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 24 544 مشترک است و جایگاه 5 293 را در دسته فناوری و برنامه‌ها و رتبه 26 479 را در منطقه روسيا دارد.
📊 شاخص‌های مخاطب و پویایی
از زمان ایجاد در невідомо، پروژه رشد سریعی داشته و 24 544 مشترک جذب کرده است.
بر اساس آخرین داده‌ها در تاریخ 05 اکتبر, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر 218 و در ۲۴ ساعت گذشته برابر 3 بوده و همچنان دسترسی گسترده‌ای حفظ شده است.
- وضعیت تأیید: تأیید نشده
- نرخ تعامل (ER): میانگین تعامل مخاطب 12.66% است و در ۲۴ ساعت نخست پس از انتشار، محتوا معمولاً 8.48% واکنش نسبت به کل مشترکان کسب می‌کند.
- دسترسی پست‌ها: هر پست به طور میانگین 3 109 بازدید دریافت می‌کند. در اولین روز معمولاً 2 081 بازدید جمع‌آوری می‌شود.
- واکنش‌ها و تعامل: مخاطبان به‌طور فعال حمایت می‌کنند؛ میانگین واکنش به هر پست 13 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 06 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.
24 544
مشترکین
+324 ساعت
+867 روز
+21830 روز
در حال بارگیری داده...
کانال‌های مشابه
ابر برچسب‌ها
اشارات ورودی و خروجی
---
---
---
---
---
---
جذب مشترکین
اکتبر '26اکتبر '26
اکتبر '26
+79
در 0 کانال‌ها
سپتامبر '26
+343
در 6 کانال‌ها
Get PRO
اوت '26
+157
در 5 کانال‌ها
Get PRO
ژوئیه '26
+196
در 2 کانال‌ها
Get PRO
ژوئن '26
+253
در 7 کانال‌ها
Get PRO
مه '26
+210
در 4 کانال‌ها
Get PRO
آوریل '26
+279
در 5 کانال‌ها
Get PRO
مارس '26
+275
در 8 کانال‌ها
Get PRO
فوریه '26
+387
در 4 کانال‌ها
Get PRO
ژانویه '26
+415
در 14 کانال‌ها
Get PRO
دسامبر '25
+439
در 7 کانال‌ها
Get PRO
نوامبر '25
+295
در 11 کانال‌ها
Get PRO
اکتبر '25
+510
در 12 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 | |
| 06 اکتبر | +4 | |||
| 05 اکتبر | +7 | |||
| 04 اکتبر | +11 | |||
| 03 اکتبر | +21 | |||
| 02 اکتبر | +27 | |||
| 01 اکتبر | +9 |
پست‌های کانال
| 2 |  بدون متن... | 1 794 |
| 3 | Сингулярность отменяется, слава Коши!
The Dynamics of Intelligence Explosions
Toby Ord
Paper: https://arxiv.org/abs/2608.14426
Review: https://arxiviq.substack.com/p/the-dynamics-of-intelligence-explosions
ЧТО сделали:
Предложили модель рекурсивного самосовершенствования через разностные уравнения со временем. В ней дискретный шаг прироста возможностей привязан к явной длительности цикла обратной связи — времени генерации.
ЧТО получили:
Прирост возможностей не уходит в бесконечность за конечное время без сжатия длительности циклов к нулю. В непрерывных моделях с A' = k A^r показатель отдачи r > 1 создаёт вертикальную асимптоту, но функции вроде A' = A log A дают двойную экспоненту (A_0^{e^t}) без сингулярности. В дискретных циклах с шагом T_n бесконечный рост за конечное время требует сокращения цикла хотя бы как T_n ~ n^{-(1+ε)}. Если длительность шага постоянна (T_n = k), сингулярности не возникнет даже при тетрации (A_{n+1} = 2^{A_n}).
ПОЧЕМУ это важно:
Прогресс в R&D не приведёт к математической сингулярности, пока физическое время итерации не начнёт сжиматься к нулю. При этом даже обычная экспонента на машинной скорости способна сжать десять лет работы людей в один календарный год.
Искать сингулярность тут: https://t.me/gonzo_ML_podcasts/4820 | 1 782 |
| 4 |  بدون متن... | 2 282 |
| 5 | По свежим запросам читателей.
Это какая-то интересная статья — получается, что достаточно двух случайно инициализированных голов внимания, в правильном порядке и применённых нужное количество раз, чтобы интерполировать любой батч последовательностей токенов и перевести его в любой другой целевой батч. Проблема только, что это теорема существования (доказали, что можно), но она не предлагает конкретной конструктивной процедуры (чтобы знать, сколько слоёв нужно).
Математика тяжёлая для меня, надо вникать, сходу проверить не могу. Специалисты вэлкам (deepseek не предлагать)!
Universal Interpolation for Deep Residual Self-Attention Networks
Sibylle Marcotte, Joan Bruna
Paper: https://arxiv.org/abs/2610.01981
Code: https://github.com/sibyllema/attention_universality
Review: https://arxiviq.substack.com/p/universal-interpolation-for-deep
ЧТО сделали: Доказали теорему об универсальной интерполяции для глубоких остаточных сетей самовнимания: фиксированный словарь из нескольких замороженных блоков внимания со случайными гауссовыми весами переводит любой батч из N последовательностей токенов в любой целевой батч лишь за счёт выбора порядка слоёв, их знаков и скалярных коэффициентов.
ЧТО получили: Для некаузального внимания с одной головой ширины r >= d ровно двух замороженных случайных блоков хватает для универсальной интерполяции при любых размерах батча N >= 1 и длинах последовательностей n >= 2 на открытом связном множестве полной меры. В численных тестах ранга на 576 конфигурациях (r < d) словари из m = ceil (d/r) блоков достигли полного ранга алгебры Ли в 94/96 запусков (дисперсия 1) и 96/96 (дисперсия 1/d) при допуске 10E-8 (89/96 и 90/96 по всем трём допускам), тогда как при m = ceil (d/r) - 1 получилось 0/96.
ПОЧЕМУ это важно: Результат показывает, что глубина и композиция способны полностью заменить настройку параметров каждого отдельного слоя в рекуррентных моделях. Главное ограничение: конструкция не даёт верхних оценок на требуемую глубину сети.
Искать универсальность здесь: https://t.me/gonzo_ML_podcasts/4819 | 2 214 |
| 6 |  بدون متن... | 2 032 |
| 7 |  بدون متن... | 1 984 |
| 8 | Недавно писал про прикольный подход Recirculation, а тут уже и его развитие подоспело (от конкурирующей команды)
Write Back the Δ: Revisiting the Same Tokens with Fresh Representations
Wencheng Ye, Anning Hu, Xiangdong Zhang, Tianyi Wang, Yikang Li, Hengyu Jin, Bing Li, Junchi Yan
Paper: https://arxiv.org/abs/2609.32457
Review: https://arxiviq.substack.com/p/recirculation
Code: https://github.com/gooogleshanghai/reflux
ЧТО сделали: Авторы представили ReFlux — метод, который возвращает вычисленные инкременты глубины из глубоких слоёв трансформера в более ранние слои через разреженный обучаемый граф обратной связи, зависящий от входа, поверх замороженной языковой модели.
ЧТО получили: На восьми бенчмарках на рассуждение ReFlux улучшает среднюю точность на 2.1–2.3 процентных пункта относительно базовых чекпоинтов (прирост на 4.7 п.п. на 2WikiMultiHopQA с 38.5% до 43.2% на Gemma3-4B против 38.6% у Recirculation и 38.9% у TF-Loop). Перплексия на C4 для Gemma3-4B снизилась с 23.8 до 20.9. В потоковом режиме эти улучшения сохраняются при 1× теоретических FLOPs бэкбона и задержке декодирования 1.02×–1.08×.
ПОЧЕМУ это важно: Языковые модели могут уточнять промежуточные репрезентации без повторного прогона всех слоёв и без траты лишних токенов на длинные цепочки рассуждений. Однако для продакшена потребуются кастомные ядра, чтобы убрать накладные расходы при декодировании.
Подробнее тут: https://t.me/gonzo_ML_podcasts/4818 | 2 094 |
| 9 |  بدون متن... | 2 266 |
| 10 |  بدون متن... | 2 257 |
| 11 |  بدون متن... | 2 161 |
| 12 | В работе с таблицами, кажется, случается свой Jev-moment — вышла новая маленькая и быстрая фундаментальная табличная модель, которая бьёт всех на zero-shot, одновременно работая с классификацией и регрессией. Почему обычные LLM плохи на таблицах мы обсуждали здесь.
TabPFN-3.5: Technical Report
Prior Labs Team (Benjamin Jäger, Nick Erickson, Léo Grinsztajn, Felix Birkel, Klemens Flöge, Lennart Purucker, Arthur Cahu, Vahid Balazadeh, Jonas Kübler, Alan Arazi, Philipp Jund, Siyuan Guo, Anurag Garg, Jan Hendrik Metzen, Mihir Manium, Jake Robertson, David Salinas, Andrej Tschalzev, Simon Bing, Adrian Hayler, Tobias Schröder, Oscar Key, Brendan Roof, Georg Grab, Simone Alessi, Dominik Safaric, Eliott Kalfon, Philipp Singer, Clara Cornu, Diana Kriuchkova, Lilly Wehrhahn, Tuana Çelik, Vitor Monteiro, Rylee Grace, Adèle Frankel, Kürşat Kaya, Kristina Collins, Lydia Sidhoum, Marie Salmon, Tomás Pereda, Jerry Chen, Madelon Hulsebos, Yann LeCun, Bernhard Schölkopf, Frank Hutter, Sauraj Gambhir, Noah Hollmann)
Paper: https://arxiv.org/abs/2609.17895
Review: https://arxiviq.substack.com/p/tabpfn-35-technical-report
Code: https://github.com/PriorLabs/TabPFN
Model: https://huggingface.co/Prior-Labs/tabpfn_3_5
ЧТО сделали:
Представили TabPFN-3.5 — базовую модель для табличных данных, работающую без подбора весов под конкретный датасет. Авторы расширили скрытую размерность трансформера до 1024, объединили классификацию и регрессию в одной сети и заменили внешний препроцессинг обучаемыми признаками Фурье и ранжированием по эмпирическому распределению.
ЧТО получили:
TabPFN-3.5 заняла первое место на семи табличных бенчмарках со средним винрейтом 78% против конкурирующих табличных базовых моделей и 89% против классических алгоритмов. На TabArena модель набрала 1866 Elo (а TabPFN-3.5-Thinking — 1910 Elo) против 1780 у TabFM и 1631 у TabPFN-3. На TALENT средний ранг составил 2.95 на 274 датасетах против 5.35 у TabICLv2 и 4.48 у TabPFN-3.
ПОЧЕМУ это важно:
Инженеры получают zero-shot инференс быстрее секунды на сложных таблицах со строками и групповыми сплитами без подбора гиперпараметров. При этом нативная мультимодальность и максимальная скорость инференса остаются закрытыми enterprise-решениями.
Зирошотить таблицы здесь: https://t.me/gonzo_ML_podcasts/4817 | 2 273 |
| 13 |  بدون متن... | 2 424 |
| 14 |  بدون متن... | 2 386 |
| 15 | Команда из DeepMind продолжает поиски сознания.
From cacophony to hierarchy: a principled framework for assessing AI consciousness
Shamil Chandaria, Arvo Muñoz Morán, Fernando Rosas, Anil Seth, Henry Shevlin, Marcus Hutter, Thore Graepel, Adam Bales, Iulia Comşa, Murray Shanahan, Ruben Laukkonen, Morten Kringelbach, Chris Frith, Shane Legg
Paper: https://arxiv.org/abs/2609.35618
Code: https://github.com/arvomm/cacophony-public-code
Review: https://arxiviq.substack.com/p/from-cacophony-to-hierarchy-a-principled
Site: https://ai-cognition.org/cacophony-tool/
Model: N/A
ЧТО сделали: Авторы формализовали оценку сознания машин, объединив конкурирующие теории в пятиуровневую иерархию функциональных описаний с помощью многоуровневой байесовской сети.
ЧТО получили: На открытых данных о LLM оптимистичный взгляд даёт итоговую апостериорную вероятность 0.397, а скептический — 0.005 при равных весах уровней. Если назначить по 40% веса верхним уровням, оптимистичная вероятность вырастает до 0.793. Если же отдать по 40% детальным организменным уровням, она падает до 0.099. Для человека при любых весах получается 1.000, а для термостата — 0.000.
ПОЧЕМУ это важно: Метод позволяет количественно учитывать неопределённость и избегать субъективных вердиктов по мере роста автономности моделей. Главная оговорка: все индикаторы откалиброваны по маркёрам человеческого мышления, поэтому остаётся риск ложноположительных срабатываний из-за подражания.
Искать сознание тут: https://t.me/gonzo_ML_podcasts/4816 | 2 759 |
| 16 | Вопрос для практикующих программистов, кто активно занимается разработкой. Вы ещё пишете какую-либо заметную часть кода руками day-to-day, week-to-week? | 2 791 |
| 17 | Вопрос для практикующих программистов, кто активно занимается разработкой. Вы ещё пишете какую-либо заметную часть кода руками day-to-day, week-to-week? | 1 |
| 18 | Экспонента в статьях, экспонента в коде, что ещё?
Какой прекрасный толк :)
https://youtu.be/vDjW_dRyKXY?is=opUGqNWz7C7CngDp | 2 845 |
| 19 |  +1Нормальный скачок за три месяца. Слава AI! | 3 123 |
| 20 | Arxiv ввёл rate limits на публикацию, не больше двух статей в месяц :)
https://blog.arxiv.org/2026/10/01/updated-rate-limit-policy/ | 3 606 |
