Love. Death. Transformers.

Kanalga Telegram’da o‘tish

❤️☠️🤗 Указанные действия не являются ресерчем, поскольку: а) Мы не ученые; б) Оно работает. @transformerslovedeatch по всем вопросам Все ситуации вымышлены, любые совпадения с реальности плот вашей фантазии.

Ko'proq ko'rsatish

Rossiya27 215 Texnologiyalar & Aralashmalar5 470...

📈 Telegram kanali Love. Death. Transformers. analitikasi

Love. Death. Transformers. (@lovedeathtransformers) Rus til segmentidagi kanali faol ishtirokchi. Hozirda hamjamiyat 24 461 obunachidan iborat bo'lib, Texnologiyalar & Aralashmalar toifasida 5 470-o'rinni va Rossiya mintaqasida 27 215-o'rinni egallagan.

📊 Auditoriya ko‘rsatkichlari va dinamika

невідомо sanasidan buyon loyiha tez o‘sib, 24 461 obunachiga ega bo‘ldi.

03 Iyul, 2026 dagi oxirgi ma’lumotlarga ko‘ra kanal barqaror faollikka ega. Oxirgi 30 kunda obunachilar soni 68 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 40.65% darajada jalb etiladi. Nashrdan keyingi dastlabki 24 soatda kontent odatda umumiy obunachilar sonining 21.26% ini tashkil etuvchi reaksiyalarni to‘playdi.
Post qamrovi: Har bir post o‘rtacha 9 944 marta ko‘riladi; birinchi sutkada odatda 5 200 ta ko‘rish yig‘iladi.
Reaksiyalar va o‘zaro ta’sir: Auditoriya faol: har bir postga o‘rtacha 119 ta reaksiya keladi.
Tematik yo‘nalishlar: Kontent сиська, llm, параметр, округление, fp32 kabi asosiy mavzularga jamlangan.

📝 Tavsif va kontent siyosati

Muallif resursni shaxsiy fikrni ifoda etish maydoni sifatida ta’riflaydi:
“❤️☠️🤗 Указанные действия не являются ресерчем, поскольку: а) Мы не ученые; б) Оно работает. @transformerslovedeatch по всем вопросам Все ситуации вымышлены, любые совпадения с реальности плот вашей фантазии.”

Yuqori yangilanish chastotasi (oxirgi ma’lumot 04 Iyul, 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.

24 461

Obunachilar

+124 soatlar

+127 kunlar

+6830 kunlar

9 944

Post ko'rishlar

~ 5 20024 soatlar

~ 5 98248 soatlar

40.65%

Muloqot nisbati

~ 3

Kuniga postlar

Ads index

beta

Ma'lumot yuklanmoqda...

O'xshash kanallar

132.8K

Denis Sexy IT 🤖

7.9K

Karim Iskakov - канал

5.2K

еба́ные идеи для резерча

Ko'proq kanallar

Kirish va chiqish esdaliklari

---

Obunachilarni jalb qilish

Iyul '26

+30

0 kanalda

Iyun '26

+389

22 kanalda

Get PRO

May '26

+373

17 kanalda

Get PRO

Aprel '26

+820

36 kanalda

Get PRO

Mart '26

+837

13 kanalda

Get PRO

Fevral '26

+805

23 kanalda

Get PRO

Yanvar '26

+290

21 kanalda

Get PRO

Dekabr '25

+577

30 kanalda

Get PRO

Noyabr '25

+349

16 kanalda

Get PRO

Oktabr '25

+637

25 kanalda

Get PRO

Sentabr '25

+700

14 kanalda

Get PRO

Avgust '25

+568

24 kanalda

Get PRO

Iyul '25

+529

14 kanalda

Get PRO

Iyun '25

+685

17 kanalda

Get PRO

May '25

+658

21 kanalda

Get PRO

Aprel '25

+539

14 kanalda

Get PRO

Mart '25

+826

21 kanalda

Get PRO

Fevral '25

+611

19 kanalda

Get PRO

Yanvar '25

+846

28 kanalda

Get PRO

Dekabr '24

+907

18 kanalda

Get PRO

Noyabr '24

+727

26 kanalda

Get PRO

Oktabr '24

+565

20 kanalda

Get PRO

Sentabr '24

+653

30 kanalda

Get PRO

Avgust '24

+4 711

34 kanalda

Get PRO

Iyul '24

+700

36 kanalda

Get PRO

Iyun '24

+584

24 kanalda

Get PRO

May '24

+953

21 kanalda

Get PRO

Aprel '24

+868

30 kanalda

Get PRO

Mart '24

+609

21 kanalda

Get PRO

Fevral '24

+804

22 kanalda

Get PRO

Yanvar '24

+1 180

28 kanalda

Get PRO

Dekabr '23

+1 028

27 kanalda

Get PRO

Noyabr '23

+408

14 kanalda

Get PRO

Oktabr '23

+436

16 kanalda

Get PRO

Sentabr '23

+457

0 kanalda

Get PRO

Avgust '23

+336

0 kanalda

Get PRO

Iyul '23

+326

0 kanalda

Get PRO

Iyun '23

+330

0 kanalda

Get PRO

May '23

+1 732

0 kanalda

Get PRO

Aprel '23

+613

0 kanalda

Get PRO

Mart '23

+591

0 kanalda

Get PRO

Fevral '23

+465

0 kanalda

Get PRO

Yanvar '23

+790

0 kanalda

Get PRO

Dekabr '22

+498

0 kanalda

Get PRO

Noyabr '22

+153

0 kanalda

Get PRO

Oktabr '22

+147

0 kanalda

Get PRO

Sentabr '22

+212

0 kanalda

Get PRO

Avgust '22

+308

0 kanalda

Get PRO

Iyul '22

+372

0 kanalda

Get PRO

Iyun '22

+395

0 kanalda

Get PRO

May '22

+262

0 kanalda

Get PRO

Aprel '22

+429

0 kanalda

Get PRO

Mart '22

+315

0 kanalda

Get PRO

Fevral '22

+146

0 kanalda

Get PRO

Yanvar '22

+298

0 kanalda

Get PRO

Dekabr '21

+398

0 kanalda

Get PRO

Noyabr '21

+274

0 kanalda

Get PRO

Oktabr '21

+170

0 kanalda

Get PRO

Sentabr '21

+297

0 kanalda

Get PRO

Avgust '21

+544

0 kanalda

Get PRO

Iyul '21

+76

0 kanalda

Get PRO

Iyun '21

+47

0 kanalda

Get PRO

May '21

+54

0 kanalda

Get PRO

Aprel '21

+36

0 kanalda

Get PRO

Mart '21

+485

0 kanalda

Sana	Obunachilarni jalb qilish	Esdaliklar	Kanallar
04 Iyul	+6
03 Iyul	+6
02 Iyul	+5
01 Iyul	+13

Kanal postlari

Так ну чего, го до конфы встретимся если уже добрались?

2	Мир сошел с ума	5 494
3	день репостов нишевых каналов	6 344
4	StiTching Мне сегодня нужно было сшить кожу на пальце, и в процессе этого перформанса я вспомнила про model stitching. Чтобы скрасить время — врачебное и моё — начала рассказывать зачем это надо. Без понятия, зашло ли хирургу и медсестре, но зато я обнаружила для себя интересный тейк на поделиться с вами = ) Что: Model stitching как идея появился в 2015 году. Его выдвинули как метод изучения эквивалентности двух сетей, но математическая эквивалентность здесь мимо не проходила — она, более того, не верна — авторы назвали два представления эквивалентными, если существует преобразование между ними, в математике мы требуем аксиом). Тогда это осталось нишевым инструментом для картинок — юзали AlexNet-ы. Потом в 2021 NeurIPS идею дооформили, вышли две работы: Similarity and Matching of Neural Network Representations и Revisiting Model Stitching to Compare Neural Representations. Кстати, в первой работе шутили про Франкенштейна (или нет). Как это стало устроено: Смотрим на две обученные и замороженные сети A и B. «Сшитая» модель строится так: • берём нижние слои сети B (front model, представление r = B≤ℓ) • между ними ставим тонкий обучаемый stitching layer — единственный, кто обучается • подключаем к верхним слоям сети A (top model, A>ℓ) То есть делаем бутерброд из белого и темного хлеба, если хотите. А формально ищется простейший слой, задачей вида: L_ℓ(r; A) = inf_{s∈S} L(A>ℓ ∘ s ∘ r) Где s — stitching layer, A>ℓ — верхние слои A, r — представление из B. s∈S — тут специально, мы ищем слой из класса простых слоев, а инфимум (inf), как математический знак, говорит нам, что stitching layer обязан быть минимальным: для свёрточных сетей — 1×1 conv с BatchNorm, для трансформеров — token-wise linear. Как именно обучают stitching layer: — HLM (hard label matching) — минимизируем ошибку на настоящих метках задачи. — SLM (soft label matching) — минимизируем расстояние до предсказаний end-модели, а не до ground truth. — DM (direct matching) — напрямую минимизируем расстояние между активациями на уровне stitching. — FuLA (functional latent alignment, Athanasiadis et al., 2026) — stitching layer обучается имитировать не только выход end-модели, но и её внутренние процессы послойно (на пальцах плохо — надо читать). Метрика успеха — stitching penalty = разница между ошибкой сшитой модели и ошибкой базовой A. Penalty ≈ 0 означает совместимость. Penalty < 0 — сшитая модель стала лучше базовой, то есть мы буквально подсадили ей более сильные нижние слои. Зачем это нужно: Смотрим на фиолетовую/рыжую цитату — изначально — метрика сходства. Но потом пошло интереснее. Например, Stitchable Neural Networks (CVPR 2023) можно семейство предобученных моделей разного размера (например, Swin-Ti/S/B), сшить и получить модель, которая во время инференса может динамически переключаться между режимами accuracy/efficiency или T-Stitch: ускорение диффузионных моделей через замену первых шагов денойзинга на более лёгкую сеть и возврат к тяжёлой для финального качества. Это что, пахнет LoRA? Эту мысль я обдумывала при знакомстве со stitching. Вдруг она не возникла у вас — я опеределиа. Да: оба метода замораживают предобученные веса и вставляют тонкий линейный слой. Но нет: LoRA адаптирует одну модель к новой задаче, stitching измеряет совместимость двух уже обученных сетей на старой задаче. Финал не придумала, но stiting — одна из штук, висящих у меня на "идеи для рисерча". А ещё — просто вдумайтесь! Этот AI-мир можно сшить! Хирург, кстати, ничего не спросил, но швы наложил нормально. Аккуратнее будьте, друзья, и будьте здоровы! 😌	5 885
5	Объявляется неделя прикольных ссылок Мои коллеги из команды претрейнов сделали дискретную диффузию на основе гигачата — причём основным исполнителем был стажёр. Веса в опенсорсе, поддержка в SGLang в PR, метрики лишь немного ниже обычного гигачата, а скорость генерации выше аж на 72%. Если вы умный, активный и хотите делать прикольные штуки на большом компьюте, приходите к нам) Репорт: https://habr.com/ru/companies/sberbank/articles/1054690/ Веса: https://huggingface.co/ai-sage/GFusion-10B-A1.8B	5 797
6	Matn yo'q...	6 144
7	WQ0NPNQ2tuGSkduv.mp4	1
8	репостегов бы https://x.com/justALEXWORTEGA/status/2072647053864276308?s=20	6 109
9	Sonnet-5 По метрикам классный. По цене на 30% дешевле sonnet-4.6 (временно). Хоуп уже тестит в чате. Блог, техрепорт	6 325
10	Рассказал: • как и где я использую Hermes Agent • как засетапить себе бота как @fiztehbot • нюансы, безопасность, контекст Моя январская статья стала самой популярной на хабре про СС (192k просмотров), хотя ее жестко заминусовали лол Оставьте коммент под статьей - посмотрим, что на это скажут ИИ хейтеры 🔗 habr.com/ru/articles/1053846 🔗 habr.com/ru/articles/1053846 🔗 habr.com/ru/articles/1053846	7 355
11	Matn yo'q...	7 314
12	Matn yo'q...	7 886
13	Меня всегда удивляет, что можно найти на просторах интернета, например, математические доказательства ранее нерешенных проблем Аниме "Меланхолия Харухи Судзумии" в первом сезоне состоит из 14 серий, которые задумывались так, чтобы их можно было смотреть в любом порядке в 2011 на фочане кто-то задался вопросом: "какое минимальное количество серий нужно посмотреть, чтобы увидеть весь сезон во всех возможных порядках?" Оказалось, что это классическая задача комбинаторики про суперперестановки https://en.wikipedia.org/wiki/Superpermutation И какой-то анонимный юзер доказал, что нижняя граница равна n! + (n−1)! + (n−2)! + n − 3, при n >= 2 Это пылилось на просторах интернета, пока в 2013 году про тред не написал Натаниэль Джонстон у себя в блоге, но это доказательство осталось без внимания, пока в 2018 Робин Хьюстон не наткнулся на пост в блоге, и вместе с коллегами опубликовал статью с дополненным доказательством, где первым автором указал анонима с фочана Оригинальная статья, где первый автор это аноним с фочана https://oeis.org/A180632/a180632.pdf Ну и сама задача о кратчайшей суперперестановке называется проблемой Харухи: https://mathsci.fandom.com/wiki/The_Haruhi_Problem	8 261
14	Забавный в своей бесполезности тул - мониторинг взлома реварда, проверяет есть ли коллапс награды в одно значени https://github.com/AvAdiii/rewardspy	7 946
15	Matn yo'q...	9 389
16	все что вы хотели видеть мои дорогие любители дистилить фронтир	7 711
17	Tldr: дистилл чтобы улучшать капибилити работает только на фулл ризонинге, на суммаризованном не работает. https://arxiv.org/abs/2606.05988v1	8 228
18	Matn yo'q...	11 522
19	Челы мем запостили	7 890
20	https://openai.com/index/previewing-gpt-5-6-sol	8 512

Barcha postlarni ko‘rish