uk
Feedback

Не попадись на ботовода! Telemetrio знаходить і позначає такі канали мітками 👉 Хочеш бачити мітку, оформляй підписку

gonzo-обзоры ML статей

gonzo-обзоры ML статей

Відкрити в Telegram

Авторы: Гриша Сапунов, ранее руководитель разработки Яндекс-Новостей, ныне CTO Intento. Области интересов: AI/ML/DL, биоинформатика. Лёша Тихонов, ранее аналитик в Яндексе, автор Автопоэта, Нейронной Обороны... Области интересов: discrete domain, NLP, RL.

Показати більше

📈 Аналітичний огляд Telegram-каналу gonzo-обзоры ML статей

Канал gonzo-обзоры ML статей (@gonzo_ml) у мовному сегменті Російська є активним учасником. На даний момент спільнота об'єднує 24 747 підписників, посідаючи 5 370 місце в категорії Технології та додатки та 26 286 місце у регіоні Росія.

📊 Показники аудиторії та динаміка

З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 24 747 підписників.

За останніми даними від 19 листопада, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на 113, а за останні 24 години на 10, загальне охоплення залишається високим.

  • Статус верифікації: Не верифікований
  • Рівень залученості (ER): Середній показник залученості аудиторії становить 11.72%. Протягом перших 24 годин після публікації контент зазвичай збирає 7.34% реакцій від загальної кількості підписників.
  • Охоплення публікацій: В середньому кожен допис отримує 2 898 переглядів. Протягом першої доби публікація в середньому набирає 1 815 переглядів.
  • Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 13.
  • Тематичні інтереси: Контент зосереджений навколо ключових тем, таких як learning, tl;dr, токенов, архитектура, контекст.

📝 Опис та контентна політика

Автор описує ресурс як майданчик для висловлення суб'єктивної думки:
“Авторы: Гриша Сапунов, ранее руководитель разработки Яндекс-Новостей, ныне CTO Intento. Области интересов: AI/ML/DL, биоинформатика. Лёша Тихонов, ранее аналитик в Яндексе, автор Автопоэта, Нейронной Обороны... Области интересов: discrete domain, NLP...”

Завдяки високій частоті оновлень (останні дані отримано 20 листопада, 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.

24 747
Підписники
+1024 години
+387 днів
+11330 днів

Завантажуємо дані

Залучення підписників
лист '26
листопад '26
+175
в 1 каналах
жовтень '26
+328
в 10 каналах
Get PRO
вересень '26
+343
в 9 каналах
Get PRO
серпень '26
+157
в 7 каналах
Get PRO
липень '26
+196
в 4 каналах
Get PRO
червень '26
+253
в 9 каналах
Get PRO
травень '26
+210
в 6 каналах
Get PRO
квітень '26
+279
в 6 каналах
Get PRO
березень '26
+275
в 10 каналах
Get PRO
лютий '26
+387
в 6 каналах
Get PRO
січень '26
+415
в 18 каналах
Get PRO
грудень '25
+439
в 9 каналах
Get PRO
листопад '25
+295
в 13 каналах
Get PRO
жовтень '25
+510
в 13 каналах
Get PRO
вересень '25
+286
в 8 каналах
Get PRO
серпень '25
+430
в 5 каналах
Get PRO
липень '25
+641
в 11 каналах
Get PRO
червень '25
+362
в 9 каналах
Get PRO
травень '25
+431
в 7 каналах
Get PRO
квітень '25
+922
в 19 каналах
Get PRO
березень '25
+583
в 8 каналах
Get PRO
лютий '25
+649
в 16 каналах
Get PRO
січень '25
+1 065
в 24 каналах
Get PRO
грудень '24
+699
в 13 каналах
Get PRO
листопад '24
+1 001
в 20 каналах
Get PRO
жовтень '24
+727
в 14 каналах
Get PRO
вересень '24
+415
в 11 каналах
Get PRO
серпень '24
+467
в 3 каналах
Get PRO
липень '24
+217
в 10 каналах
Get PRO
червень '24
+375
в 20 каналах
Get PRO
травень '24
+354
в 11 каналах
Get PRO
квітень '24
+377
в 13 каналах
Get PRO
березень '24
+399
в 14 каналах
Get PRO
лютий '24
+323
в 12 каналах
Get PRO
січень '24
+660
в 15 каналах
Get PRO
грудень '23
+641
в 19 каналах
Get PRO
листопад '23
+268
в 8 каналах
Get PRO
жовтень '23
+501
в 19 каналах
Get PRO
вересень '23
+355
в 0 каналах
Get PRO
серпень '23
+456
в 0 каналах
Get PRO
липень '23
+357
в 0 каналах
Get PRO
червень '23
+300
в 0 каналах
Get PRO
травень '23
+2 022
в 0 каналах
Get PRO
квітень '23
+967
в 0 каналах
Get PRO
березень '23
+2 757
в 0 каналах
Get PRO
лютий '23
+385
в 0 каналах
Get PRO
січень '23
+166
в 0 каналах
Get PRO
грудень '22
+343
в 0 каналах
Get PRO
листопад '22
+100
в 0 каналах
Get PRO
жовтень '22
+93
в 0 каналах
Get PRO
вересень '22
+70
в 0 каналах
Get PRO
серпень '22
+261
в 0 каналах
Get PRO
липень '22
+475
в 0 каналах
Get PRO
червень '22
+215
в 0 каналах
Get PRO
травень '22
+225
в 0 каналах
Get PRO
квітень '22
+101
в 0 каналах
Get PRO
березень '22
+132
в 0 каналах
Get PRO
лютий '22
+233
в 0 каналах
Get PRO
січень '22
+113
в 0 каналах
Get PRO
грудень '21
+248
в 0 каналах
Get PRO
листопад '21
+226
в 0 каналах
Get PRO
жовтень '21
+69
в 0 каналах
Get PRO
вересень '21
+92
в 0 каналах
Get PRO
серпень '21
+73
в 0 каналах
Get PRO
липень '21
+133
в 0 каналах
Get PRO
червень '21
+174
в 0 каналах
Get PRO
травень '21
+75
в 0 каналах
Get PRO
квітень '21
+84
в 0 каналах
Get PRO
березень '21
+97
в 0 каналах
Get PRO
лютий '21
+136
в 0 каналах
Get PRO
січень '21
+170
в 0 каналах
Get PRO
грудень '20
+4 514
в 0 каналах
Дата
Залучення підписників
Згадування
Канали
21 листопада+1
20 листопада+15
19 листопада+13
18 листопада+7
17 листопада+9
16 листопада+7
15 листопада+14
14 листопада+10
13 листопада+8
12 листопада+5
11 листопада+3
10 листопада+12
09 листопада+8
08 листопада+3
07 листопада+8
06 листопада+7
05 листопада+11
04 листопада+5
03 листопада+14
02 листопада+10
01 листопада+5
Дописи каналу
photo content
20 лист, 15:08

2
Немає тексту...
1 360
3
Любопытному агенту на базаре... Я даже не знаю что сделали. Sampling Is Not Curiosity: Why LLM Agents Should Investigate Alfonso Amayuelas, Piotr Piękos, Xin Eric Wang, William Yang Wang, Jürgen Schmidhuber, Alex Pentland Paper: https://arxiv.org/abs/2611.10501 Review: https://arxiviq.substack.com/p/sampling-is-not-curiosity-why-llm Главное: Перебор параметров сэмплирования или промптов замороженной языковой модели лишь разнообразит действия. Настоящее любопытство требует строить предсказательную модель среды, выбирать действия для её улучшения и сохранять эти обновления за пределами контекстного окна. ЧТО сделали: Авторы этой позиционной статьи перенесли классическое любопытство из обучения с подкреплением на LLM-агентов в виде пяти архитектурных требований и разобрали, почему современные агенты поиска, памяти и научных открытий им не соответствуют. ЧТО получили: Четыре целевых требования выполняют только архитектуры с явным отслеживанием гипотез или обучаемой моделью мира, и ни одна не ставит цели исследования сама. Популярные же агенты оптимизируют внутреннюю перплексию токенов, копят эпизоды без оценки прогнозов о среде или ищут решения внутри заданных человеком целей. ПОЧЕМУ это важно: Разработчики агентов получают явный архитектурный чеклист и поведенческие black-box тесты, отделяющие случайное сэмплирование от настоящего исследования — хотя на трансформерах с неявным состоянием такие абляции не работают. Интересно, что здесь: https://t.me/gonzo_ML_podcasts/4854
1 444
4
4. Richard W. Hamming, The Art of Doing Science and Engineering (1997) Отличная книга о том, как думать учёному и инженеру, выросшая из курса лекций Хэмминга (того самого, в честь которого названы коды и расстояние). Попутно это история вычислительной техники глазами человека, который наблюдал её практически с самого начала, а ещё теория кодирования и информации, цифровые фильтры, симуляции и три главы про AI. Наверное, все знают, но лишний раз отдельно рекомендую главу про n-мерное пространство, где на пальцах показано, как в высоких размерностях ломается наша трёхмерная интуиция: объём шара уходит к поверхности, а сфера, зажатая между шарами в углах куба, начиная с n=10 вылезает за его грани. ML-щику очень полезное чтение. Опыт Хэмминга очень релевантен и в текущий момент. Он отстаивал языки высокого уровня, когда опытные программисты были уверены, что надёжно и эффективно можно писать только на низком уровне. С AI сейчас происходит то же самое, вы безусловно слышали всю эту аргументацию, почему написанный агентами код не будет работать. В пару к этому сюжету хорошо идёт классика от Рича Саттона The Bitter Lesson о том, как за 70 лет исследований AI общие методы, которые масштабируются вместе с вычислениями, то есть поиск и обучение, раз за разом обыгрывали системы, в которые исследователи вручную закладывали своё знание о задаче. У Хэмминга есть и волшебная лекция про то, как делать рисёрч, You and Your Research, она же стала последней главой книги. И хорошая статья The Unreasonable Effectiveness of Mathematics (1980), ответ на знаменитое эссе Вигнера, с замечательной мыслью: если есть запахи и звуки, доступные собакам, но недоступные нам, то почему бы не быть и мыслям, которые мы не способны подумать? Эволюция вполне могла закрыть нам какие-то направления мышления. 5. Clayton M. Christensen, The Innovator's Dilemma (1997) Старая, но по-прежнему важная книга о подрывных инновациях. Объясняет, почему сильные, хорошо управляемые компании проигрывают новым технологиям, причём именно потому, что всё делают «правильно»: слушают лучших клиентов и вкладываются в самые прибыльные направления. Кристенсен показывает это на данных из индустрии жёстких дисков, экскаваторов и сталелитейных мини-заводов. Подрывная технология поначалу хуже привычной по главной для рынка метрике и интересна только нишевым клиентам, поэтому лидерам рационально её игнорировать. Но улучшается она быстрее, чем растут потребности рынка, и в какой-то момент догоняет снизу. Звучит знакомо? На маленькие дешёвые модели и на агентов, которые «пока хуже сеньора», эта логика ложится очень хорошо. У книги есть два продолжения, The Innovator's Solution (2003) и Seeing What's Next (2004), где больше про то, что делать, чтобы задизраптить рынок самому. Английская версия на Substack: https://gonzoml.substack.com/p/five-books-for-the-age-of-agents
2 192
5
Пять книг для эпохи агентов и не только Что-то давно я обзоров книг не писал. После недавнего интервью Постнауке меня попросили порекомендовать пять книг. Я подумал и порекомендовал. Почти пять. Ни одной про LLM среди них не оказалось, а три из пяти вышли в 1997 году. И всё по-прежнему актуально, возможно, даже больше, чем раньше. **1. Cal Newport, Deep Work (2016) и Slow Productivity (2024)** В эпоху мультитаскинга, когда параллельно работает несколько агентов, а ты между ними скачешь, эти книги актуальны как никогда. Первая посвящена глубокой концентрации: результат высокого качества требует длинных блоков работы без прерываний, иначе получаются поверхностные решения. Вторая о том, как добиваться больших результатов на длинной дистанции и не выгорать: делать меньше дел одновременно, работать в естественном темпе и быть одержимым качеством. Про длинную дистанцию хорошо напоминает известная арифметика: 1.01^365 ≈ 37.8, а 0.99^365 ≈ 0.03. Обе книги поднимают вопрос о том, как измерять эффективность интеллектуального труда. Привычную подмену, когда видимую занятость принимают за результат, Ньюпорт называет pseudo-productivity. Задача по-прежнему не решена, а с приходом агентов её придётся переосмыслить ещё раз. **2. B. Jack Copeland (ed.), The Essential Turing (2004)** Сборник ключевых работ Тьюринга с комментариями составителя и важным историческим контекстом. Тьюринга знают почти все как автора знаменитого теста на способность машин мыслить. Многие слышали и про взлом «Энигмы», в который он внёс серьёзный вклад (см. также пост про польских учёных и прекрасный музей в Познани). Практически любой айтишник знает, что Тьюринг ещё 90 лет назад предложил модель вычислений, известную теперь как машина Тьюринга. Заметно меньше людей помнят, что в той же работе он доказал существование невычислимых задач, а в статье с тестом есть раздел Learning Machines, где он предлагает сделать «машину-ребёнка» и учить её поощрениями и наказаниями, то есть по сути описывает RL. Ещё меньше знают о его уходе в биологию и работах по морфогенезу, где реакционно-диффузионная модель объясняет, как в однородной среде возникают паттерны (например, пятна на шкурах животных). Ещё меньше в курсе его участия в создании первых компьютеров в Манчестере, где по его настоянию в Ferranti Mark 1 встроили аппаратный генератор случайных чисел (кажется, это был первый такой встроенный в компьютер). И совсем немногие слышали про «неорганизованные машины» из отчёта 1948 года. Это сети из случайно соединённых NAND-элементов, которые предлагается обучать, то есть нейросети, описанные в отдельной от Мак-Каллока и Питтса ветви. Опубликовали этот отчёт только через двадцать лет. Книга даёт хорошее представление о каждой из этих работ. **3. David Deutsch, The Fabric of Reality (1997)** Дойч разбирает четыре «нити», наши лучшие теории, объясняющие мир: квантовую физику, теорию эволюции, эпистемологию и теорию вычислений, и показывает, что вместе они складываются в единую картину реальности. Особенно интересно, что теория вычислений у него оказывается способом говорить о том, что вообще возможно в физическом мире, а не просто дисциплиной о компьютерах. Отсюда и принцип Тьюринга в формулировке Дойча: универсальный компьютер способен симулировать любую физически возможную систему. Дойч знает, о чём говорит: в 1985 году он описал универсальный квантовый компьютер и первый квантовый алгоритм. Маст рид. Заодно лучше поймёте про мультивёрс и почему Дойч считает копенгагенскую интерпретацию хренью. Вторая книга Дойча, The Beginning of Infinity («Начало бесконечности»), про природу объяснений, знания и прогресса, тоже стоит прочтения.
2 037
6
Немає тексту...
2 236
7
Немає тексту...
2 184
8
Как ллмки управляют физическими роботами? Ну так себе, пропасть между клод-кодом и роботом довольно велика. Явно одна из следующих big things — это харнессы для физических роботов. Embodied First Exam Kangrui Wang, Qineng Wang, Changhe Chen, Pingyue Zhang, Chi Gui, Feishi Wang, Canyu Chen, Wenli Xiao, Xiaoyu Huang, Tonghe Zhang, Linjie Li, Zihan Wang, Minyeong Kim, Yiyou Sun, Mingkai Deng, Jinyu Hou, Qi Zhu, Han Liu, Eric P. Xing, Huaxiu Yao, Zhiwen Fan, Yuejiang Liu, Dawn Song, Pieter Abbeel, Li Fei-Fei, Jiajun Wu, Yuke Zhu, Guanya Shi, Ruohan Zhang, Manling Li Paper: https://arxiv.org/abs/2611.12177 Review: https://arxiviq.substack.com/p/embodied-first-exam Code: https://github.com/mll-lab-nu/embodied-first-exam Главное: Даже топовые кодинг-агенты решают большинство задач в симуляции при полном состоянии среды и бесконечных перезапусках, но плохо справляются с точным контактом, когда остаются только бортовые сенсоры и необратимые физические действия. ЧТО сделали: Авторы представили Embodied First Exam (EFE) — контейнеризированный бенчмарк из 1156 задач на 47 симулируемых роботах. В нём обычные кодинг-агенты без доработок напрямую выдают действия, пишут контроллеры или обучают политики. ЧТО получили: На сопоставленных сложных задачах лучший из проверенных агентов (GPT-6 Astra в CLI Codex от OpenAI) падает с 77% успеха при доступе к состоянию симулятора и бесконечных сбросах до 30% только с сенсорами и ограниченными сбросами. Во многом это связано с тем, что точные этапы требуют повторных попыток. ПОЧЕМУ это важно: Для переноса кодинг-агентов на реальное железо помимо сильных моделей нужны продуманные обвязки исполнения и безопасное восстановление состояния. Впрочем, все оценки в бенчмарке получены по одиночным попыткам в симуляции. Выходить из симуляции здесь: https://t.me/gonzo_ML_podcasts/4853
2 255
9
Немає тексту...
2 424
10
Немає тексту...
2 453
11
Немає тексту...
2 334
12
Кеннет Стэнли продолжает (предыдущее тут) исследовать единые и разрозненные представления. Неудивительным образом единые факторизованные представления рулят на непрерывном обучении. Но работают пока только на очень игрушечных кейсах. Unified Factored Representations Resist Catastrophic Forgetting Joel Lehman, Kenneth O. Stanley Paper: https://arxiv.org/abs/2611.11020 Review: https://arxiviq.substack.com/p/unified-factored-representations Главное: Нейросети могут избегать катастрофического забывания при градиентном спуске, если внутренние признаки кодируют каждую закономерность один раз и разделяют независимые факторы. Но для этого нужно маскировать лишние нулевые веса и делать малые шаги вдоль структуры задачи. ЧТО сделали: Авторы объясняют забывание спутанными представлениями, где закономерности дублируются, а признаки смешиваются. В многократном циклическом файнтюнинге туда-обратно на частях входа они проверили единые факторизованные представления, объединяющие закономерности и разделяющие факторы. ЧТО получили: За 30 циклов файнтюнинга попиксельная ошибка факторизованных моделей на отложенной области оказалась в 2.9–12 раз ниже, чем у градиентных бейзлайнов — без повтора примеров и штрафов за уход от старой задачи. Целевые вариации при этом генерировали самими факторизованными сетями. ПОЧЕМУ это важно: Вспомогательные лоссы, упорядочивающие скрытые признаки при начальном обучении, снижают последующую интерференцию. Однако градиентный спуск всё ещё не выучивает такие представления с нуля и не может надёжно добавить даже один новый признак, не сломав их. Исследовать репрезентации здесь: https://t.me/gonzo_ML_podcasts/4852
2 381
13
Немає тексту...
2 444
14
Немає тексту...
2 442
15
Немає тексту...
2 593
16
Любопытная свежая работа про файнтюнинг занулением небольшого количества весов. The Surprising Effectiveness of Deleting Weights in LLM Post-Training Jack Lu, Zhenbang Yang, Mike Lasby, Tejas Pote, Yani Ioannou, Mengye Ren Paper: https://arxiv.org/abs/2611.10866 Review: https://arxiviq.substack.com/p/the-surprising-effectiveness-of-deleting Project: https://agenticlearning.ai/deleting-weights/ Code: https://github.com/agentic-learning-ai-lab/deleting-weights Model: https://huggingface.co/Jacklu0831/deletion-tuning-masks Главное: Предобученные языковые модели могут осваивать новые навыки рассуждения и работы с инструментами без записи новых весов. На больших масштабах достаточно занулить менее 0.05% параметров, и прежние способности не пострадают. ЧТО сделали: Авторы предложили метод пост-тренинга Deletion Tuning, который адаптирует замороженную модель через обучение бинарной маски для гейтовых проекций MLP. Выбранные веса остаются нетронутыми, а остальные обращаются в ноль. ЧТО получили: На самых крупных протестированных моделях Deletion Tuning сравнялся с полным файнтюнингом. При обучении с подкреплением точность на старых задачах падает не более чем на 1 пункт от базовой модели, хотя малые модели набирают порой лишь 90% от точности плотного обновления. ПОЧЕМУ это важно: Системы инференса могут переключать задачи мегабайтными битовыми масками поверх одной общей модели без потери старых навыков. Однако последовательное дообучение в работе не проверяли, несжатые bf16-адаптеры ранга 1 часто меньше по объёму, а само обучение требует куда больше памяти. Занулять здесь: https://t.me/gonzo_ML_podcasts/4851
2 835
17
Немає тексту...
2 906
18
Немає тексту...
2 864
19
Немає тексту...
2 854
20
Я продолжаю посматривать на работы, где из реальных данных авторы пытаются вывести символьные физические законы, стоящие за наблюдениями. Уверен, это крайне интересная и нужная область. Одна из свежих работ предложила двухступенчатый пайплайн: сначала выделяем низкоразмерный базис (интересные переменные) и только потом уже на нём ищем символьную формулу. Какой-то прогресс в этом есть, но результат пока неоднозначный. Distilling neural networks into equations to predict planetary instability Simon Alford, Edward Gu, Omar Costilla-Reyes, Dan Tamayo, Miles Cranmer, Kevin Ellis Paper: https://arxiv.org/abs/2610.35617 Review: https://arxiviq.substack.com/p/distilling-neural-networks-into-equations Code: https://github.com/simonalford42/planet_eqs Data and code archive: https://doi.org/10.5281/zenodo.15731358 Главное: Символьная регрессия справляется с хаотической динамикой, если градиентный спуск сначала сжимает траектории в разреженный линейный базис. Полученные компактные формулы экстраполируют лучше прямого символьного поиска. ЧТО сделали: Предложили двухэтапную дистилляцию нейросетей для предсказания неустойчивости многопланетных систем. На коротких симуляциях орбит обучается разреженный линейный экстрактор (по две переменные на признак), после чего библиотека эволюционной символьной регрессии PySR дистиллирует нейросеть в алгебраические уравнения. ЧТО получили: На бенчмарках дистиллированная формула предсказывает время до неустойчивости с точностью от 1.34 до 1.52 порядков величины. Она точнее аналитической теории для круговых орбит и экстраполирует на более крупные системы, но уступает прямой символьной регрессии по ряду метрик внутри распределения. ПОЧЕМУ это важно: Астрономы получают читаемую формулу, связывающую колебания орбит с резонансами. Однако расчёт всё ещё требует короткой численной симуляции, не учитывает физические размерности и даёт много ложных тревог при стандартных порогах. Гнать дистиллят тут: https://t.me/gonzo_ML_podcasts/4850
3 094