Politeconomics
Macroeconomics, MMT Купить рекламу: https://telega.in/c/politeconomics Реестр РКН: https://clck.ru/3HWUk4
Больше📈 Аналитический обзор Telegram-канала Politeconomics
Канал Politeconomics (@politeconomics) языкового сегмента Русский является активным участником. Сейчас сообщество объединяет 21 014 подписчиков, занимая 5 823 место в категории Экономика и финансы и 31 773 место в регионе Россия.
📊 Показатели аудитории и динамика
С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 21 014 подписчиков.
Согласно последним данным от 09 июля, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило -81, а за последние 24 часа — -8, при этом общий охват остаётся высоким.
- Статус верификации: Не верифицирован
- Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 24.16%. В первые 24 часа после публикации контент обычно набирает 15.51% реакций от общего числа подписчиков.
- Охват публикаций: В среднем каждый пост получает 5 077 просмотров. В течение первых суток публикация набирает 3 259 просмотров.
- Реакции и взаимодействия: Аудитория активно поддерживает контент: среднее количество реакций на один пост — 92.
- Тематические интересы: Контент сосредоточен на ключевых темах, таких как инфляция, ввп, нефть, гренландия, офз.
📝 Описание и контентная политика
Автор описывает ресурс как площадку для выражения субъективного мнения:
“Macroeconomics,
MMT
Купить рекламу: https://telega.in/c/politeconomics
Реестр РКН: https://clck.ru/3HWUk4”
Благодаря высокой частоте обновлений (последние данные получены 10 июля, 2026) канал поддерживает актуальность и высокий уровень охвата публикаций. Аналитика показывает, что аудитория активно взаимодействует с контентом, что делает его важной точкой влияния в категории Экономика и финансы.
Сегодня мы выкладываем в open source GigaChat 3.5 Ultra — новую 432B-модель под MIT-лицензией. Это первый в open source гибрид GatedDeltaNet и MLA, доведённый до сотен миллиардов параметров, — с собственным рецептом обучения, который мы собирали больше чем в 1500 экспериментах. Модель выросла в коде, математике, агентных сценариях и на аренах — и при этом стала на 40% меньше, чем GigaChat 3.1 Ultra.Что внутри: 🔘Собственная гибридная архитектура MLA + GatedDeltaNet с придуманной нами уникальной стабилизирующей обвязкой, без которой такой гибрид на этом масштабе просто не обучается; 🔘Gated Attention — модель может локально приглушать слишком сильный сигнал из attention-слоя; 🔘GatedNorm — нормализация с явным гейтом для управления масштабом сигнала между признаками. Модернизация этого слоя позволила нам стабильно обучать модели с большим количеством параметров. 🔘Линейный слой требует в 4 раза меньше KV-кеша на токен, в ту же память позволяет поместить в 2,14 раза больше контекста, throughput под нагрузкой растет на +20%; 🔘Две MTP-головы и ускорение генерации до 2,2 раза; 🔘FP8 на всех этапах обучения без потери качества относительно bf16 — свои Triton- и CUDA-ядра; 🔘Новый этап online RL после SFT и DPO. Результаты: 🔘GigaChat-3.5-Ultra-Base обходит DeepSeek V3.2 Exp Base и DeepSeek V4 Flash Base в среднем по нашему набору general-, math- и code-бенчмарков (полные таблицы — в статье); 🔘GigaChat-3.5-Ultra-Instant сравним с DeepSeek V3.2 по среднему скору, будучи в полтора раза меньше; 🔘По LLM-судье MiniMax-M2.7 средний win-rate против GigaChat 3.1 Ultra — 75,9%, а против GPT-5 — 68.7%.
Весь стек — данные (своя LLM-фильтрация Common Crawl, 600+ языков программирования в коде), архитектура, рецепт обучения, инфраструктура — сделан нами end-to-end.🤖 Подробности, включая детали реализации гейтов и рецепт стабилизации, — в статье на Habr. ➡️HuggingFace | GitVerse
