DeepSchool — Telegram channel logo

@deep_school

DeepSchool

Telegram channel @deep_school: 10.7K subscribers, 2.7K views per post, score 56

Artificial intelligence
56CAhead of 5 in 10 channels in its category
Category midrange 43–65This channel 56
10.7K
Subscribers
2.7K
Median views over 30 days
24.9%
Views / subscribers over 30 days
6
Posts over 30 days

Data as of November 19, 2026

Covers practical large language models and computer vision work: building agents, RAG systems and ML pipelines meant to survive production load, not just pass tests. Recent posts include a breakdown of multi-step search in RAG retrieval agents, an article on Document Layout Reasoning, a podcast with the head of Kontur's NLP lab about running ML models in production, and the launch of an LLM System Design course covering chatbots, customer support and local services. As of 30 September: subscribers stand at 10.7K, below the category median, with 7 posts over 30 days, below the category median, while ER sits at 26.9%, above the category median. Industry case studies sit alongside technical deep dives into image generation approaches like Flow Matching and tips for improving video detection models.
catalog description About the channel, by its author
Это канал школы deepschool.ru. Здесь мы будем: - напоминать вам теорию ML/DL в виде коротких постов, - задавать вопросы с собеседований, - рассказывать про полезные фреймворки - и делиться советами, которые помогут вам в работе. @deepschool_support

Common questions

How many subscribers?
Subscribers: 10.7K. Median views per post: 2.7K. Views per subscriber: 24.9%. Measured on November 19, 2026.
How often are posts published?
Posts in the last 30 days: 6 — that is a few times a week. Measured on November 19, 2026.
Does this channel have a Telegram tick?
No Telegram tick.
Who runs this channel page in the catalog?
Nobody yet. If this is your channel, claim the page: you will be able to reply to reviews and see its stats.
Is this your channel?

Claim it — accurate metrics, replies to reviews as the channel, and an owner badge on the page.

Verify ownership

Takes a minute: a post with a code, or the bot as an admin
Your page on tg.place

Know the owner?

Forward them this message — they can verify their rights and collect what has piled up: page statistics and replies to reviews.

Subscribers+25 in 77 days
10,77410,722
Nov 1910,749−2 in a day

Hover the chart or swipe it — we show the day.

What it is made of
Engagement13.3 of 30
Growth quality16.6 of 20
Reactions and forwards8.7 of 15
Consistency3.6 of 12
Trust5.3 of 8
Reviewsnot enough datano reviews yet

Score 56 — from 5 of 6 signals: the rest are not measured yet. Methodology

Latest posts

Posts are in Russian — that is what the channel publishes.

  • 1.4K17 forwards17 reactionsOpen in Telegram
    Что происходит с запросами, когда сервис рестартится? Представим, что мы разрабатываем сервис pdf-to-text. Нам загрузили документ на десять страниц. Девять из них обработаны, осталась последняя. И тут сервис получает сигнал об остановке (SIGTERM): приехало обновление или понадобилось уменьшить количество подов. Если завершение процесса не обработано и приложение сразу остановится, клиент получит ошибку. И совсем не важно, что мы уже почти всё сделали. В идеале нам бы хотелось получить до остановки сервиса возможность дообработать последнюю, десятую страницу и отдать ответ клиенту. Здесь как раз и нужно корректное завершение работы, или graceful shutdown. Сервис перестаёт принимать новые запросы, а уже принятым даёт время завершиться. В нашем случае приложение дообрабатывает документ и отправляет ответ клиенту. Если используете FastAPI с Uvicorn, базовый механизм уже встроен. Uvicorn обрабатывает SIGTERM, закрывает сокет для новых подключений и ждёт завершения текущих запросов. Затем приложение выполняет cleanup, например, закрывает соединения с внешними сервисами. В FastAPI эту логику можно разместить в lifespan: from contextlib import asynccontextmanager from fastapi import FastAPI @asynccontextmanager async def lifespan(app: FastAPI): print("Запуск приложения") yield # Закрываем соединения и освобождаем ресурсы. print("Завершение работы приложения") app = FastAPI(lifespan=lifespan) Таймауты Ждать завершения запроса можно бесконечно, и по умолчанию Uvicorn именно так и делает. Поэтому ожидание стоит ограничить флагом — timeout-graceful-shutdown. Снаружи тоже есть лимит. docker stop по умолчанию даёт контейнеру 10 секунд, Kubernetes — 30 (terminationGracePeriodSeconds). Если приложение не успеет завершить запросы и cleanup, придёт SIGKILL. Его перехватить нельзя, и процесс просто убьют. Поэтому таймаут Uvicorn вместе с cleanup должен укладываться в отведённое на остановку время. А что с новыми запросами? Пока один экземпляр дочитывает наш PDF, балансировщик должен направлять новые запросы на другие поды. В Kubernetes с этим есть свои нюансы: под может получить SIGTERM раньше, чем перестанет получать трафик. Обычно это решают небольшой паузой перед остановкой через preStop. И если экземпляр всего один, на время рестарта простой неизбежен. ⚫️Graceful shutdown — лишь одна из деталей, о которых нужно помнить при деплое. На курсе DLOps проходим весь путь: от FastAPI и Docker до Kubernetes, Triton и мониторинга. 🪔 DeepSchool
  • 2.4K49 forwards35 reactionsOpen in Telegram
    Инвариантность в машинном обучении При обучении нейросети распознавать котиков, товары в корзине или автомобильные детали мы хотим, чтобы она игнорировала минорные изменения (например, порядок товаров, ракурс или освещение). Другими словами, обладала инвариантностью. ✅Сегодня мы разберём несколько способов, с помощью которых можно добиться инвариантности, а также ответим на следующие вопросы: — что такое инвариантность — как заложить устойчивость к изменениям в структуре сети — что такое DeepSets и как работать с множествами — каким образом научить сеть игнорировать минорные особенности при обучении — что представляют собой сиамские нейросети и Contrastive Loss — как заставить модель «упаковать» похожие объекты рядом в пространстве эмбеддингов, если описать трансформацию сложно — и в каких ещё постах нашего блога встречается идея инвариантности 😉 Читайте новую статью по ссылке! 👈🏼 А чтобы лучше разобраться в современных архитектурах и подходах к решению задач Computer Vision — приходите на курс CV Rocket. До 30 ноября действует скидка 20%.
  • Ad
  • 2.5K6 forwards12 reactions3 commentsOpen in Telegram
    ⏰ Встречаемся через 3 часа Сегодня на примере агента, который исправляет ошибку в репозитории, посчитаем, во что обходятся решения по работе с контекстом. Разберём, когда выгодно сжимать историю, выносить данные во внешнюю память или передавать задачу другому агенту. Обсудим, почему высокий cache hit rate не гарантирует экономии и как сравнивать архитектуры, если результаты разных запусков отличаются. А также представим обновлённую программу курса LLM и подарим скидки участникам лекции 🎁 Регистрируйтесь в боте и приходите сегодня в 11:00 МСК!
  • 2.9K24 forwards21 reactionsOpen in Telegram
    Экономика контекста: сколько стоит работа агента Когда LLM-агент решает задачу в несколько шагов, на каждом шаге модель получает контекст: инструкции, историю действий, результаты вызова инструментов, данные из памяти. Чем дольше агент работает, тем больше токенов уходит на каждый запрос и тем дороже обходится решение задачи. Сократить расходы можно разными способами: сжимать историю, хранить данные во внешней памяти, передавать подзадачи другой модели, использовать кэширование. Но каждый из них влияет на качество и скорость агента и не всегда даёт экономию. Например, если сильно сократить контекст, агенту может понадобиться больше шагов, и в итоге задача обойдётся дороже. Какую информацию агент получает на каждом шаге, определяет харнесс, то есть программная обвязка вокруг модели. Мы подготовили лекцию, на которой разберём, как он устроен и как выбрать архитектуру под свою задачу с учётом качества, стоимости и задержек. На лекции вы узнаете: — как харнесс управляет информацией, доступной агенту: от наблюдений и результатов инструментов до памяти и передачи задач — из чего складывается стоимость многошагового агента и почему короткий контекст или высокий cache hit rate не гарантируют экономии — когда выгодно сохранять историю, сжимать контекст, извлекать сведения из внешней памяти или передавать подзадачу другой модели — как сравнивать архитектуры харнессов по качеству, стоимости, задержкам и вариативности повторных запусков В конце представим обновлённую программу курса «LLM», где вы научитесь дообучению, элайменту, построению RAG, агентских-систем и деплою. Всем участникам лекции подарим скидки на обучение 🎁 🙋‍♂️ Спикер — Антон Удалов, руководитель направления прикладных AI-решений в MAGNIT TECH 📅 Среда, 4 ноября, в 11:00 МСК Регистрируйтесь в боте и до встречи в среду на лекции!
    Post by “DeepSchool” from November 2, 2026
  • 3.1K163 forwards33 reactionsOpen in Telegram
    LLM от токенизации до бенчмарков Подготовили подборку статей про то, как устроены LLM, как их дообучают и как проверяют. 1. Токенизация и эмбеддинги: как буковки превращаются в циферки 2. FlashAttention 2, 3 и 4: как attention перестал так сильно упираться в память GPU 3. От PPO и RLHF к DPO, GRPO и GSPO: как устроен post-training 4. LLM для агента: промпт или дообучение: когда хватит большой модели с промптом, а когда выгоднее дообучить маленькую 5. Как настроить LLM-as-a-judge: критерии, проверка на человеческой разметке и работа с расхождениями 6. Большой обзор бенчмарков: можно ли хоть чему-то верить Про устройство LLM и их обучение рассказываем на курсе LLM. До 1 ноября вы можете присоединиться со скидкой 20%! 🔥
  • 3.6K18 forwards16 reactions2 commentsOpen in Telegram
    Как устроены LLM и как с ними работать Если хотите перейти в LLM или брать связанные с ними задачи в своей команде — приходите на новый поток курса LLM! За 4 месяца вы разберётесь в устройстве современных LLM и пройдёте полный цикл работы с ними: от архитектуры и дообучения до построения RAG, агентов, деплоя и ускорения инференса. После курса вы сможете выбирать подходы под свою задачу и понимать, что нужно изменить, если готовое решение не работает из коробки. На протяжении обучения вас будут поддерживать опытные инженеры из продуктовых команд. Они проведут онлайн-лекции, проверят домашние задания, дадут развёрнутый фидбек и ответят на вопросы на Q&A-сессиях и в чате. 📅 Курс стартует 11 ноября 🔥 Присоединяйтесь со скидкой 20% до 1 ноября Изучайте программу на сайте и записывайтесь на новый поток!
    Post by “DeepSchool” from October 22, 2026
  • 4.1K132 forwards54 reactions2 commentsOpen in Telegram
    Как сегодня дообучают LLM: от PPO и RLHF к DPO, GRPO и GSPO Предобучение даёт языковой модели знания, но этого не всегда достаточно, чтобы она хорошо следовала инструкциям и решала сложные задачи. В новой статье рассказываем, как устроен post-training LLM и как развивались методы дообучения с подкреплением 👨🏼‍💻 Из статьи вы узнаете: - зачем нужны SFT и RLHF и как работает алгоритм PPO; - как DPO позволяет обучать модель на предпочтениях без отдельной Reward Model; - как устроены GRPO и GSPO и почему для reasoning-моделей стали использовать автоматически проверяемые награды (RLVR). Разбираем основные идеи на простых примерах и с математикой. Читайте статью по ссылке! Про устройство LLM и их обучение рассказываем на курсе LLM. До 25 октября вы можете присоединиться со скидкой 20%! 🔥
  • 3.9K22 forwards22 reactionsOpen in Telegram
    У кого учиться Computer Vision Скоро стартует последний поток CV Rocket в формате онлайн-лекций. Это возможность задать вопросы опытным инженерам прямо на занятиях, перенять их опыт и лучшие практики для решения сложных задач. Познакомьтесь с теми, кто будет вести лекции: Андрей Шадриков, Verigram — руководит командой распознавания лиц. Расскажет, как решать задачи metric learning Дмитрий Раков, 2GIS — руководит CV-командой в картах. Ранее возглавлял ML-команду разработки беспилотных поездов Анастасия Старобыховская, Лаборатория Искусств и ИИ при Европейском Университете — руководит лабораторией, создаёт проекты и ведёт исследования в области культурного и исторического наследия Борис Зимка, Яндекс — специализируется на CV и OCR. Обучает Vision Language Models читать и понимать текст на изображениях Дарья Воронкина, Onecell — руководит разметкой медицинских данных и построением аналитики. Улучшает пайплайны данных для расчёта бизнес-метрик Дмитрий Чудаков, 2GIS — занимается CV и 3DCV в картографических продуктах. Разберёт детекцию объектов и секреты успешных архитектур Роман Филонов, VK Видео — разрабатывает систему анализа видеоконтента и работает с генеративными моделями изображений Илья Башаров, Сбер — возглавляет CV-команду видеоаналитики реального времени. Расскажет о трекинге и выборе модели под конкретную задачу Глеб Рязанцев, Wildberries — Senior CV-инженер в команде поиска по фото Виталий Угнивенко, НЛМК-IT — руководит CV-направлением и проектирует системы компьютерного зрения для металлургии 🎓 Спикеры проверят ваши домашние задания и лично дадут развёрнутый фидбэк. В общем чате и на офисных часах, которые проходят несколько раз за курс, с ними можно обсуждать вопросы по программе и кейсы с работы. 🚀 Старт — 14 октября. Присоединяйтесь со скидкой 5% до 13 октября Изучайте программу на сайте и записывайтесь на последний онлайн-поток!
    Post by “DeepSchool” from October 12, 2026
  • 2.9K2 forwards10 reactionsOpen in Telegram
    Осталось 3 часа до воркшопа по BentoML Сегодня с Анастасией Старобыховской разберёмся как упаковать модель в BentoML, поднять инференс-сервер и организовать к нему доступ. На воркшопе вы узнаете: — как передать готовую модель без погружения в репозитории backend-команды — как упаковать модель с помощью BentoML и поднять инференс-сервер — как обращаться к модели из внешнего кода — когда BentoML не подходит и что использовать вместо него У вас будет возможность упаковать модель самостоятельно в режиме реального времени! А также всем участникам подарим скидки на последний поток курса CV Rocket! 🎁 🕕 Регистрируйтесь и приходите сегодня в 12:00 МСК
  • 3.3K24 forwards22 reactions1 commentOpen in Telegram
    Инференс-сервер своими руками: воркшоп по BentoML Обучить модель — это половина работы. Дальше встаёт вопрос: как её отдать? Как backend-команда будет к ней обращаться? Лезть в чужие репозитории и встраиваться в их инфраструктуру — не всегда вариант. Мы подготовили воркшоп, на котором покажем, как упаковать модель в BentoML, поднять инференс-сервер и организовать к нему доступ. На воркшопе разберём: — как передать готовую модель без погружения в репозитории backend-команды — как упаковать модель с помощью BentoML и поднять инференс-сервер — как обращаться к модели из внешнего кода — когда BentoML не подходит и что использовать вместо него Воркшоп — это когда вы сначала слушаете, а потом сразу делаете. Анастасия Старобыховская, руководитель лаборатории «Искусство и ИИ» в ЕУСПб, сначала расскажет теоретическую часть, а потом разобьёт участников на небольшие группы для самостоятельной работы, будет подключаться к каждой и помогать с затыками. У вас будет возможность упаковать модель самостоятельно в режиме реального времени! И в конце вместе обсудим решение и типичные ошибки. А также всем участникам подарим скидки на последний онлайн-поток курса CV Rocket! 🎁 Чтобы не терять времени на воркшопе, установите docker/python/свою любимую IDE, если ещё нет 📅 Встречаемся в субботу, 10 октября в 12:00 МСК! Регистрируйтесь по ссылке и до встречи на воркшопе!
    Post by “DeepSchool” from October 7, 2026

The channel in numbers

Created
May 30, 2021
Photos
95
Videos
3
Files
1
Links
520

Telegram data as of November 19, 2026

Reviews

Leave a review
Rating

At least 40 characters. We publish it after a check.

Your review is public, and the channel owner cannot delete it.

No reviews yet. Yours would be the first.

Ad

Similar

More on this topic