Data Science by ODS.ai 🦜
First Telegram Data Science channel. Covering all technical and popular staff about anything related to Data Science: AI, Big Data, Machine Learning, Statistics, general Math and the applications of former. To reach editors contact: @malev
Показати більше📈 Аналітичний огляд Telegram-каналу Data Science by ODS.ai 🦜
Канал Data Science by ODS.ai 🦜 (@opendatascience) у мовному сегменті Англійська є активним учасником. На даний момент спільнота об'єднує 38 186 підписників, посідаючи 3 513 місце в категорії Технології та додатки та 16 574 місце у регіоні Росія.
📊 Показники аудиторії та динаміка
З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 38 186 підписників.
За останніми даними від 25 жовтня, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на -439, а за останні 24 години на -14, загальне охоплення залишається високим.
- Статус верифікації: Не верифікований
- Рівень залученості (ER): Середній показник залученості аудиторії становить 5.22%. Протягом перших 24 годин після публікації контент зазвичай збирає 2.64% реакцій від загальної кількості підписників.
- Охоплення публікацій: В середньому кожен допис отримує 1 994 переглядів. Протягом першої доби публікація в середньому набирає 1 010 переглядів.
- Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 6.
- Тематичні інтереси: Контент зосереджений навколо ключових тем, таких як контекст, llm, claude, nvidia, api.
📝 Опис та контентна політика
Автор описує ресурс як майданчик для висловлення суб'єктивної думки:
“First Telegram Data Science channel. Covering all technical and popular staff about anything related to Data Science: AI, Big Data, Machine Learning, Statistics, general Math and the applications of former. To reach editors contact: @malev”
Завдяки високій частоті оновлень (останні дані отримано 26 жовтня, 2026), канал підтримує актуальність та високий рівень охоплення публікацій. Аналітика показує, що аудиторія активно взаємодіє з контентом, що робить його важливою точкою впливу в категорії Технології та додатки.
Внешняя память помогает накапливать навыки, но порождает серьёзную проблему: закрепление ложных убеждений. Если агент записывает неверный вывод в SEMANTIC_MEMORY.md, все последующие сессии воспринимают его как аксиому. Этот сбой наглядно виден на Figure 5F. Агент 7 решил, что вертикальная сборка блоков через команду Place ненадёжна, и пытался ставить блоки точными бросками. В итоге он показал один из худших результатов, построив башню медианной высоты всего в 3 блока. Когда исследователи удалили это заблуждение из файла памяти, медианная высота башни выросла с 3 до 11 блоков (p < 0.05). Агент 12 на втором часу работы посчитал прыжки бесполезными для подъёма наверх и записал: «Лазание бесперспективно: поиск пути не работает на стенах, прыжок почти не даёт высоты». На Figure 3E видно, что все 30 часов он провёл на земле. Он выложил 29 плоских фигур (Figure 9) и ни разу не поднялся на возвышенность.Отсюда, кажется, уже недалеко до computational religious studies. Is this machine playing? Nathan Cloos, Antonio Norelli, Daniel Durbin, Jacob Andreas, Daniela Rus, Phillip Isola Статья: https://arxiv.org/abs/2610.07130 Ревью: https://arxiviq.substack.com/p/is-this-machine-playing Код: https://github.com/nacloos/clawblox ЧТО сделали: Авторы создали Eko — систему, где стандартного ассистента для написания кода помещают в симулированный физический мир без инструкций, функций наград и внешних оценок. Опыт между ежечасными сбросами среды сохраняется в текстовых файлах памяти Markdown. ЧТО получили: Eko спонтанно сгенерировал 682 игровых эпизода за 23 запуска по 30 часов, проявив классические признаки игры. В бенчмарке
many-5-towers 62% опытных агентов построили больше двух башен (до 16) против 15% у агентов с нулевым опытом (максимум 6). В тесте objects-on-spire опытные агенты подняли в среднем 10.3 объекта против 3.5 у бейзлайна.
ПОЧЕМУ это важно: Свободная исследовательская игра позволяет вырабатывать полезные физические навыки без внешнего контроля и обновления весов. Однако агенты иногда сохраняют ложные убеждения, которые мешают решать последующие задачи.
Играть тут: https://t.me/gonzo_ML_podcasts/4833百度百科企业词条极速创建通道
Это похоже на проявление glitch-токенов: некоторые элементы словаря модели недостаточно представлены при обучении и могут вызывать необычные ошибки. Такой эффект описан в исследованиях разных LLM.
Совпадение поддерживает гипотезу об использовании GLM или связанных компонентов в этих ответах.
Интересная зацепка для дальнейшей проверки.