@nn_for_science
AI для Всех
Telegram-канал @nn_for_science: 15,4 тыс. подписчиков, 4,2 тыс. просмотров на пост, оценка 53
- 15,4 тыс.
- Подписчики
- 4,2 тыс.
- Медиана просмотров за 30 дней
- 27,5%
- Просмотры / подписчики за 30 дней
- 13
- Постов за 30 дней
Данные на 19 ноября 2026 г.
описание каталога О канале от автора
Обзор
Составлен автоматически по данным канала, обновлён 30 августа 2026. Числа в тексте — на эту дату; свежие стоят плитками выше.
Об искусственном интеллекте и стартапах Кремниевой долины — так можно описать основную линию канала. Автор рассказывает о своём пути от физики и геологии через МГУ и Стэнфорд до работы в центре ИИ-бума, разбирает выступления Сэма Альтмана и YC Startup School, пересказывает уроки живых разборов стартапов. Рядом — личные заметки: Burning Man, проект-хобби с акселерометрами, соведущая Ginger со своими сюжетами про вышивку и подкасты.
Постов выходит немного: 7 за 30 дней при медиане по категории 14 — почти вдвое реже соседей по разделу «Искусственный интеллект». При этом медиана просмотров поста — 3 710, а ER держится на 23,9 % против медианных по категории 26,6 %. Place Score канала — 58.
Подойдёт тем, кто хочет читать не новостную ленту про ИИ, а личный взгляд человека внутри индустрии: с историями про Стэнфорд, YC и стартапы, но без ежедневного потока. Для тех, кто ищет частые обновления, ритм канала может показаться редким.
По подписчикам канал опережает медиану категории: 15 529 против 13 340 у 49 записей раздела. За 14 дней наблюдений подписчиков прибавилось 12, а средние просмотры выросли на 1 045.
Частые вопросы
- О чём канал @nn_for_science?
- Канал пишет об искусственном интеллекте и стартапах Кремниевой долины. Автор делится личным путём от физики до работы в центре ИИ-бума, разбирает выступления на YC Startup School вместе с соведущей Ginger.
- Есть ли прайс на рекламу в канале?
- Владелец пока не опубликовал прайс на размещение. Связаться с ним можно напрямую в Telegram.
- Сколько подписчиков?
- Подписчиков — 15,4 тыс. Медиана просмотров поста — 4,2 тыс. Просмотров на подписчика — 27,5%. Данные на 19 ноября 2026 г.
- Как часто выходят посты?
- За 30 дней вышло постов: 13 — это почти каждый 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 | 13,7 из 30 |
| Качество роста | 12 из 20 |
| Реакции и пересылки | 7,5 из 15 |
| Регулярность | 7,2 из 12 |
| Доверие | 4,7 из 8 |
| Отзывы | недостаточно данныхотзывов пока нет |
Оценка 53 — по 5 показателям из 6: остальные пока не измерены. Методология
Последние посты
- 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
- Реклама
- 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
О канале в цифрах
- Создан
- 29 апреля 2021 г.
- Фото
- 1,5 тыс.
- Видео
- 233
- Файлы
- 11
- Ссылки
- 1,6 тыс.
По данным Telegram на 18 ноября 2026 г.
Рейтинги и подборки
Контакты
- Реклама
- @crimeacs
Из описания канала
Отзывы
Оставить отзыв
Отзывов пока нет. Ваш будет первым.