@nn_for_science
AI для Всех
Telegram channel @nn_for_science: 15.4K subscribers, 4.2K views per post, score 55
- 15.4K
- Subscribers
- 4.2K
- Median views over 30 days
- 27.5%
- Views / subscribers over 30 days
- 13
- Posts over 30 days
Data as of November 19, 2026
catalog description About the channel, by its author
Overview
Written automatically from the channel's data, updated 30 August 2026. The numbers in this text are as of that date; the fresh ones are in the tiles above.
AI and Silicon Valley startups form the core of this channel. The author, whose background moves from physics and geology through MGU and Stanford, writes about landing in the middle of the AI boom, breaks down Sam Altman's talks and YC Startup School, and retells lessons from live startup teardowns. Personal notes sit alongside: Burning Man, a hobby project with accelerometers, and co-host Ginger with her own threads on embroidery art and podcast appearances.
Posting is sparse: 7 posts in 30 days against a category median of 14 — roughly half the pace of neighboring Artificial Intelligence channels. Median post views sit at 3,710, engagement runs at 23.9% versus the category median of 26.6%. Place Score is 58.
This fits readers after an insider's voice on AI and startups rather than a news feed — Stanford stories, YC insights, founder lessons, but not a daily stream. Anyone expecting frequent updates will find the pace slow.
Subscriber count is above the category median: 15,529 versus 13,340 across 49 category listings. Over the 14-day observation window subscribers grew by 12, and average views rose by 1,045.
Common questions
- What is the @nn_for_science channel about?
- The channel covers AI and Silicon Valley startups. The author shares a personal path from physics to working in the middle of the AI boom, and breaks down YC Startup School talks together with co-host Ginger.
- Is there an advertising price list for this channel?
- The owner has not published a price list yet. You can reach out to them directly on Telegram.
- How many subscribers?
- Subscribers: 15.4K. Median views per post: 4.2K. Views per subscriber: 27.5%. Measured on November 19, 2026.
- How often are posts published?
- Posts in the last 30 days: 13 — that is almost every day. 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 ownershipTakes 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.
Hover the chart or swipe it — we show the day.
| What it is made of | |
|---|---|
| Engagement | 14.7 of 30 |
| Growth quality | 12 of 20 |
| Reactions and forwards | 7.5 of 15 |
| Consistency | 7.8 of 12 |
| Trust | 4.7 of 8 |
| Reviews | not enough datano reviews yet |
Score 55 — from 5 of 6 signals: the rest are not measured yet. Methodology
Latest posts
Posts are in Russian — that is what the channel publishes.
- GPT‑6.2 Sol спроектировала роборуку для моего пылесоса Сэнди отлично умеет вытаскивать игрушки из корзины. Я решил проверить, можно ли научить пылесос складывать их обратно. На всю котлету зарядил Codex. GPT 6.2 Sol спроектировала руку до винтиков, собрала симулятор квартиры и посчитала вес и стоимость деталей. В симуляции робот уже поднял мяч с пола, довёз до корзины и положил внутрь. С осьминогом пока сложнее - его получилось только подтянуть поближе. Теперь гоняю эксперименты с RL и дообучаю SmolVLA, маленькую vision-language-action модель. Хочу, чтобы робот мог сам сообразить, что делать, если игрушка лежит в другом месте или выскользнула из захвата. Думаю, что я нащупал один из тех бенчмарков, с которым текущие модели еле еле справляются. Но следующей модели можно дать ту же квартиру, те же игрушки и ту же корзину. Сразу будет видно, справляется ли её робот с большим числом игрушек и укладывается ли в меньшее время. Есть и от чего отталкиваться по железу. Сейчас вся сборка с пылесосом весит по модели 4,86 кг, а комплект для апгрейда по смете выходит примерно в $3 200. Можно попросить следующую модель убрать лишние детали, подобрать аналоги подешевле и прогнать тот же тест. Вот так recursive self-improvement подбирается к железу. И это охренеть как увлекательно. 3 косаря я конечно же платить не собираюсь, покручу еще, думаю что можно все в бюджет пары сотен сделать.
- Роборука для робопылесоса Друзья, передо мной стоит выбор: любо научить свою собаку собирать игрушки, либо приделать к робопылесосу руку и научить его (угадайте, что кажется проще). Попросил GPT Pro проработать дизайн и запустить физическую симуляцию в MoJoCo - и вот к чему мы пришли. Какие есть подводные камни? Что обязательно нужно сделать, смоделировать, проверить {any other verb} перед тем как начать 3D печать и заказать актуаторы? Поделитесь своим опытом в комментариях
- Ad
- В таймлайне искуственного интеллекта мы находимся здесь: _______ ИИ продает траву на Манхэттене
- Mythos on tap 🚰
- Кому интересно почитать подробнее - написал блог-пост (реально, руками). Будьте зайками - забустите на HackerNews! Искать по:
I mapped my room in 3D with a $12 pet camera and its speaker - 4D карта комнаты из камеры за $12 Выпустил релиз для OpenPetCam - теперь преокт умеет восстанавливать 4D (это как 3D + время) комнату в которой стоит камера. Сначала я воспользовался законом Снелла и посчитал за сколько эхо от пола достигает микрофон в камере, затем, использовал нейросеть для того, что бы посчитать карты глубины и сделать первый набросок 3D пространства. Отмасштабировал его с помощью эхо-локации и получил достойное 3D моей комнаты. Еще поэкспеременетровал с IR, оказлось что с его помошью можно закартировать материалы в комнате (возможно это будет полезно на этапе моделирования). А еще смог использовать сигнал от wifi в качестве датчика движения. Вот такие вот дела! Присоеденяйтесь
- Open AI выупустила модель для генерации GIF. Попробовал ее на explainers и выглядит довольно многообещающе! Попросил е сгенерировать как работает Push-to-Talk в наше OpenPetCam - опен-сорсном проекте камеры для домашних питомцев. Направление интересное. Будем посмотреть как говорится
- OpenPetCam Друзья, у меня есть собака и мне очень важно знать что у нее все хорошо. На выходных реализовал давнюю задумку - можно даже сказать pet project - OpenPetCam. Теперь у меня есть камера, которая сама следит за моей собакой и интерфейс, который дружит с Claude и который я могу менять как хочу. А у китайцев, соответственно, нет видео из моей квартиры 😏 Собственно что было сделано: Купил на амазоне китайскую камеру за $12, перепрошил ее опенсорсной прошивкой и собрал сервер, который всем этим управляет. За два дня я реализовал: 1) Отслеживание собаки (Yolo детектор) 2) Бесшумное управление камерой 3) Push to talk 4) Само-улучшение через Feedback и Claude 5) Журнал активности 6) и много еще чего по мелочи Проект полностью опенсорс на Гитхабе - очень буду рад вашим отзывам и пул-реквестам!
- У меня есть сайд проект - играюсь с mean flow моделями. Обучил одну для колоризации ч/б фоток. Теперь пытаюсь понять, хорошо ли. Пройдите плиз слепой тест на 2 минуты - надо выбрать из двух колоризаций ту, которая кажется вам более естественной. Буду признателен каждому! 💖 👉 cmf-check.web.app Результатами поделюсь позже, вместе с деталями всего проекта.
- TabPack: эффективный бейзлайн для ML задач на табличных данных Новая tabular DL модель от нашей команды! Теперь с Python пакетом для использования на практике. Меньше времени и ресурсов до хороших результатов — примерно это я вкладываю в слова "эффективный бейзлайн". На бенчмарках TabPack показывает хорошие результаты без тюнинга гиперпараметров, при этом TabPack практичный и для обучения, и для применения в продакшене. То есть в целом TabPack может быть одним из универсальных бейзлайнов, с которого очень естественно начать решать задачу: запускаешь один раз, смотришь на (хорошие) результаты, и там уже видно будет. В статье у нас есть и академические датасеты с 10К объектами, и реальные датасеты с 10М+ объектами, но подход везде один: запускаем дефолтный TabPack один раз и репортим результаты, и этого хватило чтобы оказаться в топе бенчмарка, хотя и цели такой не было. Технически, TabPack — это эффективно реализованный ансамбль MLP с разными гиперпараметрами и моделей, и оптимизаторов. Семплим много рандомных MLP и оптимизаторов, учим их все одновременно и собираем ансамбли прямо в процессе обучения. Попробуйте TabPack на ваших задачах! Модель новая, и очень интересно, как она себя покажет на практике. Код:Статья: arxiv.org/abs/2607.05380 Твиттер:
github.com/…
https://github.com/yandex-research/tabpackx.com/…
https://x.com/YuraFiveTwo/status/2116109946781679862
The channel in numbers
- Created
- April 29, 2021
- Photos
- 1.5K
- Videos
- 233
- Files
- 11
- Links
- 1.6K
Telegram data as of November 18, 2026
Contacts
- Ads
- @crimeacs
From the channel description
Reviews
Leave a review
No reviews yet. Yours would be the first.