Big Data AI
@haarrp - админ Вопросы с собеседований по Machine Learning, Data Science, Deep Learning и Нейроннным сетям @data_analysis_ml - анализ данных @ai_machinelearning_big_data @itchannels_telegram - важное для программиста РКН: clck.ru/3Fmqxe
Больше📈 Аналитический обзор Telegram-канала Big Data AI
Канал Big Data AI (@bigdatai) языкового сегмента Русский является активным участником. Сейчас сообщество объединяет 18 309 подписчиков, занимая 7 145 место в категории Технологии и приложения и 35 818 место в регионе Россия.
📊 Показатели аудитории и динамика
С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 18 309 подписчиков.
Согласно последним данным от 16 ноября, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило 78, а за последние 24 часа — -8, при этом общий охват остаётся высоким.
- Статус верификации: Не верифицирован
- Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 8.74%. В первые 24 часа после публикации контент обычно набирает 4.35% реакций от общего числа подписчиков.
- Охват публикаций: В среднем каждый пост получает 1 600 просмотров. В течение первых суток публикация набирает 796 просмотров.
- Реакции и взаимодействия: Аудитория активно поддерживает контент: среднее количество реакций на один пост — 14.
- Тематические интересы: Контент сосредоточен на ключевых темах, таких как llm, openai, github, nvidia, deepseek.
📝 Описание и контентная политика
Автор описывает ресурс как площадку для выражения субъективного мнения:
“@haarrp - админ
Вопросы с собеседований по Machine Learning, Data Science, Deep Learning и Нейроннным сетям
@data_analysis_ml - анализ данных
@ai_machinelearning_big_data
@itchannels_telegram - важное для программиста
РКН: clck.ru/3Fmqxe”
Благодаря высокой частоте обновлений (последние данные получены 17 ноября, 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.
/code-review или /verify. Но есть нюанс: если два коммита подряд заблокированы в одной сессии, следующий всё равно разрешается. Иначе Claude может зациклиться на исправлениях.
Есть и другой необычный механизм: если агент не может исправить нестабильный тест, он может удалить его, но обязан задокументировать причину.
По словам Османи, Claude уже пишет и проверяет около 90% кода команды.
Получается, ИИ не только разрабатывает продукт, но и участвует в управлении собственным процессом разработки.Набор вопросов можно поменять по запросу без дополнительной разметки и дообучения, а порог уверенности привязывается к правилам заказчика.Нацелен продукт прежде всего на контакт-центры, где звонки оценивают по фиксированной рубрике, а её модификация выливается в отдельный проект. По заявлению Hume AI, на живом звонке модель успевает отвечать на десятки вопросов каждые несколько секунд, а архив из 40 тысяч записей открывает для поиска за минуты.
В примере из анонса голосовой агент в розничной торговле проверяет неуверенность и раздражение в голосе, число говорящих, фоновый шум и намерение покупателя, а затем отдаёт эти ответы языковой модели вместе с транскриптом, чтобы та решила, подождать, уточнить или передать разговор человеку.🟡Тесты Hume AI ставит себя впереди Gemini 3.8 Flash, Qwen3.8-Omni-Flash, Inkling-Small, gpt-audio-1.5, Gemini 3.5 Flash Lite и Nemotron 3 Nano Omni. В сравнении с людьми модель совпала со средним мнением группы слушателей в 70,7% случаев против 56,5% у отдельного оценщика.
Доступ открывают по заявке в листе ожидания на странице продукта, цена - 47 центов за миллион входных токенов.@ai_machinelearning_big_data #news #ai #ml
Они ничего не генерируют и нужны только как драфтеры к своей целевой модели.🟡 Тесты На семи тестах, от GSM8K и AIME до LiveCodeBench и MT-Bench, UBTree даёт среднее ускорение 6,88× на Qwen3-4B и 6,94× на Qwen3-8B и опережает ближайший древовидный метод DARTree во всех 28 сравнениях, в среднем на 7,4-13,4%. В SGLang на Ling3-Flash-124B выходит 3,27× против 2,73× у DSpark и 2,80× у DFlash, на Qwen3.8-27B - 4,78× против 4,32× у DSpark. На длинном контексте LongBench-v2 число принятых за раунд токенов выше, чем у сильнейшего из конкурентов, на 31,0-39,7%.
Поддержка UBTree для Ling3 в SGLang пока не опубликована. Команда обещает дополнительные черновые модели в течение месяца.📌Лицензирование: MIT 🟡Страница проекта 🟡Набор моделей 🟡Техотчет @ai_machinelearning_big_data #AI #ML #LLM #Decoding #UBTree #InclusionAI
