Artificial Intelligence
Открыть в Telegram
Artificial Intelligence admin - @haarrp @itchannels_telegram - 🔥 best it channels @ai_machinelearning_big_data - Machine learning channel @pythonl - Our Python channel @pythonlbooks- python книги📚 @datascienceiot - ml 📚 РКН: clck.ru/3FmwZw
Больше
Сеть:📈 Аналитический обзор Telegram-канала Artificial Intelligence
Канал Artificial Intelligence (@artificialintelligencedl) является активным участником. Сейчас сообщество объединяет 16 720 подписчиков, занимая 7 742 место в категории Технологии и приложения и 39 915 место в регионе Россия.
📊 Показатели аудитории и динамика
С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 16 720 подписчиков.
Согласно последним данным от 16 июля, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило 11, а за последние 24 часа — 8, при этом общий охват остаётся высоким.
- Статус верификации: Не верифицирован
- Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 13.00%. В первые 24 часа после публикации контент обычно набирает 3.55% реакций от общего числа подписчиков.
- Охват публикаций: В среднем каждый пост получает 2 173 просмотров. В течение первых суток публикация набирает 593 просмотров.
- Реакции и взаимодействия: Аудитория активно поддерживает контент: среднее количество реакций на один пост — 2.
- Тематические интересы: Контент сосредоточен на ключевых темах, таких как llm, github, api, dataset, deepseek.
📝 Описание и контентная политика
Автор описывает ресурс как площадку для выражения субъективного мнения:
“Artificial Intelligence
admin - @haarrp
@itchannels_telegram - 🔥 best it channels
@ai_machinelearning_big_data - Machine learning channel
@pythonl - Our Python channel
@pythonlbooks- python книги📚
@datascienceiot - ml 📚
РКН: clck.ru/3FmwZw”
Благодаря высокой частоте обновлений (последние данные получены 17 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 Технологии и приложения.
16 720
Подписчики
+824 часа
+187 дней
+1130 день
Загрузка данных...
Похожие каналы
Облако тегов
Входящие и исходящие упоминания
---
---
---
---
---
---
Привлечение подписчиков
июль '26
июль '26
+72
в 0 каналах
июнь '26
+37
в 0 каналах
Get PRO
май '26
+93
в 0 каналах
Get PRO
апрель '26
+199
в 0 каналах
Get PRO
март '26
+158
в 0 каналах
Get PRO
февраль '26
+223
в 0 каналах
Get PRO
январь '26
+152
в 0 каналах
Get PRO
декабрь '25
+122
в 0 каналах
Get PRO
ноябрь '25
+244
в 0 каналах
Get PRO
октябрь '25
+89
в 2 каналах
Get PRO
сентябрь '25
+135
в 1 каналах
Get PRO
август '25
+139
в 1 каналах
Get PRO
июль '25
+342
в 1 каналах
Get PRO
июнь '25
+284
в 1 каналах
Get PRO
май '25
+227
в 2 каналах
Get PRO
апрель '25
+250
в 1 каналах
Get PRO
март '25
+213
в 1 каналах
Get PRO
февраль '25
+188
в 3 каналах
Get PRO
январь '25
+427
в 3 каналах
Get PRO
декабрь '24
+288
в 5 каналах
Get PRO
ноябрь '24
+359
в 1 каналах
Get PRO
октябрь '24
+162
в 4 каналах
Get PRO
сентябрь '24
+320
в 5 каналах
Get PRO
август '24
+233
в 4 каналах
Get PRO
июль '24
+504
в 3 каналах
Get PRO
июнь '24
+498
в 2 каналах
Get PRO
май '24
+697
в 37 каналах
Get PRO
апрель '24
+719
в 45 каналах
Get PRO
март '24
+914
в 21 каналах
Get PRO
февраль '24
+929
в 2 каналах
Get PRO
январь '24
+1 125
в 42 каналах
Get PRO
декабрь '23
+427
в 8 каналах
Get PRO
ноябрь '23
+241
в 1 каналах
Get PRO
октябрь '23
+753
в 1 каналах
Get PRO
сентябрь '23
+656
в 0 каналах
Get PRO
август '23
+308
в 0 каналах
Get PRO
июль '23
+356
в 0 каналах
Get PRO
июнь '23
+546
в 0 каналах
Get PRO
май '23
+424
в 0 каналах
Get PRO
апрель '23
+171
в 0 каналах
Get PRO
март '23
+179
в 0 каналах
Get PRO
февраль '23
+225
в 0 каналах
Get PRO
январь '23
+176
в 0 каналах
Get PRO
декабрь '22
+134
в 0 каналах
Get PRO
ноябрь '22
+137
в 0 каналах
Get PRO
октябрь '22
+275
в 0 каналах
Get PRO
сентябрь '22
+304
в 0 каналах
Get PRO
август '22
+146
в 0 каналах
Get PRO
июль '22
+189
в 0 каналах
Get PRO
июнь '22
+188
в 0 каналах
Get PRO
май '22
+245
в 0 каналах
Get PRO
апрель '22
+497
в 0 каналах
Get PRO
март '22
+722
в 0 каналах
Get PRO
февраль '22
+255
в 0 каналах
Get PRO
январь '22
+162
в 0 каналах
Get PRO
декабрь '21
+509
в 0 каналах
Get PRO
ноябрь '21
+253
в 0 каналах
Get PRO
октябрь '21
+122
в 0 каналах
Get PRO
сентябрь '21
+167
в 0 каналах
Get PRO
август '21
+167
в 0 каналах
Get PRO
июль '21
+169
в 0 каналах
Get PRO
июнь '21
+230
в 0 каналах
Get PRO
май '21
+119
в 0 каналах
Get PRO
апрель '21
+84
в 0 каналах
Get PRO
март '21
+87
в 0 каналах
Get PRO
февраль '21
+107
в 0 каналах
Get PRO
январь '21
+160
в 0 каналах
Get PRO
декабрь '20
+2 569
в 0 каналах
| Дата | Привлечение подписчиков | Упоминания | Каналы | |
| 17 июля | 0 | |||
| 16 июля | +8 | |||
| 15 июля | 0 | |||
| 14 июля | +9 | |||
| 13 июля | +5 | |||
| 12 июля | +4 | |||
| 11 июля | +3 | |||
| 10 июля | +3 | |||
| 09 июля | +4 | |||
| 08 июля | +6 | |||
| 07 июля | +2 | |||
| 06 июля | 0 | |||
| 05 июля | +5 | |||
| 04 июля | +8 | |||
| 03 июля | +1 | |||
| 02 июля | +7 | |||
| 01 июля | +7 |
Посты канала
Google Research попыталась объяснить, откуда у diffusion-моделей берётся «креативность».
Почему генератор изображений не просто копирует обучающие примеры, а создаёт новые сцены, которых не было в датасете?
Ответ оказался математическим.
Во время обучения нейросеть не запоминает идеальную функцию удаления шума. Из-за регуляризации и особенностей градиентного обучения она усваивает её более сглаженную версию. Google называет этот эффект score smoothing.
Если бы функция была идеальной, каждый случайный шум в конце превращался бы в точную копию одного из обучающих примеров.
Но сглаживание создаёт между примерами «зоны интерполяции». Модель может остановиться не на известной точке, а между несколькими знакомыми образами и получить новый, но правдоподобный результат.
В многомерном пространстве это помогает модели восстановить скрытый data manifold - область, где находятся осмысленные изображения. Движение к этой области сохраняется быстрым, а схлопывание к конкретным обучающим картинкам ослабевает. Так появляется баланс между качеством и новизной.
То есть «творчество» diffusion-модели может быть не загадочным свойством и не случайностью.
Это побочный эффект того, что нейросеть учится не идеально и строит мосты между известными примерами.
Работа представлена на ICLR 2026, код экспериментов опубликован открыто.
https://research.google/blog/towards-demystifying-the-creativity-of-diffusion-models/
| 2 | Один из мифов вокруг ИИ-кодинга: если подобрать нужный промпт — модель сама напишет качественный код
На деле это проверяется за минуту. Два разработчика с одной и той же просьбой «собери сервис для регистрации пользователей» получат разные результаты. У одного выйдет чистый Litestar с типизацией и тестами. У второго — заготовка, которая ляжет при первой же доработке.
Дело не в тексте запроса.
Модель не видит ваш проект. Она не знает, какие соглашения приняты, какие библиотеки уже подключены, какой уровень покрытия тестами считается нормальным. Пока этой информации у нее нет — она отвечает по своему усредненному представлению, а не по вашему.
Поэтому вокруг модели нужно достроить то же самое, что и у обычного разработчика: набор правил, шаблоны, инструменты проверки, критерии приемки.
Именно это и делает Алексей Жиряков на воркшопе karpovꓸcourses «AI-first разработка на Python». За 4 часа собирает готовую агентную среду поверх живого проекта на Litestar и PostgreSQL — от настройки правил до автоматического ревью и подсчета вклада ИИ в цифрах.
Алексей покажет, как настроить правила проекта под задачу агента, как через OpenRouter поднять связку моделей «дешевая пишет — дорогая проверяет», которая помогает снижать стоимость генерации, как научить агента проверять код по чек-листу вашей архитектуры и как измерить вклад ИИ по коммитам.
С воркшопа забираете шаблон AI-first проекта, готовый к продакшену, набор правил и чек-листов, настроенную схему выбора модели под задачу и запись эфира в LMS. Тем, кто пишет на FastAPI, тоже подходит — это отдельно прописано в разделе с вопросами.
Соберите агентную среду, которая пишет код по правилам вашего проекта: https://clc.to/erid_2W5zFHgXtWd
С промокодом aikarpov20 — скидка 20%
Реклама. ООО «КАРПОВ КУРСЫ». ИНН 7811764627. erid: 2W5zFHgXtWd | 489 |
| 3 | Один из мифов вокруг ИИ-кодинга: если подобрать нужный промпт — модель сама напишет качественный код
На деле это проверяется за минуту. Два разработчика с одной и той же просьбой «собери сервис для регистрации пользователей» получат разные результаты. У одного выйдет чистый Litestar с типизацией и тестами. У второго — заготовка, которая ляжет при первой же доработке.
Дело не в тексте запроса.
Модель не видит ваш проект. Она не знает, какие соглашения приняты, какие библиотеки уже подключены, какой уровень покрытия тестами считается нормальным. Пока этой информации у нее нет — она отвечает по своему усредненному представлению, а не по вашему.
Поэтому вокруг модели нужно достроить то же самое, что и у обычного разработчика: набор правил, шаблоны, инструменты проверки, критерии приемки.
Именно это и делает Алексей Жиряков на воркшопе karpovꓸcourses «AI-first разработка на Python». За 4 часа собирает готовую агентную среду поверх живого проекта на Litestar и PostgreSQL — от настройки правил до автоматического ревью и подсчета вклада ИИ в цифрах.
Алексей покажет, как настроить правила проекта под задачу агента, как через OpenRouter поднять связку моделей «дешевая пишет — дорогая проверяет», которая помогает снижать стоимость генерации, как научить агента проверять код по чек-листу вашей архитектуры и как измерить вклад ИИ по коммитам.
С воркшопа забираете шаблон AI-first проекта, готовый к продакшену, набор правил и чек-листов, настроенную схему выбора модели под задачу и запись эфира в LMS. Тем, кто пишет на FastAPI, тоже подходит — это отдельно прописано в разделе с вопросами.
Соберите агентную среду, которая пишет код по правилам вашего проекта: https://clc.to/erid_2W5zFHgXtWd
С промокодом aikarpov20 — скидка 20%
Реклама. ООО «КАРПОВ КУРСЫ». ИНН 7811764627. erid: 2W5zFHgXtWd | 740 |
| 4 |  Most upvoted papers on huggingface this week (July 6-12):
- The Mirage of Optimizing Training Policies: Monotonic Inference Policies as the Real Objective for LLM Reinforcement Learning
- Vidu S1: A Real-Time Interactive Video Generation Model
- RynnWorld-4D: 4D Embodied World Models for Robotic Manipulation
- AlayaWorld: Long-Horizon and Playable Video World Generation
- Accurate, Interdisciplinary and Transparent Structure-property Understanding with Deep Native Structural Reasoning
- RynnWorld-Teleop: An Action-Conditioned World Model for Digital Teleoperation
- OmniOpt: Taxonomy, Geometry, and Benchmarking of Modern Optimizers
- UI-MOPD: Multi-Platform On-Policy Distillation for Continual GUI Agent Learning
- Hierarchical Sparse Attention Done Right: Toward Infinite Context Modeling
- PixWorld: Unifying 3D Scene Generation and Reconstruction in Pixel Space
https://huggingface.co/papers/week/2026-W28 | 1 030 |
| 5 |  ✔️ Dockerless
Environment-free verifier для coding-агентов.
Он проверяет патчи без запуска кода и без Docker, при этом обгоняет сильнейший open-source verifier на 14.3 AUC points.
А RL post-training полностью без окружения достигает 62.0% на SWE-bench Verified.
https://paperswithcode.co/paper/2606.28436 | 2 197 |
| 6 |  🙂 In the Weights: проверка тщеславия
В сети вирусится веб-приложение In the Weights, которое проверяет наличие информации о человеке или компании в GPT, Claude, Gemini и Llama и т.д.
Платформа работает через прямые запросы к моделям с принудительно отключенным доступом к сети, чтобы ИИ опирался исключительно на знания, полученные на трейне.
Анализируя выдачу, система высчитывает скоринг. Метрика оценивает вероятность того, что информация об объекте содержалась в обучающих датасетах и содержится в конкретной модели.
Помимо развлекательных целей, проект является наглядным аудитом того, как корпорации агрессивно скрейпят данные.
По мере того как чат-боты вытесняют поисковики, присутствие в памяти моделей становится новой метрикой публичной значимости.
Сервис напоминает о новых реалиях современной приватности: если информация о вас уже есть в весах LLM, стереть ее цифровой след практически невозможно.
@ai_machinelearning_big_data
#news #ai #ml | 2 562 |
| 7 |  МФТИ при поддержке Т-Банка открывает набор в очную магистратуру по направлениям AI и Computer Science.
Программа рассчитана на тех, кто хочет совмещать обучение с исследовательской работой и практикой в индустриальных задачах.
Студенты будут работать в научной лаборатории, участвовать в исследованиях и развивать проекты, которые могут лечь в основу публикаций, докладов на конференциях или дальнейшей карьеры в R&D.
Что входит в программу:
* обучение в МФТИ
* работа в научной лаборатории
* официальное трудоустройство и зарплата
* задачи на стыке AI, Computer Science и индустриальной практики
* возможность продолжить путь в аспирантуре, R&D или AI-центре Т-Банка
Магистратура длится 2 года.
Нагрузка: 52 часа в неделю.
* 30 часов: работа в лаборатории
* 22 часа: лекции и занятия в университете
Заявки принимаются до 6 июля. | 1 617 |
| 8 |  +1Эксклюзив: DeepSeek был только началом
Microsoft сейчас оценивает множество open models для Copilot Cowork.
> Это создаёт внутреннее давление на команды MAI, потому что модели GLM, MiniMax и Kimi развиваются быстрее.
> Microsoft хочет сделать модели «взаимозаменяемыми» и отделить саму обвязку Copilot от конкретных моделей под капотом.
> По мере развития малых моделей часть задач в будущем может выполняться локально.
Смысл простой: Microsoft всё меньше хочет быть жёстко привязана к одной модели или одному поставщику. Copilot постепенно превращается в систему, где важнее не конкретная LLM, а harness, маршрутизация задач, инструменты и возможность быстро менять модели под разные сценарии.
https://www.testingcatalog.com/exclusive-microsoft-evaluates-different-open-models-for-cowork/ | 2 311 |
| 9 | МФТИ при поддержке Т-Банка открывает набор в очную магистратуру по направлениям AI и Computer Science.
Программа рассчитана на тех, кто хочет совмещать обучение с исследовательской работой и практикой в индустриальных задачах.
Студенты будут работать в научной лаборатории, участвовать в исследованиях и развивать проекты, которые могут лечь в основу публикаций, докладов на конференциях или дальнейшей карьеры в R&D.
Что входит в программу:
* обучение в МФТИ
* работа в научной лаборатории
* официальное трудоустройство и зарплата
* задачи на стыке AI, Computer Science и индустриальной практики
* возможность продолжить путь в аспирантуре, R&D или AI-центре Т-Банка
Магистратура длится 2 года.
Нагрузка: 52 часа в неделю.
* 30 часов: работа в лаборатории
* 22 часа: лекции и занятия в университете
Заявки принимаются до 6 июля. | 1 |
| 10 | D | 1 |
| 11 |  Код на скорости: митап про производительность, ИИ-агенты и бизнес-процессы в Омске! ⚡️
Встречаемся уже 28 мая, чтобы разобраться:
✔️ Как выкрутить на максимум производительность продукта без больших затрат. Спойлер: помогут виртуальные потоки и корутины (можно сделать скрытым текстом).
✔️ Как создать ИИ-агента, который анализирует сбои и борется с мошенничеством.
✔️ Как моделировать процессы в BPMN так, чтобы минимизировать ошибки.
В финале митапа — крутой «мафиозно-квизный» нетворкинг.
Дата: 28 мая в 18:00
Место: Школа 21 (ул. Ленина, д. 26Б)
Регистрация: здесь! | 2 827 |
| 12 |  Coinbase сокращает около 700 человек - это примерно 14% штата.
CEO Coinbase Брайан Армстронг объясняет это просто: компания хочет стать меньше, быстрее и эффективнее, потому что ИИ уже позволяет небольшим командам делать то, для чего раньше требовалось больше людей.
Coinbase не единственная. Технокомпании всё чаще упаковывают сокращения не только в историю про рынок, но и в историю про AI-native операционку.
Похоже, главный эффект ИИ для бизнеса оказался не в красивых демках, а в очень скучной строке P&L: меньше людей, меньше затрат, быстрее выполнение задач.
bloomberg.com/news/articles/2026-05-05/coinbase-to-cut-14-of-workforce-citing-volatile-markets-ai | 3 199 |
| 13 |  Efficient Training on Multiple Consumer GPUs with RoundPipe
Github: https://github.com/ITcarrot/RoundPipe
Paper: https://arxiv.org/abs/2604.27085 | 2 949 |
| 14 |  👣 На Stepik обновили курс «Rust: полный курс разработчика. С нуля до профи»
Представьте: через три месяца вы открываете чужой Rust-код и читаете его как книгу.
Arc<Mutex<T>> не вызывает панику. impl Future не пугает. Вы точно знаете, почему компилятор ругается и как это починить за 10 секунд.
Это не фантазия. Это результат 50 уроков, в которых каждая концепция объясняется через код и закрепляется практикой.
Ownership, traits, generics, async, unsafe - всё, что казалось магией, станет рабочим инструментом.
А бонусом - портфолио проектов: от CLI-утилит до REST API и WebAssembly.
Вы и так знаете, что Rust - ваш следующий язык. Этот курс просто сделает это реальностью.
Сегодня - 55% процентов от цены, торопись: https://stepik.org/a/269250/ | 2 824 |
