@cryptovalerii
Время Валеры
Telegram-канал @cryptovalerii: 32,1 тыс. подписчиков, 19,3 тыс. просмотров на пост, оценка 80
- 32,1 тыс.
- Подписчики
- 19,3 тыс.
- Медиана просмотров за 30 дней
- 60,1%
- Просмотры / подписчики за 30 дней
- 11
- Постов за 30 дней
Данные на 19 ноября 2026 г.
описание каталога О канале от автора
manning.com/…
https://www.manning.com/books/machine-learning-system-designОбзор
Составлен автоматически по данным канала, обновлён 6 сентября 2026. Числа в тексте — на эту дату; свежие стоят плитками выше.
«Время Валеры» — личный канал автора, который работает на стыке инженерии и исследований в области ИИ: посты про сжатие системных промптов для агентов, open-source скилл lossless-doc-compress, дизайн-документы и ревью архитектур, работу над книгой «Agentic AI System Design». Рядом — записи о конференциях вроде Yandex Scale и FuckUp Night с коллегами по индустрии, а иногда и личные заметки — про бег, добавки или заказ обуви. Голос узнаваемый: это дневник практикующего инженера, а не редакция с чужими текстами.
За 30 дней вышло 8 постов — заметно реже медианы по категории «Искусственный интеллект», где типичный канал публикует 20 постов за то же время. При этом медиана просмотров держится на уровне 17 307, а ER — 56,1%, что почти вдвое выше медианы по категории (28,0%): аудитория читает то, что выходит, внимательно. За 13 дней наблюдений подписчиков прибавилось 76, а средние просмотры просели на 1 593.
Канал подойдёт тем, кто хочет читать содержательные разборы про LLM-инженерию и системный дизайн ИИ-агентов от практика, а не выжимку новостей. При 30 827 подписчиках и Place Score 83 канал выглядит заметным игроком среди 71 записи категории, хотя пишет заметно реже большинства соседей.
Частые вопросы
- О чём канал «Время Валеры» (@cryptovalerii)?
- Канал про инженерию LLM-агентов, сжатие промптов, дизайн-документы и работу над книгой по agentic AI. Есть и личные заметки автора о жизни и конференциях.
- Можно ли купить рекламу в канале @cryptovalerii?
- Владелец пока не открыл прайс на размещение. Связаться с ним можно напрямую в Telegram.
- Сколько подписчиков?
- Подписчиков — 32,1 тыс. Медиана просмотров поста — 19,3 тыс. Просмотров на подписчика — 60,1%. Данные на 19 ноября 2026 г.
- Как часто выходят посты?
- За 30 дней вышло постов: 11 — это несколько раз в неделю. Данные на 19 ноября 2026 г.
- Есть ли у канала галочка Telegram?
- Галочки Telegram нет.
- Кто ведёт страницу канала в каталоге?
- Пока никто. Если это ваш канал — заберите страницу: сможете отвечать на отзывы и видеть её статистику.
Это ваш канал?
Подтвердите владение — точные метрики и что улучшить, ответы на отзывы от лица канала и бейдж владельца на странице.
Подтвердить владениеЗаймёт минуту: пост с кодом или бот в администраторах
Ваша страница в tg.place
Знаете владельца?
Перешлите ему это сообщение — он подтвердит права и заберёт накопленное: статистику страницы и ответы на отзывы.
Наведите на график или проведите пальцем — покажем день.
| Из чего складывается | |
|---|---|
| Вовлечённость | 30 из 30 |
| Качество роста | 16,6 из 20 |
| Реакции и пересылки | 10,2 из 15 |
| Регулярность | 6,6 из 12 |
| Доверие | 5 из 8 |
| Отзывы | недостаточно данныхотзывов пока нет |
Оценка 80 — по 5 показателям из 6: остальные пока не измерены. Методология
Последние посты
- Вернулся из Алматы под огромным впечатлением от Higgsfield. Ребята просто невероятные. И атмосфера, и условия, и сама дата-команда. Дидар, который её собрал, - замечательный. Команда - умные, молодые, голодные ребята. А главное - то, насколько они преданы своему делу, насколько им всё это интересно и как они кайфуют от того, что делают. Очень напомнило мне мои времена в Яндекс.Советнике, куда я пришёл первым аналитиком, когда Яндекс только купил этот стартап. Немного напомнило Blockchain.com и первый год работы в X5. В ближайшее время выпустим видео с ребятами из команды аналитики Higgsfield. Дидару, Алексу, Ерзату и всей команде - всяческих успехов!
- Учить студентов воспроизводить результаты научных статей - абсолютно правильная идея. Более того, удивительно, что такие курсы не стали обязательной частью ML-образования много лет назад. Посмотрел новый подкаст, где руководитель ШАДа Яндекса обсуждает программу: Воспроизведение экспериментов из лучших современных статей. В ней могут поучаствовать студенты из любых ВУЗов. Вместе с менторами они в течение двух недель пытаются повторить результаты опубликованных исследований. И обнаруживают, что далеко не всегда это получается. Проблема, на самом деле, фундаментальная. Ещё в 2019 году вышла замечательная статья Are We Really Making Much Progress?, авторы которой исследовали прогресс в рекомендательных системах. Оказалось, что многие опубликованные результаты трудно воспроизвести, а некоторые современные нейросетевые подходы проигрывают гораздо более простым, но правильно настроенным алгоритмам. Сейчас мы наблюдаем похожую историю с LLM. Новая модель выходит, разрывает существующие бенчмарки, объявляется очередным прорывом. Проходит несколько месяцев, появляются новые бенчи - и расстановка сил существенно (и каждый раз неожиданно!) меняется. Игорь как раз выступал на Higgsfield Data Day с докладом. Похожие оценки - разные истории, как раз на близкую тему, о бенчмарках и интерпретации результатов. Я в рамках собственного курса постоянно повторяю одну мысль: если ты умеешь измерять, изменять и откатываться обратно, ты можешь построить монотонно улучшаемую систему. Результаты измерений должны быть воспроизводимыми. Иначе ты просто не знаешь, действительно ли твоя система стала лучше или тебе повезло с экспериментом. И это касается далеко не только научных публикаций. Это один из краеугольных камней проектирования любых ML-систем: корректные метрики, честные бейзлайны, воспроизводимые эксперименты и возможность проверить каждое улучшение. Воспроизводимости нужно учить студентов с самого начала. Причём не как отдельной академической дисциплине, а как фундаментальному инженерному навыку. Самое интересное, что идея кажется совершенно очевидной. Но это как раз тот случай, когда смотришь на чужое решение и думаешь: почему мы сами не сделали этого десять лет назад?
- Реклама
- Начинаем через 7 минут, фотка с ребятами, которых привезли (и с Анатолием Карповым). Ребят спрашивали, не шахматисты ли они, потому что в списке у водителя среди прочих был известный шахматист.
- Завтра — Data Day — Higgsfield Трансляция 7 ноября (ссылка) Записи скорее всего не будет Начало: 15:00 Алматы · 13:00 МСК Программа — время Алматы: 15:00 - Ерзат Дулат, CTO и co-founder Higgsfield, открытие 15:15 - Ануар Аймолдин, DSML.KZ 15:45 - Валерий Бабушкин, Время Валеры 16:15 - Игорь Котенков, Сиолошная 17:00 - Роман Ященко, Higgsfield 17:30 - Анатолий Карпов, KarpovCourses 18:00 - Дидар Нуркаир, Higgsfield
- Буду в Алматы примерно 10 дней, с 5 по 14 ноября. Создал небольшую группу на случай, если есть желающие собраться или что-то организовать. Ссылку на группу оставил в комментариях.
- 7 ноября лечу в Алматы на data-митап Higgsfield — и привезу кого-то с собой. Те, кто пропустил посты выше: Higgsfield — одна из самых быстрорастущих GenAI-компаний: $1B годовой выручки в run rate, 30M+ пользователей, 6M+ генераций в день. Сейчас они активно инвестируют в дата-команду — аналитиков, DS и ML-инженеров — и устраивают митап, где расскажут, как устроены данные в продукте такого масштаба. Я тоже выступаю. Higgsfield оплатит перелёт и гостиницу трём сильным ребятам, откуда бы они ни были. Приезжаете на выходные, слушаете доклады, знакомитесь с командой, а если захотите — можно пройти собеседование прямо на месте. Как попасть: - заполнить гугл-форму до 3 ноября: [ссылка] - рассказать о себе и об одном проекте, которым гордитесь - отбирать буду лично, имена объявлю во вторник Кто не прилетит — будет трансляция / выложим записи на YouTube. Когда: суббота, 7 ноября Где: Алматы, площадку объявлю позже
- N-граммы ещё нужны Забавно наблюдать, как вещи из древнего NLP мира продолжают приносить пользу в эру генеративных моделей. Биграммы, триграммы, статистики последовательностей - казалось бы, кому это нужно И вот Herman Brunborg показал решение для NanoGPT Speedrun, которое ускоряет NanoGPT в 6 раз, с 39.9 до 6.7 секунд . В основе - трансформер, которому помогают n-граммы. Идея довольно простая: посмотреть, встречалась ли уже такая последовательность токенов, и подсказать модели, что идет после неё и с какой вероятностью и надежностью. Здесь используются последовательности длиной 6, 10 и 20 токенов. Трансформер просто получает дополнительную информацию из отдельного индекса. GitHub Условный пример: какой-то фрагмент встретился в текстах сто раз, и в девяноста пяти случаях после него было одно и то же слово. Это полезная подсказка. Зачем обязательно заставлять нейросеть запоминать такую закономерность исключительно в весах, если можно ещё и дать подсказку. Причём придумать подсказку — половина дела. Нужно успеть построить и использовать индекс, иначе всё ускорение съест работа с ним. У Brunborg CPU обрабатывает корпус из 37 миллиардов токенов параллельно с обучением нейросети. То есть результат получен в том числе за счёт того, что в работу включили дополнительные ресурсы машины. Поможет пост Игоря про домашку Anthropic. В самом разборе Игорь поясняет за SIMD - когда одна инструкция обрабатывает сразу несколько элементов, работу с памятью и планирование параллельных операций и последовательно сокращает выполнение задачи со 147 тысяч до 2262 тактов, ускоряя примерно в 65 раз. Очень наглядный пример того, зачем вообще разбираться, как исполняется твой код. Оговорка: это конкретный бенчмарк, где помогают точные совпадения с обучающими текстами. Х6 (Х5?) не гарантируется, но трюк хороший и опять же - 6.7 Оговорка номер 2. Transformer trained with hints performs slightly worse without those hints than a comparable model trained without retrieval. Возможно AGI так не построить
- Очень хороший пост от Gergely - автора pragmatic engineer Причина, по которой SWE/IT находится в таком привилегированном положении в плане зарплат, условий и локаций (от легкого переезда до удаленки), связана не столько с тем, что это область, в которую сложно войти, а в том, что сама область постоянно изменяется, и необходимо постоянно учиться и адаптироваться. Далее он пишет, что в отрасли был период стабильности в 10 лет, в который люди, казалось, забыли, что премиум платится именно за это. Согласен со многим, в том числе это одна из причин, почему ML-специалисты и около них не сильно пострадали: этим добрякам все эти 10 лет приходилось постоянно себя переизобретать, и далеко не все выдерживали.Знаю многих, которые ушли из профессии как раз по этой причине: нужно постоянно, непрерывно учиться. I think many of us working in tech tend to forget that the reason software engineering vs other engineering fields pays (a lot!) more, is a lot more flexible (WFH/remote), and has better perks: Because this field changes much faster than other engineering fields. The premium is because fewer people are able/willing to pick up new technologies, methodologies so quickly. But the field had ~10-20 years of stability, and so lots of folks forgot this is why a premium exists. And that AI is just another tech wave: software engineers who pick it up and master it will generally fare better; those not will struggle a lot more. Ask your mechanical engineer, electrical engineer, civil engineer, chemical engineer friends (if you have them) what their pay is; how much equity; how easy it’s to work remote; and how easy to live countries without taking country-specific exams or learning the local language. Software engineering is a privileged field in many ways: but it’s like this because few enough put up with the brutal pace of change that happens periodically, and leaves those behind who don’t like sudden and less predictable change. In some ways: the job IS the ability and willingness to learn and adapt new technologies, fast, while building real-world stuff that makes money for the business one way or the other. We are paid a hefty premium to do exactly this, and because few enough people do this.
- Вот и Джейсон подключился
- Встретился с основателями Higgsfield, договорились, что помогу собрать топовую команду DS и аналитики. В ближайшее время буду работать с ребятами и их Head of Data Дидаром: помогать с наймом, участвовать в интервью и формировании команды. Планирую прилететь в Алматы на неделю-другую и познакомиться со всеми лично. Higgsfield делает AI-платформу для генерации контента. Классная комбинация задач: эксперименты, продуктовый рост, монетизация, платежи, антифрод. И отдельно — работа с последовательностями действий пользователей: как помочь человеку быстрее получить нужный результат генерации и попробовать натравить на это Reinforcement learning Кого ищем: • Product Analyst — продукт, удержание, монетизация. • Product Scientist — эксперименты, causal inference, ML для продуктовых решений. • Marketing / Growth Analyst — привлечение пользователей и эффективность маркетинга. • Payments Analyst — платежи, подписки и причины отказов. • Antifraud Analyst и Antifraud Scientist — расследования и модели против мошенничества. Есть также роли в B2B-продуктовой аналитике, CX / SEO / GEO и analytics engineering. Нужны люди с сильной базой, которые умеют разбираться в задаче, задавать вопросы и самостоятельно доводить работу до результата. По условиям: $100–350k в год + опционы, в зависимости от роли и уровня. Работа в офисе в Алматы, с финансовой и организационной поддержкой релокации. Темп высокий, рабочая неделя — шесть дней. Это стоит учитывать сразу. Для понимания задач — пара историй от ребят. Их антифрод-аналитик вычислил мошенника, которого искало ФБР, и помог собрать доказательства для дела. А руководитель Growth-аналитики разработал метрики, которые помогли компании закрыть раунд на $400 млн, и получил $5 млн опционами. Планируем первый стрим с Дидаром: поговорим о задачах, команде, подходе к работе и найме. Дату и время сообщу отдельно. Вопросы можно уже оставлять в комментариях. Если интересно — пишите мне @Venheads, обсудим, какая роль может подойти. Можно сразу откликнуться по ссылкам или написать рекрутеру @anton_higgs. Все вакансии — здесь. How Higgsfield Became One of the Fastest-Growing AI Video Platforms for Creators and Startups
О канале в цифрах
- Создан
- 7 декабря 2021 г.
- Фото
- 241
- Видео
- 10
- Файлы
- 1
- Ссылки
- 485
По данным Telegram на 19 ноября 2026 г.
Рейтинги и подборки
Контакты
- Реклама
- @arturtimofeevv
Из описания канала
Отзывы
Оставить отзыв
Отзывов пока нет. Ваш будет первым.