Уже доступно! Исследование Telegram 2025 — ключевые инсайты года 
Data Secrets
Открыть в Telegram
Главный по машинному обучению Сотрудничество: @veron_28 РКН: clck.ru/3FY3GN
Больше📈 Аналитический обзор Telegram-канала Data Secrets
Канал Data Secrets (@data_secrets) языкового сегмента Русский является активным участником. Сейчас сообщество объединяет 90 762 подписчиков, занимая 1 410 место в категории Технологии и приложения и 6 172 место в регионе Россия.
📊 Показатели аудитории и динамика
С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 90 762 подписчиков.
Согласно последним данным от 28 июня, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило 555, а за последние 24 часа — 15, при этом общий охват остаётся высоким.
- Статус верификации: Верифицирован (официально подтверждён Telegram)
- Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 26.10%. В первые 24 часа после публикации контент обычно набирает 19.13% реакций от общего числа подписчиков.
- Охват публикаций: В среднем каждый пост получает 23 687 просмотров. В течение первых суток публикация набирает 17 362 просмотров.
- Реакции и взаимодействия: Аудитория активно поддерживает контент: среднее количество реакций на один пост — 314.
- Тематические интересы: Контент сосредоточен на ключевых темах, таких как claude, openai, контекст, стартап, llm.
📝 Описание и контентная политика
Автор описывает ресурс как площадку для выражения субъективного мнения:
“Главный по машинному обучению
Сотрудничество: @veron_28
РКН: clck.ru/3FY3GN”
Благодаря высокой частоте обновлений (последние данные получены 29 июня, 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.
90 762
Подписчики
+1524 часа
+1847 дней
+55530 день
Архив постов
90 763
+2
Google выпустили новые открытые модели T5Gemma-2 и FunctionGemma
🟦 T5Gemma-2 – это очередное эффектное возвращение encoder-decoder архитектуры, теперь с длинным контекстом до 128K токенов и мультимодальностью.
Как и первая T5Gemma, которая вышла летом, T5Gemma-2 обучалась на основе обычной Gemma, которая представляет из себя decoder-only. Летом Google показали основную идею адаптации: инициализируем encoder-decoder весами decoder-only и продолжаем претрейн через UL2. Теперь этот подход перетянули в multimodal и long-contex, плюс добавили некоторые архитектурные оптимизации.
В итоге получилось, что в этот раз это уже не просто эксперимент с архитектурой, а реально полезная моделька. У нее мозги Gemma, но она лучше (+дешевле) переваривает длинные контексты, потому что имеет encoder. Так что если у вас задача типа суммаризации или работа с большими доками – смело используем.
Есть варианты на 270M-270M, 1B-1B, 4B-4B (примерная оценка суммарных параметров ~370M / ~1.7B / ~7B). Instuct, к сожалению, не публикуют, а претрейн-чекпоинты лежат тут.
🟦 FunctionGemma – это малюсенький tool-caller для агентов, всего на 270M параметров. По сути, это основа для автономного локального агента.
То есть это больше не диалоговая модель, а именно генератор structured function call. У нее даже токенизатор отличается от обычной Gemma. Она может в генерацию текста, но основная ее роль – вызвать нужные инструменты, чтобы выполнить задачу. Короче, что-то типа Siri именно для выполнения оффлайн задач на устройстве.
Google подчеркивают, что модель заточена под дообучение (а не промптинг) на конкретные задачи. Например, в кейсе из блогпоста ее достаточно дешево дообучили на Mobile Actions, и точность выросла с 58% до 85%.
Вот веса и блогпост с интересными примерами.
Все-таки Google молодцы
90 763
Новый вайб-проект от Андрея Карпаты: проверяем, какие предсказания из 2015 сбылись
Исследователь провел маленький, но очень занятный эксперимент. Он взял 930 фронтпейдж-тредов Hacker News за декабрь 2015 года (посты + комментарии) и прогнал их через GPT-5.1 Thinking с задачей «оценить задним числом и определить, какие прогнозы были наиболее правдивыми».
В итоге 3 часа вайбкодинга, 60 долларов и вуаля: получилась система, которая ранжирует прогнозы по правдивости, исходя из того, что происходит спустя 10 лет.
Кому интересно, посмотреть результаты можно здесь, местами очень забавно.
Но проект, вообще-то, интересен еще и с теоретической точки зрения. Как пишет и сам автор, такой In-hindsight анализ = инструмент обучения предсказательному мышлению.
Если LLM может систематически разбирать, почему одни прогнозы переживают 10 лет, а другие нет, то это можно использовать для обучения моделей самостоятельно предсказывать будущее.
Тогда получается, что каждый ваш (или чей-то еще) коммент или пост в интернете – это своего рода future-labeled sample, у которого спустя время появится «правильный ответ», сбылось/не сбылось/было чушью. А какая-нибудь будущая модель, увидев много-много таких обучающих сигналов, научится надежно понимать, как приходить к статистически сбывающимся предсказаниям и тогда… 🤯
Ну, в общем, как когда-то сказал Карпаты:
Be good. Future LLMs are watching.
Код | Блогпост
90 763
Так, ну что, теперь очередь инвестировать в OpenAI добралась до Amazon
По итогам ранних переговоров, компания инвестирует в стартап 10 миллиардов долларов. Если все пойдет по плану, сделка добьет оценку OpenAI до 500 миллиардов.
Договор точно будет предполагать поставку OpenAI чипов Trainium и аренду дополнительных мощностей в AWS. Будут ли непосредственно финансовые вложения пока непонятно.
90 763
🖥🖥🖥🖥🖥🖥🖥🖥🖥🖥
🖥🖥🖥🖥🖥🖥🖥🖥🖥
🖥🖥🖥🖥🖥🖥🖥🖥🖥
Ваш путеводитель по ИТ
Каждый разработчик знает
ощущение, когда в проекте
накапливается техдолг, а
автотесты начинают жить
своей жизнью. В такие моменты
могут помочь кейсы от коллег
по цеху: как допилить CI/CD, как
сэкономить время на фиче или
как спасти продукт в кризисное
время.
Именно такие истории
регулярно появляются в МТС
True Tech вместе с разбором
технологий и подборками
инструментов.
А еще у сообщества есть офлайн
и онлайн-мероприятия. Совсем
недавно прошел True Tech
Champ — чемпионат по
алгоритмическому
и робототехническому
программированию с призовым
фондом более 10 млн рублей.
Анонсы следующих событий вы
сможете найти также в
@truetechcommunity, там проще
всего за ними следить.
🖥🖥🖥🖥
Реклама. ООО "МТС Веб Сервисы".
ИНН 7707767501. Erid: 2W5zFHYZSek
90 763
В 2026 Nvidia сократит выпуск игровых видеокарт на 30-40%
По данным азиатских цепочек поставок и утечек с китайских форумов, речь идет именно о GeForce RTX 50‑серии.
Основной мотив тот же – глобальный дефицит видеопамяти. NVIDIA перераспределяет ресурсы в пользу дата‑центров и ИИ‑ускорителей. Там спрос и маржа существенно выше, чем на рынке потребительских видеокарт.
Все геймеры прямо сейчас:
90 763
В ChatGPT спустя два месяца после анонса наконец добавили App Store
Напоминаем, что приложения – это то, что раньше называлось коннекторами. ChatGPT соединяется с каким-нибудь сервисом, и в результате вы можете работать с ним с помощью бота, не выходя из чата.
Ну, например, пишете «хочу плейлист для тренировки», бот вызывает Spotify, составляет плейлист прямо там и скидывает вам готовую ссылку.
Сейчас в стор, помимо уже существующих интеграций, добавили новые. Из интересного – Apple Music и DoorDash, например.
Но самое приятное в другом: разработчикам разрешили сабмитить собственные приложения! Это уже серьезный намек на монетизацию.
Если хотите попробовать, то вот, что надо знать:
– Все приложения должны разрабатываться на основе библиотеки Apps SDK, вот документация с пошаговыми гайдами
– Все приложения должны соответствовать установленным требованиям по дизайну, UX и прочее. Вот ссылка со всеми условиями, не пропустите ее.
– После разработки отправляем приложение на проверку сюда, здесь же можно будет трекать метрики и управлять приложением, если оно попадет в стор
Интересная возможность. Особенно для тех, у кого есть собственный продукт.
90 763
+3
⚡️ Google выкатили Gemini 3 Flash
Обещают frontier-уровень интеллекта при низкой цене и минимальной задержке: быстрые рассуждения, сильный кодинг и нормальную мультимодальность для реального продакшена, а не только демо.
По бенчмаркам: уверенно выступает на GPQA Diamond и Humanity’s Last Exam (PhD-уровень задач), а на MMMU Pro почти догоняет Gemini 3 Pro.
По скорости и стоимости заметно быстрее 2.5 Pro, при этом использует меньше токенов. На SWE-bench Verified обгоняет не только 2.5-ю линейку, но и Gemini 3 Pro.
https://blog.google/products/gemini/gemini-3-flash/
90 763
Пища для размышлений вам на вечер: Ян Лекун заявил, что понятия «general intelligence» вообще не существует
Обычно этот термин употребляют, чтобы обозначить человеческий уровень интеллекта, но, по его словам, человеческий интеллект очень узкоспециализирован. Мы хорошо ориентируемся в мире и общаемся, но есть много вещей, в которых мы плохи (например, шахматы) и вещей, в которых животные лучше нас.
«Мы думаем о самих себе как об общем интеллекте, но это только иллюзия. Наш интеллект общий только в тех задачах, которые мы можем придумать, но есть много задач, о которых мы и понятия не имеем. Так что general intelligence полная чушь.»Этот отрывок вызвал много споров в соцсетях. Например, Hunter Ash комментирует это так:
«Если Ян может рассуждать об интеллекте в целом, то он уже представить общего интеллекта, а не узкоспециализированного. Да, в шахматах мы хуже компьютеров, но мы можем играть в любые игры и понимать, почему та или иная стратегия хуже или лучше (неважно, насколько хорошо мы это делаем). Конечно, есть пределы, но в широком смысле это и есть универсальность интеллекта»Илон Маск тоже оказался несогласен с мнением Лекуна, но сильно в аргументах не рассыпался: просто написал, что ученый «давно выжил из ума» ✌️
90 763
Где взять полный стек инструментов для работы с GenAI
2025-й стал годом экспериментов: бизнес пробовал разные модели, собирал свои первые RAG-системы, тестировал агентов для клиентов и сотрудников. В 2026-м фокус смещается с экспериментов на промышленное внедрение и масштабирование.Чтобы не собирать решения по частям и не упираться в инфраструктурные ограничения, Cloud.ru запустил Evolution AI Factory — среду для внедрения GenAI в ваши проекты.
Там можно: 😶🌫️быстро собрать MVP 😶🌫️протестировать 20+ LLM 😶🌫️дообучить их на своих данных 😶🌫️собрать AI-агента или мультиагентную системуВсе это на российских серверах и с доступными ценами. Узнайте больше про Evolution AI Factory
90 763
OpenAI поместили GPT-5 в реальную биологическую лабораторию, и модель оптимизировала процесс клонирования ДНК в 79 раз
Стартап заколабился с Red Queen Bio и провел первый в истории эксперимент, в рамках которого GPT-5, фактически, работала в условиях реального научного мира. Это называется wet lab и представляет из себя вот такой закрытый цикл:
1. Модель предлагает гипотезу и план реализации
2. Люди или роботы в лаборатории строго выполняют инструкции и замеряют результат
3. Этот результат возвращается GPT-5, она анализирует, что сработало, что нет, и предлагает новую итерацию
В качестве задачи выбрали молекулярное клонирование, а конкретно – Gibson Assembly. Это базовый протокол молекулярной биологии. Целью было его оптимизировать (метрика простая: число успешных колоний).
Gibson Assembly – старый и изучен очень хорошо, так что супер-эффекта никто не ожидал. Такой оптимизацией даже сами ученые редко занимаются, потому что делать это нужно для каждого кейса отдельно, для этого требуется много времени и экспериментов, а результаты максимум х2-х3.
Но в итоге модель всех удивила: за несколько раундов система стала 79 раз эффективнее, чем исходный метод. Причем результат был стабильным и надежно воспроизводился.
Конкретнее, GPT-5 предложила добавить в одну из реакций два белка: RecA и gp32. Они оба хорошо известны, но никто раньше не использовал их функционально вместе именно в клонировании.
Прорывом это, конечно, назвать нельзя. Скорее просто уровень хорошего PhD-студента в довольно специфической задаче. Но интересно другое: довольно успешная смена роли модели с просто генератора текста или агента внутри компьютера на активного участника физического процесса.
openai.com/index/accelerating-biological-research-in-the-wet-lab/
90 763
OpenAI выкатили ответ на Nano Banana – GPT Images
Обещают фотореалистичность, отличное следование инструкциям и очень высокое качество редактирования изображений, включая многошаговый edit, где нужно сохранять лицо или другие детали неизменными. А еще генерация теперь будет в 4 раза быстрее.
В ChatGPT Images уже доступны всем юзерам (да, и бесплатно тоже, но про лимиты пока непонятно). В API выкатили как GPT Image 1.5
Пробуем пробуем пробуем!
90 763
Пока ждем Gemma 3 и Gemini 3 Flash – принимаем пасхалки от OpenAI (теперь в лист ожидания попадает еще и новая image моделька)
90 763
Словарь Merriam-Webster выбрали «Slop» в качестве слова года
Мы определяем slop как цифровой контент низкого качества, который обычно массово производится с помощью искусственного интеллекта. В 2025 году это были абсурдные видео, кривые рекламные картинки, пошлая пропаганда, фальшивые новости. Люди считают это раздражающим, но потребляют.Вообще, исторически, slop означало что-то типа помоев (образовалось от звука, который издает грязь, когда в нее наступаешь). Затем слово приобрело значение «пищевые отходы», еще позже – просто «хлам». И вот, в 21 веке, оно опять заиграло новыми красками. Спасибо ИИ 🙄
90 763
+1
Новый день – новые модели: Nvidia выпустили прекрасную Nemotron 3 Nano
В ней 31.6B параметров, но активных всего 3.6B (это MoE). Запустить можно на 24ГБ RAM. Зафайнтюнить можно на 60ГБ VRAM.
Контекст – 1 миллион токенов.
По метрикам, внимание, обходит Qwen3-30В-А3В-Thinking и GPT-oss-20B-А4В. Получается, модель не просто конкурентоспособная, но и лучшая в своем классе на многих основных бенчмарках: SWE-bench, GPQA и др.
И еще – моделька очень шустрая, выдает больше 350 токенов в секунду. Это в 3-4 раза быстрее того же Qwen.
Nvidia умеют удивлять.
Веса (+датасеты!) | Статья | Блогпост
P.S. Любителям опенсорса напоминаем, что сегодня также все еще ждем новенькую Gemma-3
90 763
Крах OpenAI и нормальный Siri: смотрим, что журналисты напредсказывали на 2026
Декабрь любим в первую очередь за всевозможные «итоги года» и прогнозы. Почти никогда они не сбываются, но читать все равно интересно.
У The Verge совместно с The Wall Street Journal как раз вышел подкаст с гаданием на судьбу тех.индустрии в 2026.
Что говорят:
– У Apple в 2026 наконец появится нормальный голосовой ассистент, причем (почему-то) с акцентом на эмпатию и «душевное» общение. Но как бы там ни было, если и в 2026 Apple с ИИ ничего не придумают, то земля им пухом.
– OpenAI перестанет быть доминирующим игроком, если все останется в текущем виде. Бизнес-модель типа ChatGPT сама по себе не окупает объем привлеченных денег, так что шансы остаться на плаву у стартапа есть только если вокруг их продукта появится некая экосистема или гаджет. Спорное заявление, конечно, но, с другой стороны, последние события показывают, что какие-то изменения компании действительно нужны.
– Поворотная точка произойдет в восприятии автономного транспорта и роботов. Будет либо «ну ок, это работает», либо усиление недоверия из-за инцидентов. Тут есть ощущение, что немного забежали вперед: кажется, что массовым использованием роботов и беспилотных авто в 2026 все еще не пахнет.
– ИИ-слоп достигнет апогея, и соцсети спасут только новые механизмы рекомендаций. Вот это похоже на правду больше всего.
А ваши прогнозы на 2026?
90 763
Сегодня, кстати, ждем новый опенсорсный релиз (привет, Gemma 4!) от Google
Должны завезти уже совсем скоро
90 763
«Главной ошибкой Google было недооценить трансформеры» – Сергей Брин
Стэнфорд выпустил интересное Q&A с Сергеем Брином. В нем основатель Google говорит, что успех OpenAI, по сути, не в технической составляющей, а в том, что они поверили в скейлинг и чат-ботов.
Google выпустили трансформеры в 2017 году, но не восприняли их достаточно серьезно, чтобы инвестировать крупные суммы. То же самое – с чат-ботами. Google не хотели раскатывать подобное на пользователей, потому что боты «иногда говорили чепуху». А OpenAI выпустили – и сорвали куш.
А представьте, если бы Google не опубликовали статью о трансформерах, оставили технологию закрытой и сами влили в нее пару миллиардов в 2017…
youtu.be/0nlNX94FcUE?si=Hmj92pGtpTVfc3db
90 763
Новый скандал с OpenAI: публикуемые исследования теперь подвергаются в компании жесткой цензуре
Недавно из компании ушел старший экономический исследователь Том Каннингем. Wired получили доступ к его прощальному меморандуму и выяснили, что уволился он из-за того, что руководство «превратило исследовательскую команду в инструмент пропаганды».
Оказывается, в компании теперь очень осторожно относятся к публикации работ, относящимся к рискам ИИ для экономики. Например, вместо исследований о влиянии ИИ на рабочие места, они предпочитают опубликовать какие-нибудь положительные результаты.
«Команда отклонилась от реальных исследований к продвижению корпоративных интересов» – пишет Том.По этой же причине из стартапа ушел еще как минимум один сотрудник экономической команды. В других подразделениях несколько ушедших сотрудников тоже жаловались на «на сложности с публикацией важных работ». Компания цензуру отрицает. Но теперь экономические исследования курирует Аарон Чаттерджи. В сентябре именно он выпустил отчет о том, как ChatGPT ускоряет и удешевляет работу.
90 763
+2
Google понемногу двигаются к тому, чтобы обучать роботов с помощью ИИ-моделей мира
Они выпустили статью, в которой сделали первый большой шаг к соединению Veo и робототехники. Это пока не про полноценное обучение роботов в ИИ-симуляции (не обольщаемся), но результаты все равно интересные и важные.
Кратко: у исследователей получилось научить Veo-2 предсказывать, что конкретно будет видеть робот, совершая те или иные действия.
Они взяли базовую Veo-2 и дотюнили ее по первому кадру + действиям робота генерировать будущие согласованные кадры с его 4 камер. Это называется action-conditioned rollout и, по сути, позволяет недорого и безопасно оценивать политику робота с помощью одной только world модели.
Полученный дотюн, кстати, красиво назвали Veo (Robotics).
Чем это круче, чем обычная симуляция?
Строгие физические симуляторы работают хорошо, если ситуация простая и предсказумая. ИИ-симуляцию можно масштабировать на нетривиальные миры. Более того, каждый объект в физ.симуляторе требует четких ассетов и ручной настройки + больших вычислений. Сильно далеко на таком не уедешь. А тут – добавляй новые предметы и кейсы сколько хочешь, достаточно промт написать или отредактировать начальный кадр с помощью Nano Banana.
Конечно, есть и минусы. В основном они касаются качества моделирования строгой, в особенности мелкой, физики. Но тут еще все впереди.
По сути: Google научились довольно сносно (см последний график) эвалить политику робота с помощью Veo. Добавь обновление политики, и уже получишь обучение с подкреплением. Пока что этого не делают сознательно, опять же из-за недостаточной точности World model. Но еще раз: шаг большой.
https://www.alphaxiv.org/abs/2512.10675
90 763
Самая внезапная новость за неделю: Zoom (да, тот самый) выбил со своей моделькой SOTA результат на Humanity’s Last Exam
Со скором 48.1% они опередили предыдущего лидера – Gemini 3 Pro (+tool) – почти на 3 процентных пункта.
Но вообще, хотя и результат объективно крутой, надо заметить, что говорить о таком сравнении не очень честно. У Zoom не одна модель, а хитрый ансамбль, или точнее федеративная AI-система.
Несколько моделей (включая собственные от Zoom + партнерские от Meta, OpenAI и Anthropic) работают в пайплайне: маршрутизируют задачи, генерируют варианты ответов, проверяют, критикуют друг друга и объединяют результаты.
https://www.zoom.com/en/blog/humanitys-last-exam-zoom-ai-breakthrough/
