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
Ko'proq ko'rsatish📈 Telegram kanali Data Science by ODS.ai 🦜 analitikasi
Data Science by ODS.ai 🦜 (@opendatascience) Ingliz til segmentidagi kanali faol ishtirokchi. Hozirda hamjamiyat 38 166 obunachidan iborat bo'lib, Texnologiyalar & Aralashmalar toifasida 3 534-o'rinni va Rossiya mintaqasida 16 616-o'rinni egallagan.
📊 Auditoriya ko‘rsatkichlari va dinamika
невідомо sanasidan buyon loyiha tez o‘sib, 38 166 obunachiga ega bo‘ldi.
27 Oktabr, 2026 dagi oxirgi ma’lumotlarga ko‘ra kanal barqaror faollikka ega. Oxirgi 30 kunda obunachilar soni -428 ga, so‘nggi 24 soatda esa -12 ga o‘zgardi va umumiy qamrov yuqori darajada qolmoqda.
- Tasdiqlash holati: Tasdiqlanmagan
- Jalb etish (ER): Auditoriya o‘rtacha 4.75% darajada jalb etiladi. Nashrdan keyingi dastlabki 24 soatda kontent odatda umumiy obunachilar sonining 2.57% ini tashkil etuvchi reaksiyalarni to‘playdi.
- Post qamrovi: Har bir post o‘rtacha 1 814 marta ko‘riladi; birinchi sutkada odatda 980 ta ko‘rish yig‘iladi.
- Reaksiyalar va o‘zaro ta’sir: Auditoriya faol: har bir postga o‘rtacha 6 ta reaksiya keladi.
- Tematik yo‘nalishlar: Kontent контекст, llm, claude, nvidia, api kabi asosiy mavzularga jamlangan.
📝 Tavsif va kontent siyosati
Muallif resursni shaxsiy fikrni ifoda etish maydoni sifatida ta’riflaydi:
“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”
Yuqori yangilanish chastotasi (oxirgi ma’lumot 28 Oktabr, 2026 da olingan) sababli kanal doimo dolzarb va katta qamrovli bo‘lib qoladi. Analitika auditoriya kontent bilan faol hamkorlik qilishini, uni Texnologiyalar & Aralashmalar toifasidagi muhim ta’sir nuqtasiga aylantirishini ko‘rsatadi.
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.