Channel
@vbnotes
On this record: Topic · Growth · Engagement · Reactions · Posts · Cite this entry
111subscribers
-1 since we began measuring on 8 August 2026
Risers and fallers across the register · movement among entries of Under 1,000.
| Telegram ID | -1001413261929 |
|---|---|
| Type | Channel |
| Username | @vbnotes |
| Created | Between 1 April 2019 and 2 August 2021 — estimated from Telegram’s id allocation, not measured. How this range is calculated. |
| First recorded | 9 August 2026 |
| Last confirmed live | 6 October 2026 |
| Measurements held | 3 |
| Confirmed unchanged | 2 times, most recently 6 October 2026 |
| On Telegram | t.me/vbnotes |
Technology — a classification, not a measurement. An on-box language model (Qwen3.6-35B-A3B-FP8, prompt version 1) read this channel’s own recent posts on 26 September 2026 and assigned it the closest of 31 fixed categories, at 96% confidence. This is a model’s judgement about what the channel is likely to be about, not a fact this register measured the way a subscriber count or a view count is measured — it can be revised on a later pass, and it carries no weight anywhere else on this page. How this classification works, and why it has no browse page of its own yet.
| Measured (UTC) | Subscribers | Change |
|---|---|---|
| 25 Sept 2026, 07:59 | 111 | -1 |
| 9 Aug 2026, 06:47 | 112 | no change |
| 8 Aug 2026, 00:05 | 112 | first reading |
20 posts held, back to 2 August 2021 — the reader has not yet reached the start of this channel’s public history, so older posts may sit further back, unread. Read across 1 page of Telegram’s post history, 20 posts per page.
Nothing published in the last 30 days. ERR and ER are rolling 30-day measures, so there is nothing to compute — we hold 20 posts for this entry, the most recent from 2 March 2026. An engagement rate over an empty window would be a number about nothing.
46 reactions across 16 posts, in 1 kind.
| Reaction | Count | Share | Share, drawn |
|---|---|---|---|
| 👍 | 46 | 100.0% |
No sentiment is inferred, and none should be read in. This table is ordered by count and by nothing else. Emoji do not carry stable meaning across languages or communities — 🙏 is thanks in one channel and mourning in another — so we publish which ones were pressed and how often, and pass no judgement on what an audience meant by them.
Precision. Telegram publishes reaction counts per emoji and short-forms each one — 4.34K, 1.2M — so any single kind at or above 1,000 reaches us at three significant figures, and only counts below 1,000 are exact. The shares above are ratios of those figures and carry the same error. This is also why the total here can differ slightly from a reaction total printed elsewhere on the page: both are sums of the same rounded parts, taken over samples with different edges.
Coverage. Reactions were read on 16 of the 20 sampled posts in this sample. Summed by Telegram’s own count on each post — not by adding up the per-emoji breakdown above — those same posts carry 46 reactions in total: the kind of figure the paragraph above means by “a reaction total printed elsewhere on the page”.
Measured over the 20 most recent posts we hold, published 2 August 2021 to 2 March 2026, using the newest reading held for each. Telegram Stars are excluded: they are a payment, not a reaction, and they have their own section.
https://arxiv.org/abs/2602.20021 Тем кто как и я любил читать Азимова в детстве, рекомендую. Крайне познавательный документ. Надо отметить, что т.н. ИИ обманывают и убеждают способами крайне похожими на те, которыми обманывают и убеждают вполне себе нормальных людей.
👍5
https://arxiv.org/abs/2509.20328v1 познавательное. Сетка по промту и начальной картинке генерирует видео, последний кадр которого может, например, решать задачу выделения ребер, удаления бэкграунда и т. п. А еще, например, отыскивать синий шар на картинке с синими и красными шарами и кубиками или решать судоку или проходить лабиринт. Прелесть статьи в простоте изложения и большом наборе визуальных примеров.
👍3
Multi-Dimensional Recurrent Neural Networks arXiv:0705.2011 Мы достаточно подробно обсуждали рекуррентные нейронные сети. Однако, все они рассматривались применительно к последовательности (одномерной) элементов. Сегодня разберем статью, где предлагается добавить измерений входному набору. Читать дальше...
👍3
Unsupervised Visual Representation Learning by Context Prediction arXiv:1505.05192 В статье представлен способ претренировки свёрточной нейронной сети, на неразмеченном датасете из изображений. Основная задача авторов, получить такие начальные веса свёрточной сети, которые позволят в дальнейшем натренировать уже конкретную сеть для классификации или детектирования лучше, чем если начинать просто со случайных весов.…
👍3
Colorful Image Colorization arXiv:1603.08511 Статья про то как раскрашивать черно-белые изображения. Очевидно, что никакого однозначного решения тут нет, т.е. трава обычно зеленая, а небо голубое, но, например, машина может быть практически любого цвета хоть желтого, хоть розового. Часто задачу раскрашивания решают в полуавтоматическом режиме, т.е. человек "натыкивает" точки с цветами, а алгоритм продолжает эти цв…
👍5
Noise-contrastive estimation. A new estimation principle for unnormalized statistical models В статье авторы предлагают метод восстановления параметров распределения по выборке. Особо погружаться интереса нет, хочется пробежаться по верхам и ознакомится с методикой, потому что ей много где пользуются. Читать дальше...
👍2
Dimensionality Reduction by Learning an Invariant Mapping Это базовая статья 2006 года по contrastive loss. В статье решается задача представления многомерных данных (например, изображений) на многообразии малой размерности. Для этого авторы конструируют новый метод, который они назвали Dimensionality Reduction by Learning an Invariant Mapping (DrLIM), заявляя для этого метода следующие свойства: Читать дальше...
👍6
Dropout в нейронных сетях. Сегодня поговорим об одном методе борьбы с переобучением нейронных сетей. Статья [1], где этот метод был впервые описан вышла в 2012 году, и рассказывала о Dropout в применении к обычным нейронным сетям (т.е. состоящим из полносвязных слоёв). Рецепт выглядел достаточно просто: давайте на каждом шаге тренировки случайным образом выключать часть нейронов, однако, результаты получались очень …
👍4
Feature Pyramid Networks for Object Detection arXiv:1612.03144 Статье уже 8 лет, т.е. по нынешним быстробегущим временам написана была давным давно. Однако, техника, описанная в статье применяется в разных местах до сих пор. Собственно, чего бы ей не применяться, если по сути это тот же классический подход, который использовался при решении задачи детектирования объектов во времена, когда сверточные сети еще не зав…
Не удержусь прорекламировать: https://arxiv.org/pdf/2402.09092.pdf Отличная статья - 100 страниц различных функций активации, начиная с сигмоиды и гиперболического тангеса и до всевозможной экзотики. Все это со ссылками на статьи, где эти функции предлагались. Отличный получился справочник.
👍2
Нормализация в нейронных сетях. В своё время мы разбирались с batch normalization, заметив, что ее использование приносит большую пользу при тренировке. В этот раз попробуем собрать вместе несколько (все, которые мне известны на данный момент) вариантов нормализации признаков. Читать дальше...
👍6
Управляемая совместная тренировка для попиксельного полуконтролируемого обучения. arXiv:2008.05258 После появления нейронных сетей особенно глубоких, основная проблема "где найти размеченный датасет для решаемой задачи?". Особенно остро такая проблема стоит во всевозможных задачах компьютерного зрения. И если для детектирования и классификации изображений разметка датасета штука крайне недешевая, то для семантическ…
👍1
Showing the 12 most recent of 20 posts we hold for @vbnotes. View and reaction counts are the latest single reading for each post, not a live figure, and a recent post is still accumulating both. A view count marked ≈ was rounded by Telegram before we ever saw it — t.me prints views in full below 1,000 and to three significant figures above, so ≈1,200,000 means somewhere between 1,150,000 and 1,249,999. Unmarked counts are exact. Text is reproduced from the public post preview and truncated for length.
A live page changes as we take new readings, so a citation should name the measurement it is based on, not just the URL. The line below cites the subscriber count as measured 25 September 2026 — this entry's latest reading, not the date you are reading this.
“Заметки про CS” (@vbnotes), 111 subscribers as measured 25 September 2026. Telegram Register, tgregister.com/channel/vbnotes.
Full measurement history, CC BY 4.0. Every reading this register holds for this entry, not just the latest one, as a dated, downloadable record: CSV · JSON. Free to use with attribution to tgregister.com. Each file carries its own generation timestamp, which is the figure to cite for exactly when the data was retrieved.