@gonzo_ml
gonzo-обзоры ML статей
Telegram-канал @gonzo_ml: 24,7 тыс. подписчиков, 2,9 тыс. просмотров на пост, оценка 45
- 24,7 тыс.
- Подписчики
- 2,9 тыс.
- Медиана просмотров за 30 дней
- 11,7%
- Просмотры / подписчики за 30 дней
- 99
- Постов за 30 дней
Данные на 19 ноября 2026 г.
описание каталога О канале от автора
Обзор
Составлен автоматически по данным канала, обновлён 3 сентября 2026. Числа в тексте — на эту дату; свежие стоят плитками выше.
Канал @gonzo_ml разбирает свежие статьи по машинному обучению — от механики оптимизаторов и калибровочных симметрий до архитектур representation learning. Разборы выходят подробные, с ссылками на arXiv, код и сторонние ревью, иногда с отступлениями к книгам по физике и фантастике. Тут же можно узнать о смежных проектах авторов — например, о новом канале про World Models.
По 90 постов за 30 дней канал публикует заметно чаще медианы по категории «Искусственный интеллект» — там она держится на 20 постах. При этом медиана просмотров поста — 2 581, а ER держится на уровне 10,6 %, что ниже медианы по категории в 25,1 %. За 18 дней наблюдений подписчиков прибавилось 15, а средние просмотры выросли на 386 — движение небольшое, но заметное.
Канал подойдёт тем, кто хочет читать не новостную ленту, а разборы конкретных научных статей с разбором формул и кода — формат на любителя, требующий погружения в тему. При 24 332 подписчиках и Place Score 32 канал заметно уступает медиане по подписчикам в категории (15 164 — медиана, тут выше) и по вовлечённости, но выигрывает частотой публикаций.
Владелец канала не подтверждён на площадке, прайс на рекламу пока не открыт — связаться можно напрямую в Telegram.
Частые вопросы
- О чём канал @gonzo_ml?
- Канал разбирает научные статьи по машинному обучению — от оптимизаторов до representation learning, со ссылками на arXiv и код. Иногда встречаются отступления к книгам по физике и фантастике.
- Можно ли купить рекламу в @gonzo_ml?
- Владелец канала пока не открыл прайс на рекламу. Связаться для размещения можно напрямую в Telegram.
- Сколько подписчиков?
- Подписчиков — 24,7 тыс. Медиана просмотров поста — 2,9 тыс. Просмотров на подписчика — 11,7%. Данные на 19 ноября 2026 г.
- Как часто выходят посты?
- За 30 дней вышло постов: 99 — это несколько раз в день. 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 | 6,3 из 30 |
| Качество роста | 20 из 20 |
| Реакции и пересылки | 4,2 из 15 |
| Регулярность | 3,6 из 12 |
| Доверие | 4,5 из 8 |
| Отзывы | недостаточно данныхотзывов пока нет |
Оценка 45 — по 5 показателям из 6: остальные пока не измерены. Методология
Последние посты
- Реклама
- Как ллмки управляют физическими роботами? Ну так себе, пропасть между клод-кодом и роботом довольно велика. Явно одна из следующих big things — это харнессы для физических роботов. Embodied First Exam Kangrui Wang, Qineng Wang, Changhe Chen, Pingyue Zhang, Chi Gui, Feishi Wang, Canyu Chen, Wenli Xiao, Xiaoyu Huang, Tonghe Zhang, Linjie Li, Zihan Wang, Minyeong Kim, Yiyou Sun, Mingkai Deng, Jinyu Hou, Qi Zhu, Han Liu, Eric P. Xing, Huaxiu Yao, Zhiwen Fan, Yuejiang Liu, Dawn Song, Pieter Abbeel, Li Fei-Fei, Jiajun Wu, Yuke Zhu, Guanya Shi, Ruohan Zhang, Manling Li Paper: arxiv.org/abs/2611.12177 Review:Code:
arxiviq.substack.com/…
https://arxiviq.substack.com/p/embodied-first-examГлавное: Даже топовые кодинг-агенты решают большинство задач в симуляции при полном состоянии среды и бесконечных перезапусках, но плохо справляются с точным контактом, когда остаются только бортовые сенсоры и необратимые физические действия. ЧТО сделали: Авторы представили Embodied First Exam (EFE) — контейнеризированный бенчмарк из 1156 задач на 47 симулируемых роботах. В нём обычные кодинг-агенты без доработок напрямую выдают действия, пишут контроллеры или обучают политики. ЧТО получили: На сопоставленных сложных задачах лучший из проверенных агентов (GPT-6 Astra в CLI Codex от OpenAI) падает с 77% успеха при доступе к состоянию симулятора и бесконечных сбросах до 30% только с сенсорами и ограниченными сбросами. Во многом это связано с тем, что точные этапы требуют повторных попыток. ПОЧЕМУ это важно: Для переноса кодинг-агентов на реальное железо помимо сильных моделей нужны продуманные обвязки исполнения и безопасное восстановление состояния. Впрочем, все оценки в бенчмарке получены по одиночным попыткам в симуляции. Выходить из симуляции здесь: t.me/gonzo_ML_podcasts/4853github.com/…
https://github.com/mll-lab-nu/embodied-first-exam - Кеннет Стэнли продолжает (предыдущее тут) исследовать единые и разрозненные представления. Неудивительным образом единые факторизованные представления рулят на непрерывном обучении. Но работают пока только на очень игрушечных кейсах. Unified Factored Representations Resist Catastrophic Forgetting Joel Lehman, Kenneth O. Stanley Paper: arxiv.org/abs/2611.11020 Review:Главное: Нейросети могут избегать катастрофического забывания при градиентном спуске, если внутренние признаки кодируют каждую закономерность один раз и разделяют независимые факторы. Но для этого нужно маскировать лишние нулевые веса и делать малые шаги вдоль структуры задачи. ЧТО сделали: Авторы объясняют забывание спутанными представлениями, где закономерности дублируются, а признаки смешиваются. В многократном циклическом файнтюнинге туда-обратно на частях входа они проверили единые факторизованные представления, объединяющие закономерности и разделяющие факторы. ЧТО получили: За 30 циклов файнтюнинга попиксельная ошибка факторизованных моделей на отложенной области оказалась в 2.9–12 раз ниже, чем у градиентных бейзлайнов — без повтора примеров и штрафов за уход от старой задачи. Целевые вариации при этом генерировали самими факторизованными сетями. ПОЧЕМУ это важно: Вспомогательные лоссы, упорядочивающие скрытые признаки при начальном обучении, снижают последующую интерференцию. Однако градиентный спуск всё ещё не выучивает такие представления с нуля и не может надёжно добавить даже один новый признак, не сломав их. Исследовать репрезентации здесь: t.me/gonzo_ML_podcasts/4852
arxiviq.substack.com/…
https://arxiviq.substack.com/p/unified-factored-representations
О канале в цифрах
- Создан
- 21 февраля 2019 г.
- Фото
- 4,1 тыс.
- Видео
- 6
- Файлы
- 3
- Ссылки
- 1,8 тыс.
По данным Telegram на 19 ноября 2026 г.
Отзывы
Оставить отзыв
Отзывов пока нет. Ваш будет первым.