gonzo-обзоры ML статей
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.
Ko'proq ko'rsatish📈 Telegram kanali gonzo-обзоры ML статей analitikasi
gonzo-обзоры ML статей (@gonzo_ml) Rus til segmentidagi kanali faol ishtirokchi. Hozirda hamjamiyat 24 276 obunachidan iborat bo'lib, Texnologiyalar & Aralashmalar toifasida 5 627-o'rinni va Rossiya mintaqasida 27 593-o'rinni egallagan.
📊 Auditoriya ko‘rsatkichlari va dinamika
невідомо sanasidan buyon loyiha tez o‘sib, 24 276 obunachiga ega bo‘ldi.
12 Iyun, 2026 dagi oxirgi ma’lumotlarga ko‘ra kanal barqaror faollikka ega. Oxirgi 30 kunda obunachilar soni -9 ga, so‘nggi 24 soatda esa -1 ga o‘zgardi va umumiy qamrov yuqori darajada qolmoqda.
- Tasdiqlash holati: Tasdiqlanmagan
- Jalb etish (ER): Auditoriya o‘rtacha 9.99% darajada jalb etiladi. Nashrdan keyingi dastlabki 24 soatda kontent odatda umumiy obunachilar sonining 7.11% ini tashkil etuvchi reaksiyalarni to‘playdi.
- Post qamrovi: Har bir post o‘rtacha 2 426 marta ko‘riladi; birinchi sutkada odatda 1 726 ta ko‘rish yig‘iladi.
- Reaksiyalar va o‘zaro ta’sir: Auditoriya faol: har bir postga o‘rtacha 8 ta reaksiya keladi.
- Tematik yo‘nalishlar: Kontent learning, tl;dr, токенов, архитектура, контекст kabi asosiy mavzularga jamlangan.
📝 Tavsif va kontent siyosati
Muallif resursni shaxsiy fikrni ifoda etish maydoni sifatida ta’riflaydi:
“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...”
Yuqori yangilanish chastotasi (oxirgi ma’lumot 13 Iyun, 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.
Ma'lumot yuklanmoqda...
| Sana | Obunachilarni jalb qilish | Esdaliklar | Kanallar | |
| 13 Iyun | +10 | |||
| 12 Iyun | +8 | |||
| 11 Iyun | +12 | |||
| 10 Iyun | +8 | |||
| 09 Iyun | +2 | |||
| 08 Iyun | +6 | |||
| 07 Iyun | +6 | |||
| 06 Iyun | +10 | |||
| 05 Iyun | +8 | |||
| 04 Iyun | +3 | |||
| 03 Iyun | +9 | |||
| 02 Iyun | +7 | |||
| 01 Iyun | +7 |
| 2 | https://www.anthropic.com/news/fable-mythos-access
А помните, PGP тоже когда-то была забанена экспортным контролем. | 1 790 |
| 3 | Matn yo'q... | 1 965 |
| 4 | Matn yo'q... | 1 888 |
| 5 | Matn yo'q... | 1 774 |
| 6 | Matn yo'q... | 1 705 |
| 7 | Matn yo'q... | 1 628 |
| 8 | Matn yo'q... | 1 538 |
| 9 | Matn yo'q... | 1 471 |
| 10 | Matn yo'q... | 1 394 |
| 11 | Matn yo'q... | 1 369 |
| 12 | Matn yo'q... | 1 370 |
| 13 | 1 - 15 - 28 - 70 - ... пользователей на один гпу. Прикольный доклад от ElevenLabs. | 1 398 |
| 14 | Matn yo'q... | 1 347 |
| 15 | Matn yo'q... | 1 331 |
| 16 | Matn yo'q... | 1 252 |
| 17 | Matn yo'q... | 1 274 |
| 18 | Ещё про мюон. Разбирают, почему именно мюон лучше адама идёт по ландшафту функции потерь.
Заодно экспериментирую с провязкой ревью с другими тематическими статьями.
Why Muon Outperforms Adam: A Curvature Perspective
Shuche Wang, Fengzhuo Zhang, Jiaxiang Li, Dirk Bergemann, Zhuoran Yang
Paper: https://arxiv.org/abs/2606.04662
Review: https://arxiviq.substack.com/p/why-muon-outperforms-adam-a-curvature
Code: N/A
Model: N/A
# TL;DR
Что сделали: Объяснили, почему новый оптимизатор Muon обучает большие языковые модели (LLM) в два раза быстрее классического Adam. Авторы показали, что секрет кроется в спектральной нормализации — математической операции, которая масштабирует матрицу обновления параметров так, чтобы все ключевые направления имели равный вес. Это не позволяет какому-то одному направлению полностью доминировать на сложном ландшафте функции потерь.
Почему это важно: Вместо того чтобы относиться к оптимизаторам как к «чёрным ящикам», эта работа даёт строгое геометрическое объяснение происходящему. Понимание того, как структура данных и архитектура модели влияют на скорость локальной оптимизации, закладывает математическую основу для создания следующего поколения более быстрых алгоритмов обучения.
Изучать кривизну здесь: https://t.me/gonzo_ML_podcasts/3983 | 1 656 |
| 19 | Matn yo'q... | 1 878 |
| 20 | Matn yo'q... | 1 847 |
Endi mavjud! Telegram Tadqiqoti 2025 — yilning asosiy insaytlari 
