@ivan_oseledets

Ivan Oseledets’ Channel

Telegram-канал @ivan_oseledets: 5,4 тыс. подписчиков, 3,9 тыс. просмотров на пост, оценка 81

Искусственный интеллект

81AВыше, чем почти все каналы категории

Середина категории 46–63Этот канал 81

5,4 тыс.
Подписчики: 3,9 тыс.
Медиана просмотров за 30 дней: 73,3%
Просмотры / подписчики за 30 дней: 9
Постов за 30 дней

Данные на 1 октября 2026 г.

Открыть в Telegram

Поделиться В сторис

Ведёт исследователь и научный руководитель AIRI Иван Оселедец, рассказывая о работе лабораторий, новых моделях и жизни исследовательского сообщества вокруг искусственного интеллекта. На 15 сентября: подписчиков 5,3 тыс., медиана просмотров поста 2,5 тыс., ER 47,2 %, постов за 30 дней вышло 5. По подписчикам канал меньше медианы категории, публикует реже большинства соседей, зато вовлечённость аудитории заметно выше медианы. За последний месяц среди тем — решение задачи Навье-Стокса, обновление модели CADENA для реверс-инжиниринга CAD, выпуск компактных моделей семейства Optimal Cognitive Core OCC-RAG на 0.6B и 1.7B параметров, а также открытие двух новых лабораторий с ИТМО в Санкт-Петербурге и соглашение AIRI, Сбера и УрФУ о лаборатории по ИИ в промышленности.

описание каталога О канале от автора

Личный канал доктора физико-математических наук, профессора РАН, генерального директора AIRI, декана ФИИ МГУ Ивана Оселедца. Для связи: brand@airi.net

Частые вопросы

Сколько подписчиков?: Подписчиков — 5,4 тыс. Медиана просмотров поста — 3,9 тыс. Просмотров на подписчика — 73,3%. Данные на 1 октября 2026 г.
Как часто выходят посты?: За 30 дней вышло постов: 9 — это несколько раз в неделю. Данные на 1 октября 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 владение

Займёт 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.

Подписчики+66 за 36 дней

5 3735 300

1 окт.5 373+3 за день

Наведите на график или проведите пальцем — покажем день.

Из чего складывается
Вовлечённость	27,4 из 30
Качество роста	20 из 20
Реакции и пересылки	11,4 из 15
Регулярность	5,4 из 12
Доверие	4,9 из 8
Отзывы	недостаточно данныхотзывов пока нет

Оценка 81 — по 5 показателям из 6: остальные пока не измерены. Методология

Как читается это число

Последние посты

вчера1,4 тыс.Открыть в Telegram
Ещё не написал свою книгу, а уже получил литературную премию, приятно.
2 дня назад1,5 тыс.47 пересылок62 реакции1 комментарийОткрыть в Telegram
Наш препринт про архитектурную модификацию трансформера:
huggingface.co/…
https://huggingface.co/papers/2609.32814
Change the Product, Keep the Parameters: Associative Algebra Layers for Transformers tl/dr Исследуем замену GEMM в MLP-слое трансформера на более лёгкую операцию, которая сохраняет билинейность и ассоциативность матричного умножения, но требует меньше вычислений при том же количестве обучаемых параметров. Лонгрид Работа состоит из трёх частей. Часть первая: математическая база Описывается новый оператор, заменяющий обычное матричное умножение. Формально доказывается, что он билинеен и ассоциативен. Для оператора над матрицами размера q×q вычисляется билинейный ранг — минимальное число скалярных умножений, необходимых для его вычисления. Для q=2 новый оператор имеет ранг 6. Для сравнения, обычное умножение 2×2 требует 8 умножений, а алгоритм Страссена — 7. Эти числа всплывут в третьей части 👇 Билинейность позволяет заменить линейную проекцию трансформера, не вводя дополнительную нелинейность, а также даёт возможность формально анализировать вычислительную стоимость оператора. При этом мы не уменьшаем число параметров и не используем sparsity или low-rank compression: сохраняется полный набор обучаемых весов, меняется только закон их умножения на активации. Часть вторая: синтетические экспы на GPU Показываем, что реализация нового оператора действительно может использоваться вместо GEMM в качестве линейной проекции трансформера. Приводятся оценки эффективности для нескольких архитектур, включая Qwen и DeepSeek. Часть третья: оценка end-to-end на декодерной LM Создаётся небольшая декодерная LM ёмкостью 110M параметров, близкая к GPT-2, но с небольшими модификациями (SwiGLU вместо стандартного FFN) и GPT-2-токенизатором. Делаем два варианта модели: с классическим GEMM и с новым оператором в MLP. Обе модели обучаются на одном и том же инструктивном датасете с бюджетом около 12.3B токенов и в одинаковом вычислительном окружении. Эксперимент показывает, что новый оператор остаётся обучаемым в реальных условиях, включая CUDA, floating-point вычисления и автоматическое дифференцирование в PyTorch. Затем измеряем скорость инференса и качество на downstream-задачах через lm-eval-harness. Для q=2 модель с новым оператором показывает прирост end-to-end throughput примерно на 7%. Для сравнения, переход от rank-7 алгоритма Страссена к rank-6 оператору сокращает число скалярных умножений примерно на 14.3%. Наблюдаемый выигрыш оказывается примерно вдвое меньше этого арифметического выигрыша, что ожидаемо: MLP составляет лишь часть вычислений модели, а итоговое время также определяется attention, LM head, memory traffic, sampling и другими операциями. Что дальше: много экспов с другими параметрами (q=3 и 4), настройка ядер и пр. 🤗 👉 hf dailypapers link 👈
Ещё
2 дня назад1,7 тыс.3 пересылкиОткрыть в Telegram
Мне крайне приятна статья, хотя и сложная
24 сент.2,3 тыс.19 пересылок45 реакций4 комментарияОткрыть в Telegram
Объединяем исследователей для обучения ИИ долгосрочному планированию Владислав Куренков, руководитель научной группы «Адаптивные агенты» Института AIRI, запустил открытое сообщество людей, работающих над системами планирования ИИ, чтобы вместе решить одну из самых неподатливых для искусственного интеллекта игр — NetHack. У каждого участника будет свой способ получить программу, свои инструменты и своя стратегия, а общая инфраструктура позволит видеть результаты друг друга, сравнивать их между собой и продолжать разрабатывать решения друг друга. Владислав рассказал, почему NetHack весьма полезна для обучения ИИ: «Одна партия в NetHack — это десятки тысяч ходов. Жизнь у героя одна, сохранений нет, подземелье каждый раз новое, а игра по дороге ничего не подсказывает. Если вы сыграли плохо, то выясняется это тогда, когда ничего исправить уже нельзя. Когда мы запускаем наших ботов играть, то вторая по частоте причина их "смерти" — голод, потому что они не позаботились о еде за несколько тысяч ходов до финального момента. На таких же ошибках спотыкаются ИИ-агенты, когда пишут код: отдельный шаг они выполняют прекрасно, а на длинную дистанцию держать планку не могут. И NetHack в этом плане становится весьма полезной для обучения ИИ». 📎Подробнее про сообщество, игру и «интеллект» агента — в интервью «Ъ-Науке».
Ещё
20 сент.4 тыс.33 пересылки135 реакций4 комментарияОткрыть в Telegram
Вчера ездил на Practical ML Conf — там мне и Антону Конушину, с которым мы вместе двигаем AIRI и ФИИ МГУ, вручили Yandex ML Prize. Отметили в «Зале славы» — пишут, что это про тех, кто меняет образование, науку и технологии, вдохновляет новые поколения. В номинации «Начинающие преподаватели» выиграли наши младшие научные сотрудники Альбина Бурлова и Константин Пчелин. Здорово, когда твою работу и работу твоей команды видят и признают — спасибо коллегам. Продолжим развиваться в том же направлении.
Ещё
9 сент.5 тыс.73 пересылки70 реакций4 комментарияОткрыть в Telegram
Решение проблемы тысячелетия про задачу Навье-Стокса - очень круто!
nplus1.ru/…
https://nplus1.ru/material/2026/09/09/openai-x-navier-stokes
3 сент.4,3 тыс.4 пересылки39 реакций1 комментарийОткрыть в Telegram
ФИИ стартовал
3 сент.5,2 тыс.1 комментарийОткрыть в Telegram
📆 Все перевернули календарь? Под костры рябин возвращаемся в 28 августа – вспоминаем, как прошел наш разогрев перед учебой. Фото и видео – в галерее. Благодарим за поддержку фонд Олега Дерипаска «Вольное дело» и фонд «Интеллект».
2 сент.3,9 тыс.65 пересылок75 реакций5 комментариевОткрыть в Telegram
ИИ делает нас умнее. Или все-таки нет? Друзья, специально к Дню знаний мы выложили новую серию подкаста 2TOK об ИИ в образовании и науке. Он уже доступен на YouTube и VK Видео. В гостях Андрей Себрант, директор по стратегическому маркетингу Яндекса и профессор ИТМО, и Иван Оселедец, гендиректор Института искусственного интеллекта AIRI и декан факультета ИИ МГУ. С одной стороны ИИ можно использовать как экзоскелет для мозга: он подхватывает усилия, забирает рутину, помогает сделать больше и быстрее, но направление движения все равно определяет человек. С другой стороны можно превратить его в «инвалидное кресло» для мышления: отдать модели домашку, диплом, презентацию и даже не пытаться вычитать и понять результат. Выбор остается за человеком. Что обсудили: • Проблема домашек не появилась вместе с ChatGPT. До нейросетей школьники искали ГДЗ. Если задание воспринимается как бессмысленное заполнение времени, ученик все равно найдёт кратчайший путь. Запретить ИИ здесь проще, чем разобраться с мотивацией и способом оценки знаний, но вряд ли полезнее. • Учить «правильным промптам» поздно уже в момент подготовки программы. Технология меняется быстрее учебников. Профессия промпт-инженера, которую в 2023 году объявляли профессией будущего, быстро растворилась в обычном умении работать с моделями. Нужнее навык постоянно переучиваться и спрашивать у агента, как лучше решить конкретную задачу. • Нейрослоп становится новой формой профессиональной небрежности. Нажать «сделай презентацию» и принести 20 аккуратных слайдов ещё не значит выполнить работу. Бывает так, что презентацию сократили вручную с 18 до 6 слайдов и вычитали, а после очередного прогона через нейросеть она вернулась уже на 21 слайде. Модель ускоряет производство текста, но не берет на себя смысл, вкус и ответственность. • В науке ИИ уже работает как соавтор. Агент подбирает 50–100 работ, резюмирует их и отмечает фрагменты для самостоятельного чтения. То, что раньше занимало две недели, теперь укладывается в день. Еще интересный пример: студентка за трёхчасовой семинар вместе с Claude сформулировала гипотезу, написала код и подготовила работу, которую затем приняли на конференцию. В подкасте мы ставим неудобный вопрос перед школами, ВУЗами и нами самими: если модель умеет написать типовую домашку, диплом или научную статью, что именно мы теперь должны считать результатом обучения и работы? Для меня ответ такой: ценность сейчас смещается от производства текста к постановке задачи, проверке, пониманию и личному суждению. ИИ может сделать нас заметно сильнее. Но когнитивную мышцу, которую перестали напрягать, никакой экзоскелет уже не спасет. Смотрите новый подкаст, оставляйте комментарии. Ну и скажите, для вас ИИ скорее «экзоскелет для мозга» или «инвалидное кресло»? #2TOK 💬 ген ии | MAX
Ещё
28 авг.2,6 тыс.57 пересылок57 реакцийОткрыть в Telegram
«Лето с AIRI 2026» не заканчивается! Делимся лекциями и семинарами ⏯ Мы записали всё, о чём на протяжении двух недель говорили исследователи и эксперты на летней школе. Собрали целый багаж знаний — 76 видео! — из разных областей ИИ и делимся им с вами, чтобы все могли послушать и узнать для себя что-то новое и интересное. 📎Сохраняйте ссылки на плейлисты: VK Видео, YouTube — и пересылайте их тем, кому тоже может быть полезно)
Ещё