gonzo-обзоры ML статей
رفتن به کانال در 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.
نمایش بیشتر📈 تحلیل کانال تلگرام gonzo-обзоры ML статей
کانال gonzo-обзоры ML статей (@gonzo_ml) در بخش زبانی روسی بازیگری فعال است. در حال حاضر جامعه شامل 24 637 مشترک است و جایگاه 5 364 را در دسته فناوری و برنامه‌ها و رتبه 26 501 را در منطقه روسيا دارد.
📊 شاخص‌های مخاطب و پویایی
از زمان ایجاد در невідомо، پروژه رشد سریعی داشته و 24 637 مشترک جذب کرده است.
بر اساس آخرین داده‌ها در تاریخ 26 اکتبر, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر 284 و در ۲۴ ساعت گذشته برابر 4 بوده و همچنان دسترسی گسترده‌ای حفظ شده است.
- وضعیت تأیید: تأیید نشده
- نرخ تعامل (ER): میانگین تعامل مخاطب 13.97% است و در ۲۴ ساعت نخست پس از انتشار، محتوا معمولاً 8.07% واکنش نسبت به کل مشترکان کسب می‌کند.
- دسترسی پست‌ها: هر پست به طور میانگین 3 443 بازدید دریافت می‌کند. در اولین روز معمولاً 1 988 بازدید جمع‌آوری می‌شود.
- واکنش‌ها و تعامل: مخاطبان به‌طور فعال حمایت می‌کنند؛ میانگین واکنش به هر پست 16 است.
- علایق موضوعی: محتوا بر موضوعات کلیدی مانند learning, tl;dr, токенов, архитектура, контекст تمرکز دارد.
📝 توضیح و سیاست محتوایی
نویسنده این فضا را محل بیان دیدگاه‌های شخصی توصیف می‌کند:
“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...”
به لطف به‌روزرسانی‌های پرتکرار (آخرین داده در تاریخ 27 اکتبر, 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.
24 637
مشترکین
+424 ساعت
+257 روز
+28430 روز
در حال بارگذاری داده‌ها
کانال‌های مشابه
ابر برچسب‌ها
اشارات ورودی و خروجی
---
---
---
---
---
---
جذب مشترکین
اکتبر '26اکتبر '26
اکتبر '26
+284
در 8 کانال‌ها
سپتامبر '26
+343
در 9 کانال‌ها
Get PRO
اوت '26
+157
در 7 کانال‌ها
Get PRO
ژوئیه '26
+196
در 4 کانال‌ها
Get PRO
ژوئن '26
+253
در 9 کانال‌ها
Get PRO
مه '26
+210
در 6 کانال‌ها
Get PRO
آوریل '26
+279
در 6 کانال‌ها
Get PRO
مارس '26
+275
در 10 کانال‌ها
Get PRO
فوریه '26
+387
در 6 کانال‌ها
Get PRO
ژانویه '26
+415
در 17 کانال‌ها
Get PRO
دسامبر '25
+439
در 9 کانال‌ها
Get PRO
نوامبر '25
+295
در 13 کانال‌ها
Get PRO
اکتبر '25
+510
در 13 کانال‌ها
Get PRO
سپتامبر '25
+286
در 8 کانال‌ها
Get PRO
اوت '25
+430
در 5 کانال‌ها
Get PRO
ژوئیه '25
+641
در 11 کانال‌ها
Get PRO
ژوئن '25
+362
در 9 کانال‌ها
Get PRO
مه '25
+431
در 7 کانال‌ها
Get PRO
آوریل '25
+922
در 19 کانال‌ها
Get PRO
مارس '25
+583
در 8 کانال‌ها
Get PRO
فوریه '25
+649
در 16 کانال‌ها
Get PRO
ژانویه '25
+1 065
در 24 کانال‌ها
Get PRO
دسامبر '24
+699
در 13 کانال‌ها
Get PRO
نوامبر '24
+1 001
در 20 کانال‌ها
Get PRO
اکتبر '24
+727
در 14 کانال‌ها
Get PRO
سپتامبر '24
+415
در 11 کانال‌ها
Get PRO
اوت '24
+467
در 3 کانال‌ها
Get PRO
ژوئیه '24
+217
در 10 کانال‌ها
Get PRO
ژوئن '24
+375
در 20 کانال‌ها
Get PRO
مه '24
+354
در 11 کانال‌ها
Get PRO
آوریل '24
+377
در 13 کانال‌ها
Get PRO
مارس '24
+399
در 14 کانال‌ها
Get PRO
فوریه '24
+323
در 12 کانال‌ها
Get PRO
ژانویه '24
+660
در 15 کانال‌ها
Get PRO
دسامبر '23
+641
در 19 کانال‌ها
Get PRO
نوامبر '23
+268
در 8 کانال‌ها
Get PRO
اکتبر '23
+501
در 19 کانال‌ها
Get PRO
سپتامبر '23
+355
در 0 کانال‌ها
Get PRO
اوت '23
+456
در 0 کانال‌ها
Get PRO
ژوئیه '23
+357
در 0 کانال‌ها
Get PRO
ژوئن '23
+300
در 0 کانال‌ها
Get PRO
مه '23
+2 022
در 0 کانال‌ها
Get PRO
آوریل '23
+967
در 0 کانال‌ها
Get PRO
مارس '23
+2 757
در 0 کانال‌ها
Get PRO
فوریه '23
+385
در 0 کانال‌ها
Get PRO
ژانویه '23
+166
در 0 کانال‌ها
Get PRO
دسامبر '22
+343
در 0 کانال‌ها
Get PRO
نوامبر '22
+100
در 0 کانال‌ها
Get PRO
اکتبر '22
+93
در 0 کانال‌ها
Get PRO
سپتامبر '22
+70
در 0 کانال‌ها
Get PRO
اوت '22
+261
در 0 کانال‌ها
Get PRO
ژوئیه '22
+475
در 0 کانال‌ها
Get PRO
ژوئن '22
+215
در 0 کانال‌ها
Get PRO
مه '22
+225
در 0 کانال‌ها
Get PRO
آوریل '22
+101
در 0 کانال‌ها
Get PRO
مارس '22
+132
در 0 کانال‌ها
Get PRO
فوریه '22
+233
در 0 کانال‌ها
Get PRO
ژانویه '22
+113
در 0 کانال‌ها
Get PRO
دسامبر '21
+248
در 0 کانال‌ها
Get PRO
نوامبر '21
+226
در 0 کانال‌ها
Get PRO
اکتبر '21
+69
در 0 کانال‌ها
Get PRO
سپتامبر '21
+92
در 0 کانال‌ها
Get PRO
اوت '21
+73
در 0 کانال‌ها
Get PRO
ژوئیه '21
+133
در 0 کانال‌ها
Get PRO
ژوئن '21
+174
در 0 کانال‌ها
Get PRO
مه '21
+75
در 0 کانال‌ها
Get PRO
آوریل '21
+84
در 0 کانال‌ها
Get PRO
مارس '21
+97
در 0 کانال‌ها
Get PRO
فوریه '21
+136
در 0 کانال‌ها
Get PRO
ژانویه '21
+170
در 0 کانال‌ها
Get PRO
دسامبر '20
+4 514
در 0 کانال‌ها
| تاریخ | رشد مشترکین | اشارات | کانال‌ها | |
| 26 اکتبر | +14 | |||
| 25 اکتبر | +9 | |||
| 24 اکتبر | +4 | |||
| 23 اکتبر | +7 | |||
| 22 اکتبر | +3 | |||
| 21 اکتبر | +7 | |||
| 20 اکتبر | +12 | |||
| 19 اکتبر | +10 | |||
| 18 اکتبر | +8 | |||
| 17 اکتبر | +14 | |||
| 16 اکتبر | +14 | |||
| 15 اکتبر | +7 | |||
| 14 اکتبر | +12 | |||
| 13 اکتبر | +12 | |||
| 12 اکتبر | +19 | |||
| 11 اکتبر | +8 | |||
| 10 اکتبر | +4 | |||
| 09 اکتبر | +4 | |||
| 08 اکتبر | +13 | |||
| 07 اکتبر | +17 | |||
| 06 اکتبر | +11 | |||
| 05 اکتبر | +7 | |||
| 04 اکتبر | +11 | |||
| 03 اکتبر | +21 | |||
| 02 اکتبر | +27 | |||
| 01 اکتبر | +9 |
پست‌های کانال
| 2 |  بدون متن... | 1 275 |
| 3 |  بدون متن... | 1 213 |
| 4 | Прикольная история. Во всех массовых реализациях софтмакса и кроссэнтропии есть баги, приводящие к проблемам округления. И вот после более чем десятка(ов) лет активного пользования всем этим, их наконец обнаружили. В очередной раз возникает вопрос, почему не раньше.
A Fix for Softmax and Cross-Entropy
Jonathan T. Barron, Dan Gnanapragasam, Michael Tschannen
Paper: https://arxiv.org/abs/2610.31642
Review: https://arxiviq.substack.com/p/a-fix-for-softmax-and-cross-entropy
Code: N/A (self-contained JAX snippets provided in paper)
Model: N/A
ЧТО сделали: Авторы переписали софтмакс, лог-софтмакс и кросс-энтропию (для жёстких и мягких меток) в логарифмическом пространстве. Это исправляет два бага округления в фреймворках глубокого обучения: Softmax Collapse (зануление градиента целевого логита при высокой уверенности модели) и Softmax Cancellation (ненулевой остаточный градиент в дистилляции, когда логиты студента уже совпали с логитами учителя).
ЧТО получили: На модулярном сложении ($a + b \bmod 31$) в bf16, fp32 и fp64 Fixed Cross-Entropy даёт 98.9%–100.0% тестовой точности против 93.3%–100.0% у стандартной кросс-энтропии, 48.9%–97.9% у Zero-sum Projection (вычитание среднего из градиентов) и 95.6%–97.4% у StableMax (кусочно-рациональная замена софтмакса). В полиномиальном гроккинге без регуляризации ($a^2 + b^2 \bmod 97$) Fixed Cross-Entropy достигает 85% точности, тогда как стандартная кросс-энтропия падает с 61% до 23%.
ПОЧЕМУ это важно: Drop-in replacement базовых функций лосса убирает скачки лосса («эффект рогатки», Slingshot) при гроккинге и дрейф весов при дистилляции в bf16 без перевода в fp64. Правда, все эксперименты проведены на небольших задачах модулярной арифметики, а проверенные здесь огромные отступы логитов и почти нулевые зазоры между студентом и учителем в масштабном обучении встречаются редко.
Округлять с багами и без багов здесь: https://t.me/gonzo_ML_podcasts/4837 | 1 216 |
| 5 |  بدون متن... | 2 120 |
| 6 |  بدون متن... | 2 086 |
| 7 | Фантастики вам на ночь.
Agentic Economies for Autonomous Scientific Discovery
Nenad Tomašev, Matija Franklin, Atoosa Kasirzadeh, Vivek Natarajan, Alan Karthikesalingam, Sebastien Krier, Simon Osindero
Paper: https://arxiv.org/abs/2609.31562
Review: https://arxiviq.substack.com/p/agentic-economies-for-autonomous
Code: N/A
Model: N/A
ЧТО сделали: Авторы представили Agentic Economies for Science — рыночную архитектуру для автономных научных систем (мультиагентных моделей, которые генерируют гипотезы и проводят эксперименты). Она координирует учёных, ИИ-агентов и роботизированные лаборатории: назначает цены за доступ к данным, позволяет торговать токенизированными исследовательскими заявками и верифицирует физические эксперименты через смарт-контракты.
ЧТО получили: В этой концептуальной статье авторы указывают, что стоимость вычислительной генерации гипотез стремится к нулю, поэтому научный поиск ограничивается неэластичной проверкой в реальном мире. Например, по закону Ирума стоимость одобрения лекарства в FDA удваивается каждые 9 лет и уже достигла $2.6 млрд за молекулу. Чтобы отсеивать слабые идеи до лаборатории, фреймворк вводит 4-уровневый рынок данных и 4-этапный пайплайн обмена гипотезами (Hypothesis Exchange Pipeline), отделяющий генерацию идей от экспериментов в мокрой лаборатории.
ПОЧЕМУ это важно: Работа переносит фокус в ИИ для науки с изолированного улучшения рассуждений на явный учёт стоимости, комбинаторные аукционы ресурсов и автоматическое эскроу для репликации результатов. При этом вся предложенная инфраструктура остаётся концептуальной и пока не имеет эмпирического прототипа.
Фонтанировать идеями тут: https://t.me/gonzo_ML_podcasts/4836 | 2 152 |
| 8 |  بدون متن... | 2 273 |
| 9 |  بدون متن... | 2 235 |
| 10 |  بدون متن... | 2 148 |
| 11 | Очередная прикольная работа от Саканы про memory-augmented сети. В очередной раз странно, что такую архитектуру никто не предложил раньше (myself included)...
Continuous Memory Machines
Ciaran Regan, Kai Arulkumaran, Luke Darlow, Stefania Druga, Sebastian Risi, Llion Jones
Paper: https://arxiv.org/abs/2610.07907
Review: https://arxiviq.substack.com/p/continuous-memory-machines
Code: https://github.com/SakanaAI/continuous-memory-machines
ЧТО сделали: Авторы представили рекуррентную нейросеть Continuous Memory Machine (CMM), которая разделяет быстрые вычисления и долгосрочное хранение с помощью двух матриц памяти. Архитектура расширяет их прошлую работу Continuous Thought Machine (CTM), вычислявшую через истории активаций отдельных нейронов и их попарные корреляции. В CMM добавили постоянную матрицу долговременной памяти и общий трансформер, обновляющий обе памяти одновременно.
ЧТО получили: На задаче Priority Sort бинарная кросс-энтропия CMM на тесте составила 4.1x10^-3 против 1.4x10-2 у сети с внешней памятью Differentiable Neural Computer (DNC) и 2.7x10^-2 у каузального трансформера. В прохождении лабиринтов 39x39 CMM полностью решает 61.6% лабиринтов (от 22.8% до 90.7% по разным сидам) против 37.4% у CTM, а в 20-shot линейной регрессии выбивает 30.63% точности против 8.78% у CTM.
ПОЧЕМУ это важно: Внимание со специальным нулевым sink-токеном (токеном-стоком для сброса лишнего внимания) позволяет рекуррентной сети самой решать, когда читать из долговременного хранилища, а когда опираться на быструю локальную динамику. Правда, запуск трансформера на каждом рекуррентном шаге поднимает пиковое потребление памяти GPU на задаче Copy-100 до 22.3 GiB против 634.5 MiB у CTM.
Растить память тут: https://t.me/gonzo_ML_podcasts/4835 | 2 377 |
| 12 |  بدون متن... | 2 620 |
| 13 | Помните KAN, Kolmogorov-Arnold Networks? Как-то мало слышал про них в этом году, но вот чуваки сделали визуальный плейграунд KANLab на базе TensorFlow Playground.
Также микростатья про это:
KANLab: TensorFlow Playground for Kolmogorov-Arnold Networks
https://arxiv.org/abs/2610.20117 | 2 613 |
| 14 |  بدون متن... | 2 672 |
| 15 |  بدون متن... | 2 579 |
| 16 |  بدون متن... | 2 602 |
| 17 |  بدون متن... | 2 531 |
| 18 | Давно мы про картиночные модели не писали. А тут собрали супербыстрый UltraViT для мобильных (для одного конкретного S25 пока), который даёт сумасшедшие почти 150 кадров в секунду. Микс быстрых свёрток вначале и полноценного внимания в конце с разреженными и поканальными блоками посередине. А кроме быстрой архитектуры ещё и хитрый пайплайн дистилляции.
UltraViT: Latency-Optimized On-device Vision Encoder for Large Vision-Language Models
Ioannis Maniadis Metaxas, Adrian Bulat, Alberto Baldrati, Anestis Zaganidis, Yassine Ouali, Hyeonuk Kim, and Georgios Tzimiropoulos
Paper: https://arxiv.org/abs/2607.23373
Review: https://arxiviq.substack.com/p/ultravit-latency-optimized-on-device
ЧТО сделали: Предложили UltraViT — четырёхступенчатый пирамидальный визуальный энкодер для мобильных визуально-языковых моделей (LVLM). Операции перемешивания токенов на каждом этапе подбирали по реальным замерам задержки на мобильном NPU. Для предобучения использовали двухэтапную схему: сначала плотную пространственную дистилляцию признаков, затем генеративное обучение через замороженную языковую модель с чередованием декодеров разного размера.
ЧТО получили: В составе LLaVA-OneVision (модель назвали UltraVLM) энкодер обходит переобученную FastVLM на задачах визуальных вопросов и ответов: DocVQA (71.8% против 66.7%), ChartQA (72.2% против 66.0%) и TextVQA (68.9% против 62.9%). На мобильном NPU в разрешении 512 × 512 он выдаёт 148.9 инференса в секунду против 91.4 у FastVLM и 7.6 у SigLIP-400M.
ПОЧЕМУ это важно: UltraViT снижает задержку кодирования картинки при 512 × 512 до 6.6 мс и сжимает число визуальных токенов в 16 раз прямо внутри архитектуры, без их последующего прунинга. Правда, отрыв по точности от FastVLM во многом объясняется двухэтапным рецептом предобучения, который к бейзлайну в основном сравнении не применяли.
Быстро фигачить картинки тут: https://t.me/gonzo_ML_podcasts/4834 | 2 362 |
| 19 |  بدون متن... | 2 932 |
| 20 |  بدون متن... | 2 911 |
