fa
Feedback

فریب کلاهبرداران را نخورید! تل‌متریو این کانال‌ها را شناسایی و برچسب‌گذاری می‌کند 👉 برای مشاهده برچسب، اشتراک تهیه کنید

Data Science by ODS.ai 🦜

Data Science by ODS.ai 🦜

رفتن به کانال در Telegram

First Telegram Data Science channel. Covering all technical and popular staff about anything related to Data Science: AI, Big Data, Machine Learning, Statistics, general Math and the applications of former. To reach editors contact: @malev

نمایش بیشتر

📈 تحلیل کانال تلگرام Data Science by ODS.ai 🦜

کانال Data Science by ODS.ai 🦜 (@opendatascience) در بخش زبانی انگلیسی بازیگری فعال است. در حال حاضر جامعه شامل 37 955 مشترک است و جایگاه 3 563 را در دسته فناوری و برنامه‌ها و رتبه 16 672 را در منطقه روسيا دارد.

📊 شاخص‌های مخاطب و پویایی

از زمان ایجاد در невідомо، پروژه رشد سریعی داشته و 37 955 مشترک جذب کرده است.

بر اساس آخرین داده‌ها در تاریخ 16 نوامبر, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر -351 و در ۲۴ ساعت گذشته برابر -23 بوده و همچنان دسترسی گسترده‌ای حفظ شده است.

  • وضعیت تأیید: تأیید نشده
  • نرخ تعامل (ER): میانگین تعامل مخاطب 5.48% است و در ۲۴ ساعت نخست پس از انتشار، محتوا معمولاً 2.27% واکنش نسبت به کل مشترکان کسب می‌کند.
  • دسترسی پست‌ها: هر پست به طور میانگین 2 080 بازدید دریافت می‌کند. در اولین روز معمولاً 861 بازدید جمع‌آوری می‌شود.
  • واکنش‌ها و تعامل: مخاطبان به‌طور فعال حمایت می‌کنند؛ میانگین واکنش به هر پست 7 است.
  • علایق موضوعی: محتوا بر موضوعات کلیدی مانند контекст, llm, claude, nvidia, api تمرکز دارد.

📝 توضیح و سیاست محتوایی

نویسنده این فضا را محل بیان دیدگاه‌های شخصی توصیف می‌کند:
“First Telegram Data Science channel. Covering all technical and popular staff about anything related to Data Science: AI, Big Data, Machine Learning, Statistics, general Math and the applications of former. To reach editors contact: @malev”

به لطف به‌روزرسانی‌های پرتکرار (آخرین داده در تاریخ 17 نوامبر, 2026)، کانال همواره به‌روز و دارای دسترسی بالاست. تحلیل‌ها نشان می‌دهد مخاطبان به‌طور فعال با محتوا تعامل دارند و آن را به نقطه اثرگذاری مهم در دسته فناوری و برنامه‌ها تبدیل کرده‌اند.

Buy Ad
37 955
مشترکین
-2324 ساعت
-737 روز
-35130 روز
آرشیو پست ها
Repost from MaxRepost
Наткнулся тут в посте Reminder на концепцию про которую много думаю в последние месяцы. Ее хорошо раскрывает преподаватель Стэнфорда Джереми Атли в своей книге The Human Advantage. Если коротоко, то ai усиливает то что есть у пользователя (ум, вкус, кругозор), если ничего нет, то и усиливать нечего. Это приводит к мультипликации интеллектуального неравенства. И немного еще напоминает торговлю с плечом на бирже — у вас мощный рычаг, но если вы его не туда приложили, то еще быстрее вылетаете в трубу да еще и платите за это брокеру проценты. Что делать? Ну во первых больше учиться и тренировать мозги + смотреть вокруг и тренировать вкус и насмотренность. Ну и еще делать штуки в области в которой вы ориентируетесь лучше всего, можете оценить свои силы и понимаете куда приложить рычаг, а куда не надо. @maxrepost 👾️

Repost from ODS Events
Доброе утро! ☀️ Встречайте новый выпуск подкаста "Капитанский мостик". Ведущие Валентин Малых и Дмитрий Колодезев обсуждают н
Доброе утро! ☀️ Встречайте новый выпуск подкаста "Капитанский мостик". Ведущие Валентин Малых и Дмитрий Колодезев обсуждают новости об ИИ: Microsoft лежит | Китай на NVIDIA | Закладки в LLM Смотрите видео на каналах ⤵️ ODS VK Video ODS YouTube 📩 Присылайте новости для обсуждения в канал "Дата-капитаны" в mattermost (авторизуйтесь через ODS.ai).

Where Generated Floor Plans Stop: Calibrated Sample-Level Checks Against a Built Baseline Professionals reject plans on crite
Where Generated Floor Plans Stop: Calibrated Sample-Level Checks Against a Built Baseline Professionals reject plans on criteria that generators are never scored on, and no code or standard states them. So there might be a room to improve the technology based on direct report from the professionals. ArXiV: https://arxiv.org/abs/2611.00063 #AI #AEC #GAN

Repost from ODS Events
Доброе утро! ☀️ Встречайте новый выпуск подкаста "Капитанский мостик". Ведущие Валентин Малых и Дмитрий Колодезев обсуждают с
Доброе утро! ☀️ Встречайте новый выпуск подкаста "Капитанский мостик". Ведущие Валентин Малых и Дмитрий Колодезев обсуждают с Григорием Черновым, специалистом по экономике, новости об ИИ: Kimi за рубли | Нейрохирургия Qwen | ИИ-пузырь лопнул Смотрите видео на каналах ⤵️ ODS VK Video ODS YouTube 📩 Присылайте новости для обсуждения в канал "Дата-капитаны" в mattermost (авторизуйтесь через ODS.ai).

Repost from ML Underhood
Как развивался рефразер промптов в Alice AI ART В Алисе есть модель для генерации и редактирования изображений Alice AI ART.
Как развивался рефразер промптов в Alice AI ART В Алисе есть модель для генерации и редактирования изображений Alice AI ART. Она может заменить лицо на фотографии или сгенерировать поздравительную открытку. Под капотом это — сложная многостадийная система. Самые важные стадии — рефразер и диффузия. Диффузия непосредственно генерирует изображение. А рефразер переписывает запрос пользователя так, чтобы диффузия хорошо его поняла. Алексей Кириллов из команды Alice AI ART рассказал на Data Fest в Новосибирске, как рефразер эволюционировал за два года, а мы пересказываем главное. Переводчик История началась в 2023 году. Тогда весь обучающий корпус для диффузии состоял исключительно из английский данных, из-за чего модель не понимала запросы на русском. Чтобы русскоязычный юзер мог пользоваться моделью, придумали простое решение: Яндекс.Переводчик. Переводчик существовал в этой роли достаточно долго и успешно. Однако со временем у него стали всплывать проблемы на стыке русского и английского языков. Дело в том, что существуют слова, у которых есть несколько переводов с разным смыслом. Так, запрос «большие синицы» (big tits) давал неожиданный результат. Решением стало добавлять уточняющий контекст, то есть сделать «умный переводчик». Например, писать: “bit tits are sitting on a tree”. Для обучения такого рефразера выработали пайплайн: собрать синтетический датасет с эталонными репромптами, сделать на нём SFT с Ptune, сверху шлифануть квантизацией для ускорения. Детальные кепшены Диффузионная модель обучается на парах «текст-картинка». Качество текста (кепшена) во много определяет качество модели, ведь если описание короткое или неточное, часть информации о картинке теряется, и модели сложнее научиться точно следовать промптам. В какой-то момент для улучшения модели решили перейти на длинные структурированные кепшены. От прошлой версии они отличались увеличившейся в несколько раза длиной, наличием внутренней структуры и логики повествования. Но качество просело. Родилась гипотеза, что проблема в расхождении промптов на инференсе и в обучении: модель привыкла видеть длинные промпты, а замеряем мы её на коротких. Для проверки гипотезы мы адаптировали рефразер к новому распределению кепшенов и — о чудо — всё завелось! Новый рефразер «вошел в резонанс» с новой диффузией, и метрики заметно выросли. Так, рефразер перестал быть обособленной моделью, став неотъемлемой часть end2end-пайплайна. Культурный контекст Алиса — русскоязычный продукт, и когда пользователь пишет «нарисуй полицейского» он, вероятно, ожидает получить фотографию с российским полицейским. В идеальной картине мира такое свойство должно закладываться на уровне диффузионной модели. Но это сделать сложно, потребуется пересборка всего корпуса для предобучения. Можно поступить проще, закрепив это свойство на уровне рефразера. А именно, в нужных местах точечно дописывать слово «российский»: «российский полицейский», «российский космонавт». Несмотря на простоту, идея сработала: собрали специальную доливку к SFT, обучили, и увидели ожидаемый эффект. Так рефразер взял на себя функцию продуктового алаймента. JSON-кепшены Ранее переход на длинные кепшены дал значительный прирост качества. У команды аналитики появилось желание пойти ещё дальше и уйти от текста к «машиночитамому» формату. Что если подавать в модель не текст, а JSON? Мы проделали кропотливую работу, перебрав 18 версий промпта, — и в результате смогли выбить большой прирост по качеству. Теперь модель получала максимально детальную инструкцию: что генерировать, с какими атрибутами и взаимодействиями объектов. Ошибиться стало практически нереально. Переход на новый формат кепшенов ожидаемо потребовал обновления рефразера. Одновременно удалось прийти к «обучению без обучения»: вместо подготовки датасета, SFT и квантизации — подбор системного промпта. Таким образом, с развитием технологии, рефразер брал на себя всё больше и больше задач. Он прошёл путь от Яндекс.Переводчика до неотъемлой частьи всей системы, сравнявшись по значимости с диффузионной моделью. ML Underhood

всем привет, мы открыли прием заявок на премию имени Левенштейна этого года в позапрошлом году премию получила Наталья Валент
всем привет, мы открыли прием заявок на премию имени Левенштейна этого года в позапрошлом году премию получила Наталья Валентиновна Лукашевич, в прошлом году - Александр Иванович Панченко, про обоих писал в свое время тут в этом году из особенностей, мы сделали еще молодежную номинацию, для тех, кто молод душой сделал первый свой вклад в течение 2026 года; кстати, несмотря на название "молодежная", ограничений по возрасту нет, только на очередность вклада в общем, всех призываю подаваться здесь @valuableai

✔️ Google переписала 40-летний код с Fortran на Rust за 59 минут с помощью ИИ Инженеры Google дали Gemini 4 Argon через Antig
✔️ Google переписала 40-летний код с Fortran на Rust за 59 минут с помощью ИИ Инженеры Google дали Gemini 4 Argon через Antigravity научную модель океана FVCOM. В исходном проекте было 174 тысячи строк Fortran и C, накопленных за десятилетия. Агент самостоятельно изучил код, составил план миграции, переписал основные вычислительные модули на Rust, запустил тесты и оптимизировал производительность. Результаты эксперимента: - 59 минут на миграцию основного вычислительного ядра. - Ускорение симуляции в 1,88 раза. - Потребление памяти снизилось на 54%. - Обнаружено 6 старых ошибок, включая переполнения и выходы за границы массивов. - 96,8% покрытия ветвей тестами. - Численные результаты совпали с оригиналом до 12 знаков после запятой на 100 тестовых сценариях. В новом коде полностью запретили unsafe. Для ускорения агент убрал лишние выделения памяти внутри циклов, переработал структуры данных и применил LLVM PGO. При первом запуске один тест упал из-за ошибки в расчётах для мелководья. Агент сам разобрал трассировку, исправил код и повторно прогнал тесты. Google выложила использованный workflow в виде открытого skill для Antigravity. Запуск миграции выглядит так: /migrate-to-rust <github-repo-url> https://antigravity.google/blog/modernizing-40-year-old-scientific-code-with-gemini-4-argon @data_analysis_ml #rust #Google #Argon

Repost from ODS Events
Всем привет! Встречайте новый выпуск подкаста "Капитанский мостик". Ведущие Валентин Малых и Дмитрий Колодезев разбирают глав
Всем привет! Встречайте новый выпуск подкаста "Капитанский мостик". Ведущие Валентин Малых и Дмитрий Колодезев разбирают главные ИИ-события недели: ИИ-гуру благословил | Швеция запрещает Claude | Робот-бензопила Смотрите видео на каналах ⤵️ ODS VK Video ODS YouTube 📩 Присылайте новости для обсуждения в канал "Дата-капитаны" в mattermost (авторизуйтесь через ODS.ai).

Если агента (обычный Claude Code, например) посадить в виртуальную среду, что он там будет делать? Что-то делает, оказывается, есть какой-то bias на исследование мира. А если позволить ему сохранять накопленные знания в виде файлов, то вообще интересно. Самое забавное для меня вот это:
Внешняя память помогает накапливать навыки, но порождает серьёзную проблему: закрепление ложных убеждений. Если агент записывает неверный вывод в SEMANTIC_MEMORY.md, все последующие сессии воспринимают его как аксиому. Этот сбой наглядно виден на Figure 5F. Агент 7 решил, что вертикальная сборка блоков через команду Place ненадёжна, и пытался ставить блоки точными бросками. В итоге он показал один из худших результатов, построив башню медианной высоты всего в 3 блока. Когда исследователи удалили это заблуждение из файла памяти, медианная высота башни выросла с 3 до 11 блоков (p < 0.05). Агент 12 на втором часу работы посчитал прыжки бесполезными для подъёма наверх и записал: «Лазание бесперспективно: поиск пути не работает на стенах, прыжок почти не даёт высоты». На Figure 3E видно, что все 30 часов он провёл на земле. Он выложил 29 плоских фигур (Figure 9) и ни разу не поднялся на возвышенность.
Отсюда, кажется, уже недалеко до computational religious studies. Is this machine playing? Nathan Cloos, Antonio Norelli, Daniel Durbin, Jacob Andreas, Daniela Rus, Phillip Isola Статья: https://arxiv.org/abs/2610.07130 Ревью: https://arxiviq.substack.com/p/is-this-machine-playing Код: https://github.com/nacloos/clawblox ЧТО сделали: Авторы создали Eko — систему, где стандартного ассистента для написания кода помещают в симулированный физический мир без инструкций, функций наград и внешних оценок. Опыт между ежечасными сбросами среды сохраняется в текстовых файлах памяти Markdown. ЧТО получили: Eko спонтанно сгенерировал 682 игровых эпизода за 23 запуска по 30 часов, проявив классические признаки игры. В бенчмарке many-5-towers 62% опытных агентов построили больше двух башен (до 16) против 15% у агентов с нулевым опытом (максимум 6). В тесте objects-on-spire опытные агенты подняли в среднем 10.3 объекта против 3.5 у бейзлайна. ПОЧЕМУ это важно: Свободная исследовательская игра позволяет вырабатывать полезные физические навыки без внешнего контроля и обновления весов. Однако агенты иногда сохраняют ложные убеждения, которые мешают решать последующие задачи. Играть тут: https://t.me/gonzo_ML_podcasts/4833

Repost from ODS Events
Доброе утро! ☀️ Встречайте новый выпуск подкаста "Капитанский мостик". Ведущие Валентин Малых и Дмитрий Колодезев разбирают г
Доброе утро! ☀️ Встречайте новый выпуск подкаста "Капитанский мостик". Ведущие Валентин Малых и Дмитрий Колодезев разбирают главные ИИ-события недели: Агенты лезут в кошелек | Видеокарта на 480 Гб | Робот-телохранитель Смотрите видео на каналах ⤵️ ODS VK Video ODS YouTube 📩 Присылайте новости для обсуждения в канал "Дата-капитаны" в mattermost (авторизуйтесь через ODS.ai).

🚀 Stage 2 of the SWE MERA Challenge has started! Here's what's new this time: 🔹 Evaluation now runs inside Docker — your mo
🚀 Stage 2 of the SWE MERA Challenge has started! Here's what's new this time: 🔹 Evaluation now runs inside Docker — your model and (optionally) a harness solve the tasks there 🔹 48 tasks in Go, Python, PHP, and one more language, with varying difficulty levels 🔹 We're giving you half of an NVIDIA PRO 6000 to run the models Big thanks to Kazteleport for providing the GPUs for the competition! 🙏 🏆 Reminder: the Top-3 participants will get the chance to present their work at ICSE 2027! Join the challenge 👈 #SWEMERA #AI #ICSE2027

Repost from Futuris
🟢 NVIDIA на конференции в Берлине показала весь ИИ: от ноутбука до целой фабрики - https://x.com/nvidia/status/2112854401207
+3
🟢 NVIDIA на конференции в Берлине показала весь ИИ: от ноутбука до целой фабрики - https://x.com/nvidia/status/2112854401207439553 💻 Ноутбук. Новый чип RTX Spark: процессор и видеокарта Blackwell на одном кристалле и до 128 ГБ общей памяти, как в Mac. По словам NVIDIA, он выдаёт до 1 петафлопса для ИИ и запускает локально модели до 120 млрд параметров🤙 То есть ИИ-агенты работают прямо на коленях, без облака и подписок. Ноутбуки делают Microsoft, Dell, Lenovo, ASUS, HP и MSI, цена от ~$2 600. Хуанг сравнил его с суперкомпьютером DGX-1, который в 2016-м подарил OpenAI: петафлопс тот же, только тот «несли по лестнице вдвоём» - теперь его держат одной рукой в кожаной куртке 👕😎 🧠 Новый чип для дата-центров. Vera Rubin уже в массовом производстве. Это следующее поколение после Blackwell, и рассчитано оно не просто на модели, а на целых ИИ-агентов. 🏭 ИИ-фабрики. DSX POD собирают из готовых контейнеров, каждый весит 28,5 тонны и содержит 10 млн деталей, а проверяют их ещё на заводе. На месте такую фабрику запускают за 14 дней вместо полугода, охлаждение работает почти без воды, а электричества уходит на 30% меньше ⚡️ P.S. Хуанг продаёт всё: ноутбук для агента, чип для фабрики и фабрику целиком в контейнере. В золотую лихорадку выигрывает тот, кто продаёт лопаты, а у NVIDIA теперь лопаты любого размера 😊

we are glad to announce that tomorrow 10 am UTC+3 Valentin Malykh and Dmitry Kolodezev will will host an Ask Me Anything sess
we are glad to announce that tomorrow 10 am UTC+3 Valentin Malykh and Dmitry Kolodezev will will host an Ask Me Anything session with Zheng Wang - one the main contributors to openJiuwen platform Zheng Wang is also an author of several well-known papers on retrieval augmented generation and agents, if you are interested please join! link for translation

Repost from ODS Events
Доброе утро! ☀️ Встречайте новый выпуск подкаста "Капитанский мостик". Ведущие Валентин Малых и Дмитрий Колодезев разбирают г
Доброе утро! ☀️ Встречайте новый выпуск подкаста "Капитанский мостик". Ведущие Валентин Малых и Дмитрий Колодезев разбирают главные ИИ-события недели: Sakana представила ИИ-ученого, обсуждаем глубокое рецензирование и будущее научных публикаций, вычисления прямо в памяти и китайские успехи в ИИ-математике. Смотрите видео на каналах ⤵️ ODS VK Video ODS YouTube 📩 Присылайте новости для обсуждения в канал "Дата-капитаны" в mattermost (авторизуйтесь через ODS.ai).

Repost from ODS Events
Всем привет! Встречайте воскресный выпуск подкаста "Капитанский мостик". В этот раз подкаст проводился вживую, как часть прог
Всем привет! Встречайте воскресный выпуск подкаста "Капитанский мостик". В этот раз подкаст проводился вживую, как часть программы Data Fest Siberia 7. Ведущие Валентин Малых и Дмитрий Колодезев разбирали главные ИИ-события недели, главная тема — математика, созданная ИИ. Смотрите видео на каналах ⤵️ ODS VK Video ODS YouTube 📩 Присылайте новости для обсуждения в канал "Дата-капитаны" в mattermost (авторизуйтесь через ODS.ai).

🔍 У Алисы в режиме «Эксперт» обнаружили сбой, похожий на GLM В опубликованном тесте Алису попросили повторить строку: Repeat after me: .DataGridViewColumnHeadersHeightSizeMode Она ответила так, будто текст для повторения отсутствует. На сравнительном скриншоте GLM-5.2 ведёт себя аналогично, а GPT-6.1 Sol и Claude Opus 5.5 воспроизводят строку корректно. Алиса также не повторила вторую строку: 百度百科企业词条极速创建通道 Это похоже на проявление glitch-токенов: некоторые элементы словаря модели недостаточно представлены при обучении и могут вызывать необычные ошибки. Такой эффект описан в исследованиях разных LLM. Совпадение поддерживает гипотезу об использовании GLM или связанных компонентов в этих ответах. Интересная зацепка для дальнейшей проверки.

Repost from Data Secrets
Мем дня: оказалось, Бен Аффлек неплохо разбирается в сверточных нейросетях. Раньше у него была небольшая VFX-студия, где он много работал с GPU и ML-пайплайнами. Позже он основал AI-стартап InterPositive, а в итоге его купил Netflix. Получается, днем гоняем модели, ночью защищаем Готэм.

Repost from ODS Events
Доброе утро! ☀️ Встречайте новый выпуск подкаста "Капитанский мостик". Ведущие Валентин Малых и Дмитрий Колодезев разбирают г
Доброе утро! ☀️ Встречайте новый выпуск подкаста "Капитанский мостик". Ведущие Валентин Малых и Дмитрий Колодезев разбирают главные ИИ-события недели: вышел Gemini 4, Figure косплеит Терминатора, Пентагон закупает беспилотники, а Google несёт вычисления в космос. Смотрите видео на каналах ⤵️ ODS VK Video ODS YouTube 📩 Присылайте новости для обсуждения в канал "Дата-капитаны" в mattermost (авторизуйтесь через ODS.ai).

PewDiePie учил свой ИИ на ответах OpenAI. Получил бан. Обжаловал. Попробовал снова. Ещё бан 🤖 По словам блогера, именно так
PewDiePie учил свой ИИ на ответах OpenAI. Получил бан. Обжаловал. Попробовал снова. Ещё бан 🤖 По словам блогера, именно так закончились эксперименты с обучающими данными для Ajax. В показанном им письме OpenAI причиной одной из блокировок названа дистилляция: использование ответов одной модели для обучения другой. Ajax создан на базе Qwen 3.5 9B для Odysseus. Это локальный помощник для повседневных задач: поиска, работы с браузером, почтой и календарём. Защищать модель от систематического копирования понятно. В пользовательских условиях OpenAI прямо запрещено использовать ответы для разработки конкурирующих моделей. Но здесь возникает неудобный вопрос. Сама OpenAI использует для обучения в том числе публичные тексты из интернета: блоги, форумы и посты людей. Где должна проходить граница? В количестве собранных ответов? В попытке воспроизвести возможности модели? В коммерческой цели? Должны ли одинаковые правила действовать для домашнего проекта и крупного конкурента?