⚡️ Видеокарты будут отключать в странах под санкциями — в Конгрессе США разрабатывают закон, который заставит Nvidia отслеживать ВСЕ проданные карточки и банить их в случае нарушений.
Для того в видяхи хотят внедрить системы геолокации — если карточку включить в подсанкционной стране, она МОМЕНТАЛЬНО улетит в бан.
В первую очередь мера направлена против Китая — так конгрессмены хотят замедлить развитие ИИ в стране, но Россию тоже может задеть.
Для того в видяхи хотят внедрить системы геолокации — если карточку включить в подсанкционной стране, она МОМЕНТАЛЬНО улетит в бан.
В первую очередь мера направлена против Китая — так конгрессмены хотят замедлить развитие ИИ в стране, но Россию тоже может задеть.
Tom's Hardware
U.S. inks bill to force geo-tracking tech for high-end gaming and AI GPUs
Senator Tom Cotton's legislation seeks to "prevent advanced American chips from falling into the hands of adversaries like Communist China."
Sakana AI продолжает свой путь в развитии bio inspired архитектур нейронных сетей. Свежий утренний релиз нового типа моделей - Continuous Thought Machine
Ключевой особенностью новой архитектуры - механизм синхронизации нейронов, где каждый нейрон - это набор весов или мини-нейронка со своей памятью состояний. Как результат - говорят о росте способности к рассуждениям или reasoning, что сейчас является очень важным направлением развития фундаментальных моделей.
Ключевой особенностью новой архитектуры - механизм синхронизации нейронов, где каждый нейрон - это набор весов или мини-нейронка со своей памятью состояний. Как результат - говорят о росте способности к рассуждениям или reasoning, что сейчас является очень важным направлением развития фундаментальных моделей.
This media is not supported in your browser
VIEW IN TELEGRAM
Фермер в США обустроил танцпол для своих свиней
Благодаря регулярным дискотекам хрюшам веселее живётся, и их мясо становится вкуснее!
Благодаря регулярным дискотекам хрюшам веселее живётся, и их мясо становится вкуснее!
😁5
This media is not supported in your browser
VIEW IN TELEGRAM
Гениально: девушка создала домашнюю «кафешку» внутри Телеграма, чтобы её парень мог заказывать себе завтраки.
Оплату она установила в виде обнимашек и поцелуев, а самого бота вручила в виде подарка.
Дуров на страже личной жизни😄
Оплату она установила в виде обнимашек и поцелуев, а самого бота вручила в виде подарка.
Дуров на страже личной жизни
Please open Telegram to view this post
VIEW IN TELEGRAM
🥰4
Внимательные читатели вспомнят что ребята из XBOW запустили AI-агента, который умеет собирать баги из приватных и публичных программ на HackerOne. Практически буквально сделали кнопку "Бабло". Которая при этом работает.
На текущий момент их Xbow AI-hacker дострелял до первого места в US Leaderboard в Q2 2025. И теперь уже это выглядит весьма "стремно". Наталкивает на мысли о том что AI уже лучше обычного хакера. Ведь ему как минимум спать не надо. Я конечно так тоже могу, но мне нужен redbull 😁
Но если посмотреть на статистику внимательно, то выходит что основная поляна уязвимостей этого ai-агента - XSS уязвимости. Данный вектор как правило подвластен автоматическим детектам, ну и суммы выплат по XSS как правило средненькие.
Так что расслабляемся, выдыхаем и продолжаем искать серверсайд в пятницу вечером 😉
На текущий момент их Xbow AI-hacker дострелял до первого места в US Leaderboard в Q2 2025. И теперь уже это выглядит весьма "стремно". Наталкивает на мысли о том что AI уже лучше обычного хакера. Ведь ему как минимум спать не надо. Я конечно так тоже могу, но мне нужен redbull 😁
Но если посмотреть на статистику внимательно, то выходит что основная поляна уязвимостей этого ai-агента - XSS уязвимости. Данный вектор как правило подвластен автоматическим детектам, ну и суммы выплат по XSS как правило средненькие.
Так что расслабляемся, выдыхаем и продолжаем искать серверсайд в пятницу вечером 😉
HackerOne
HackerOne profile - xbow
https://www.xbow.com - https://www.xbow.com
☝🏻Meta* представила модель Locate 3D
Locate 3D — разработана для точной локализации объектов в сложных 3D-средах с использованием стандартных сенсорных данных.
ИИ позволяет идентифицировать не размеченые объекты по запросам на естественном языке, что значительно упрощает её интеграцию в реальные условия.🤖
Применение Locate 3D охватывает сферу робототехники, улучшая взаимодействие роботов с окружающим миром.
Исходный код и веса Locate 3D доступны на GitHub
*признана экстремистской и запрещена в России
================
Locate 3D — разработана для точной локализации объектов в сложных 3D-средах с использованием стандартных сенсорных данных.
ИИ позволяет идентифицировать не размеченые объекты по запросам на естественном языке, что значительно упрощает её интеграцию в реальные условия.🤖
Применение Locate 3D охватывает сферу робототехники, улучшая взаимодействие роботов с окружающим миром.
Исходный код и веса Locate 3D доступны на GitHub
*признана экстремистской и запрещена в России
================
Atmeta
Locate 3D - A Meta state-of-the-art AI model
Locate 3D is a state-of-the-art model for locating objects in real-world environments
✅https://huggingface.co/papers/2505.07591
↗️ Оценка LLM на соответствие ограничениям
• Существующие тесты часто используют шаблонные подсказки, что ограничивает оценку производительности.
• Предлагается многомерная структура ограничений с тремя шаблонами, четырьмя категориями и четырьмя уровнями сложности.
↗️ Конвейер автоматической генерации инструкций
• Разрабатывается конвейер, включающий расширение ограничений, обнаружение конфликтов и перезапись инструкций.
• Создаются 1200 тестовых образцов с возможностью проверки кода.
↗️ Оценка производительности LLM
• Оцениваются 19 LLM в семи семействах моделей.
• Выявляются существенные различия в производительности в зависимости от форм ограничений.
• Средняя производительность снижается с 77,67% на уровне I до 32,96% на уровне IV.
↗️ Применение подхода для обучения с подкреплением
• Подход используется для сбора данных для обучения с подкреплением.
• Достигается существенное улучшение выполнения инструкций без снижения общей успеваемости.
↗️ Анализ преимуществ подхода
• Преимущества связаны с изменениями параметров модулей внимания модели.
• Улучшается распознавание ограничений и их соблюдение.
↗️ Доступность кода и данных
• Код и данные доступны в https://github.com/Junjie-Ye/MulDimIF.
• Существующие тесты часто используют шаблонные подсказки, что ограничивает оценку производительности.
• Предлагается многомерная структура ограничений с тремя шаблонами, четырьмя категориями и четырьмя уровнями сложности.
• Разрабатывается конвейер, включающий расширение ограничений, обнаружение конфликтов и перезапись инструкций.
• Создаются 1200 тестовых образцов с возможностью проверки кода.
• Оцениваются 19 LLM в семи семействах моделей.
• Выявляются существенные различия в производительности в зависимости от форм ограничений.
• Средняя производительность снижается с 77,67% на уровне I до 32,96% на уровне IV.
• Подход используется для сбора данных для обучения с подкреплением.
• Достигается существенное улучшение выполнения инструкций без снижения общей успеваемости.
• Преимущества связаны с изменениями параметров модулей внимания модели.
• Улучшается распознавание ограничений и их соблюдение.
• Код и данные доступны в https://github.com/Junjie-Ye/MulDimIF.
Please open Telegram to view this post
VIEW IN TELEGRAM
huggingface.co
Paper page - A Multi-Dimensional Constraint Framework for Evaluating and Improving
Instruction Following in Large Language Models
Instruction Following in Large Language Models
Join the discussion on this paper page
👍3
Что-то на футуристичном: перед вами водородный автомобиль Hyperion XP-1 со звуком космического корабля и паром вместо выхлопа
В двигателе аж 2038 лошадиных сил, а разгон до 100км/ч составляет 2,2сек. Один бак водорода помогает преодолеть в районе 1600 км.
Готовят 300 экземпляров, каждый из которых будет стоить $2 млн!
В двигателе аж 2038 лошадиных сил, а разгон до 100км/ч составляет 2,2сек. Один бак водорода помогает преодолеть в районе 1600 км.
Готовят 300 экземпляров, каждый из которых будет стоить $2 млн!
https://habr.com/ru/companies/surfstudio/articles/908928/ - Очень интересная статья, прям хорошо написана и в тему
Хабр
Массовые увольнения в российском IT: что на самом деле происходит в компаниях — взгляд CEO
Минцифры кричит о нехватке миллиона IT-специалистов, министр труда и социальной защиты заявляет о «всего» ста тысячах. Параллельно рынок труда захлестнула волна сокращений. А тут ещё и слухи об AGI —...
❤2
DeCLIP: Decoupled Learning for Open-Vocabulary Dense Perception
↗️ Ограничения плотного визуального прогнозирования
• Зависимость от предопределенных категорий ограничивает применимость в реальных сценариях.
• Визуальные концепции не ограничены в реальных задачах.
↗️ Проблемы с моделями визуального языка (VLM)
• Модели VLM, такие как CLIP, показывают многообещающие результаты в задачах с открытым словарем.
• Прямое применение VLM для плотного прогнозирования приводит к неоптимальной производительности из-за ограничений в представлении локальных объектов.
↗️ Наблюдение о графических маркерах CLIP
• Графические маркеры CLIP не могут эффективно агрегировать информацию из пространственно или семантически связанных областей.
• Это приводит к признакам с недостаточной локальной различимостью и пространственной согласованностью.
DeCLIP: Decoupled Learning for Open-Vocabulary Dense Perception
↗️ Предложение DeCLIP
• DeCLIP расширяет возможности CLIP за счет отделения модуля self-attention.
• Функции `содержание" согласуются с представлениями кадрирования изображений для улучшения локальной распознаваемости.
• Функции `контекст" учатся сохранять пространственные корреляции под руководством моделей vision foundation, таких как DINO.
↗️ Эксперименты и результаты
• Обширные эксперименты показывают, что DeCLIP значительно превосходит существующие методы в решении задач прогнозирования с высокой плотностью словарного запаса.
• Примеры задач: обнаружение объектов и семантическая сегментация.
✅Доступность кода
• Код доступен по адресу: https://github.com/xiaomoguhz/DeCLIP
• Зависимость от предопределенных категорий ограничивает применимость в реальных сценариях.
• Визуальные концепции не ограничены в реальных задачах.
• Модели VLM, такие как CLIP, показывают многообещающие результаты в задачах с открытым словарем.
• Прямое применение VLM для плотного прогнозирования приводит к неоптимальной производительности из-за ограничений в представлении локальных объектов.
• Графические маркеры CLIP не могут эффективно агрегировать информацию из пространственно или семантически связанных областей.
• Это приводит к признакам с недостаточной локальной различимостью и пространственной согласованностью.
DeCLIP: Decoupled Learning for Open-Vocabulary Dense Perception
• DeCLIP расширяет возможности CLIP за счет отделения модуля self-attention.
• Функции `содержание" согласуются с представлениями кадрирования изображений для улучшения локальной распознаваемости.
• Функции `контекст" учатся сохранять пространственные корреляции под руководством моделей vision foundation, таких как DINO.
• Обширные эксперименты показывают, что DeCLIP значительно превосходит существующие методы в решении задач прогнозирования с высокой плотностью словарного запаса.
• Примеры задач: обнаружение объектов и семантическая сегментация.
✅Доступность кода
• Код доступен по адресу: https://github.com/xiaomoguhz/DeCLIP
Please open Telegram to view this post
VIEW IN TELEGRAM
GitHub
GitHub - xiaomoguhz/DeCLIP: [CVPR 2025] DeCLIP: Decoupled Learning for Open-Vocabulary Dense Perception
[CVPR 2025] DeCLIP: Decoupled Learning for Open-Vocabulary Dense Perception - xiaomoguhz/DeCLIP
This media is not supported in your browser
VIEW IN TELEGRAM
Автоматизированный процесс доставки еды в китайских отелях
Достаточно указать точный адрес с самим номером. Доставщик положит еду на первом этаже отеля внутрь робота. И к вам отправится это чудо.
Достаточно указать точный адрес с самим номером. Доставщик положит еду на первом этаже отеля внутрь робота. И к вам отправится это чудо.
VCRBench: Exploring Long-form Causal Reasoning Capabilities of Large Video Language Models
↗️ Проблемы в понимании видеоязыка
• Возможности больших моделей видеоязыка (LVLM) для причинно-следственных связей на основе видео недостаточно изучены.
• Отсутствие специализированных критериев для оценки причинно-следственных связей в визуально обоснованных условиях.
↗️ Новый тест VCRBench
• Представлен новый тест Video-based long-form Causal Reasoning (VCRBench).
• Используются процедурные видеоролики о повседневных действиях с перемешанными шагами.
• В каждом клипе фиксируется ключевое причинно-следственное событие.
Цель и задачи VCRBench
• Проверка способности LVLM идентифицировать, обосновать и правильно расположить события для достижения конкретной цели.
• Избегание использования лингвистических сокращений и проблем с открытым контролем качества.
↗️ Оценка современных LVLM
• Современные LVLM не справляются с построением подробных причинно-следственных связей.
• Сложность моделирования долгосрочных причинно-следственных зависимостей на основе визуальных наблюдений.
↗️ Декомпозиция распознавания и рассуждения (RRD)
• Предложен модульный подход, разбивающий каузальные рассуждения на две подзадачи: распознавание видео и каузальные рассуждения.
• Эксперименты показали, что RRD значительно повышает точность в VCRBench до 25,2%.
↗️ Выводы и анализ
• LVLM в первую очередь полагаются на знание языка для выполнения сложных задач по построению причинно-следственных связей на основе видео.
✅Доступность статьи:
• Статья доступна по адресу: https://huggingface.co/papers/2505.08455?utm_source=digest-papers&utm_medium=email&utm_campaign=2025-05-15
• Возможности больших моделей видеоязыка (LVLM) для причинно-следственных связей на основе видео недостаточно изучены.
• Отсутствие специализированных критериев для оценки причинно-следственных связей в визуально обоснованных условиях.
• Представлен новый тест Video-based long-form Causal Reasoning (VCRBench).
• Используются процедурные видеоролики о повседневных действиях с перемешанными шагами.
• В каждом клипе фиксируется ключевое причинно-следственное событие.
Цель и задачи VCRBench
• Проверка способности LVLM идентифицировать, обосновать и правильно расположить события для достижения конкретной цели.
• Избегание использования лингвистических сокращений и проблем с открытым контролем качества.
• Современные LVLM не справляются с построением подробных причинно-следственных связей.
• Сложность моделирования долгосрочных причинно-следственных зависимостей на основе визуальных наблюдений.
• Предложен модульный подход, разбивающий каузальные рассуждения на две подзадачи: распознавание видео и каузальные рассуждения.
• Эксперименты показали, что RRD значительно повышает точность в VCRBench до 25,2%.
• LVLM в первую очередь полагаются на знание языка для выполнения сложных задач по построению причинно-следственных связей на основе видео.
✅Доступность статьи:
• Статья доступна по адресу: https://huggingface.co/papers/2505.08455?utm_source=digest-papers&utm_medium=email&utm_campaign=2025-05-15
Please open Telegram to view this post
VIEW IN TELEGRAM
huggingface.co
Paper page - VCRBench: Exploring Long-form Causal Reasoning Capabilities of Large
Video Language Models
Video Language Models
Join the discussion on this paper page
THE FUTURE IS HERE: Fortnite получит Дарт Вейдера в качестве ИИ-помощника, который сможет общаться и помогать игрокам
Как сообщает инсайдер и датамайнер Hypex, Google Gemini хотят применить в Fortnite и в качестве эксперимента применят на Дарте Вейдере. Он сможет слушать игроков и отвечать им, но неизвестно в голосовом или текстовом. Дети без разрешения взрослых не смогут пользоваться функцией.
Среди других странных фактов есть следующее:
Как сообщает инсайдер и датамайнер Hypex, Google Gemini хотят применить в Fortnite и в качестве эксперимента применят на Дарте Вейдере. Он сможет слушать игроков и отвечать им, но неизвестно в голосовом или текстовом. Дети без разрешения взрослых не смогут пользоваться функцией.
Среди других странных фактов есть следующее:
• Вейдеру запрещено говорить о V-bucks, сексе, причинении вреда детям и юнлингам, больше двух диалоговых линий о другом медиа вне Диснея, а также материться, куда входят слова «shit», «shitty» «fuck», «bullshit», «cunt», «bitch», «asshole», «pussy», и «dick».
• В принципе Вейдеру запрещено говорить о негативных темах, но он может пообщаться с человеком, если у него есть какие-то проблемы с ментальным здоровьем.
• Вейдер считает себя не человеком, а Дартом Вейдером.
• Вейдер может петь песни Диснея и Звёздных Войн.
• Вейдеру вообще запрещено говорить, что он сделал с юнлингами.
• Вейдеру даже запрещено вступать в романтические отношения с игроком.
• Во время геймплея Вейдер может вступить в отряд или выйти из него, предупреждать игрока об опасности, суммировать произошедшие события, и отвечать на любые вопросы игрока, которые ему не запретили.