, что сегодня существует универсальная система памяти, подходящая для всех задач.
Память необходимо постоянно совершенствовать и поддерживать, внося изменения там и тогда, где это действительно необходимо.
При работе с передовыми моделями мне лучше всего подходит сочетание простой системы хранения информации, буквально набора хорошо организованных папок и файлов, с элементами эпизодической памяти.
Как и в случае с Agent Skills, систему памяти следует делать максимально простой. Излишняя сложность лишь мешает работе агента и создаёт путаницу.
По мере совершенствования моделей системы памяти продолжат развиваться. Однако одно для меня очевидно: какими бы мощными ни становились модели, агентам всё равно потребуется та или иная форма памяти, чтобы учитывать индивидуальные предпочтения пользователя и оставаться полезными.
https://www.anthropic.com/research/components-of-agent-memory | 2 181 |
| 17 | NVIDIA выяснила, что ИИ-агентам необязательно хранить всю историю переписки, чтобы хорошо справляться со сложными задачами.
Исследователи опубликовали работу, в которой изучили агрессивное сжатие контекста. Вместо того чтобы передавать модели всю историю предыдущих действий, агент сохраняет лишь краткое описание своего текущего состояния.
Результаты оказались любопытными. Claude Opus 4.5 набрала 70,2 балла на SWE-bench Verified против 70,0 при использовании полной истории. При этом медианный пиковый объём контекста сократился с 32 до 8 тысяч токенов.
Причём обычное сжатие контекста в конце диалога иногда даже улучшало результаты. В случае Opus показатель вырос с 70,0 до 74,8 балла.
Есть и экономическая сторона вопроса. По данным исследователей, генерация поздних токенов может обходиться до семи раз дороже ранних. Похожие результаты получили на Terminal-Bench, FRAMES, BFCLv3 и многоязычном SWE-bench, хотя в отдельных сценариях качество немного снижалось.
В общем, прежде чем оплачивать агентам миллионные контексты, стоит проверить, нельзя ли обойтись кратким пересказом предыдущих событий. | 2 353 |
| 18 | Data Scientist Fast Track: с 9 по 15 ноября ⚡️
Пройдите все этапы отбора в Авито в ускоренном формате и получите оффер за неделю!
Почему именно фаст-трек?
🔸совмещённые этапы
🔸все даты известны заранее
🔸классная возможность оценить свои скилы
🔸результаты закрепляются на год
Кого мы ждём?
— кандидатов с опытом работы от 3,5 лет в крупных российских и международных IT-, BigTech- и FinTech-компаниях
— с опытом полного цикла разработки моделей: от ресёрча до выкатки в продакшен
— с опытом полного лидирования проекта
✅ Регистрация открыта до 9 ноября включительно. Читайте подробности и отправляйте заявку на сайте. | 2 340 |
| 19 | Alibaba опубликовала интересное исследование самообучающихся ИИ-агентов, результаты которого проверили в реальном A/B-тестировании с участием более 200 тысяч продавцов.
Это ещё один показательный пример того, насколько важны эпизодическая память агентов и правильное определение причин полученных результатов.
Система SPAR занимается B2B-продажами на платформе Alibaba 1688. Благодаря её применению конверсия выросла на 15,8%, а число продавцов с высокой заинтересованностью увеличилось на 35,8%.
Главная особенность SPAR заключается в том, что агент обучается на двух уровнях без обновления весов модели.
На первом уровне он сохраняет эпизодическую память о каждом продавце, используя накопленный опыт в последующих сеансах взаимодействия.
На втором уровне поддерживается общая база стратегий продаж, каждая из которых сформулирована в виде гипотезы, поддающейся проверке.
Ключевую роль играет определение причин неудач. Прежде чем изменить стратегию, SPAR выясняет, почему сделка не состоялась: из-за ошибочного подхода или внешних обстоятельств.
Таким образом, случайная неудача, вызванная внешними факторами, не приводит к пересмотру стратегии, которая в действительности работает.
Эксперты предметной области оценили качество продаж SPAR в 4,62 балла из 5. Это наивысший результат среди всех протестированных методов.
Если вы разрабатываете агентов, способных учиться на результатах реальной работы, стоит предусмотреть механизм определения причин успехов и неудач, прежде чем сохранять полученный опыт в памяти.
https://arxiv.org/abs/2611.01695 | 2 174 |
| 20 | Весьма интересное открытие в области оптимизации агентных harness.
При оптимизации агентного harness по двум параметрам, качеству и стоимости, предпочтения по затратам следует учитывать лишь в конце поиска. Если делать это на каждом этапе, можно преждевременно отбрасывать варианты, которые впоследствии привели бы к более эффективным решениям.
Именно на этом принципе основан ParetoSaddler от Microsoft.
На каждом этапе оптимизатор изменяет исходный harness. Затем обе версии запускаются несколько раз, а байесовский бутстрэп на основе полученных результатов позволяет определить, демонстрирует ли новый кандидат статистически убедительное улучшение качества или снижение стоимости.
Отобранные кандидаты сохраняются и могут служить основой для дальнейшей оптимизации. Окончательный выбор версии для развёртывания производится отдельно.
Результаты оказались весьма впечатляющими:
- GAIA2: качество выросло с 56,22% до 62,89%, а стоимость выполнения одной задачи снизилась с $0,78 до $0,45.
- ClawMark: качество повысилось с 70,86% до 81,35%, а стоимость сократилась с $1,17 до $1,01.
Более того, harness, отобранные по принципу Парето, превзошли варианты, оптимизированные исключительно по качеству, сразу по обоим показателям: качеству и стоимости.
Если при поиске оптимального harness вы учитываете только точность, стоит добавить повторные запуски и оценку затрат, прежде чем решать, какие кандидаты сохранять для дальнейшей оптимизации.
https://arxiv.org/abs/2611.02079 | 2 173 |
