Одна из лучших моделей, превращающих изображения в 3D, вышла в открытый доступ.

Hi3D V1.0 — масштабированная версия прошлогодней Sparc3D. Её код и веса уже опубликованы на GitHub и Hugging Face. Скачать и использовать модель можно совершенно бесплатно.

Признаться, за последнее время я не встречал более любопытного открытого релиза в области 3D.


👉 @PythonPortal

Симуляция Нью-Йорка, генерируемая в реальном времени.

По виртуальному городу можно прогуляться пешком, прокатиться на велосипеде, проехать на автомобиле или полетать на вертолёте.

В симуляции реализованы эффекты освещения, смена времени суток в реальном времени, дорожное движение, отражения и многое другое.

При этом весь проект занимает менее 800 КБ, а его исходный код находится в открытом доступе.

https://mrdoob.github.io/slop-newyork/

👉 @PythonPortal

Google Artemis позволяет ИИ-агентам управлять Android-устройствами, а теперь в проекте готовится поддержка iPhone!

Я уже довольно давно слежу за этим проектом с открытым исходным кодом, и с каждым обновлением он становится всё интереснее.

Сейчас разработчики работают над несколькими возможностями:

- Поддержка iOS, включая физические устройства и симуляторы.
- Локальные мультимодальные модели на базе Gemma 4.
- Интеграция с OpenCode через MCP.
- Поддержка жестов с несколькими одновременными касаниями и упрощённое беспроводное подключение Android-устройств.

Все эти изменения пока находятся в открытых PR, однако работа над ними заметно продвигается.

https://github.com/google/artemis

👉 @PythonPortal

Gemini Pro Argon на 1.5 года по цене кофе?

Gemini Pro на 18 месяцев можно купить за 6$ (480₽ вместо 30.000₽) - последний день акции от Jio!

> 4.0 Argon топ для вайбкодеров
> Nano Banana 2 PRO (картинки)
> Видео генерация (видео, нарез ки, мувики)
> 5 ТБ облака в Google One

🔓Вот бесплатный VPN для всех, пользуйтесь!

Работает акция еще 1 день по такой цене, дальше будет официальная цена $360 за 18 месяцев

Приобрести можно в Магазине с 20.000+ покупок и 2000+ отзывов (есть возвраты и замены).

«Современная математика глубокого обучения» — научная работа объёмом 111 страниц, посвящённая математическим основам современных нейронных сетей. Она находится в свободном доступе.

В работе подробно рассматриваются теория аппроксимации нейронных сетей, способность больших моделей к обобщению, избыточная параметризация, методы оптимизации и ландшафты функций потерь.

Особое внимание уделяется влиянию глубины нейронных сетей на их выразительные возможности, проблеме проклятия размерности, свёрточным и остаточным нейронным сетям, пакетной нормализации, разреженным представлениям и рекуррентным нейронным сетям.

Кроме того, авторы исследуют применение глубокого обучения к решению обратных задач и дифференциальных уравнений в частных производных.

Работа представляет собой обстоятельный обзор математических принципов, лежащих в основе глубоких нейронных сетей. В ней рассматриваются как уже доказанные теоретические положения, так и вопросы, на которые исследователям ещё предстоит найти ответы.

Для тех, кто стремится понять не только практическое применение современного искусственного интеллекта, но и математические закономерности, определяющие его работу, эта статья заслуживает внимания.

Научная работа: https://arxiv.org/pdf/2105.04026

👉 @PythonPortal

Один и тот же отчёт, подготовленный Research Agent, два эксперта могут оценить совершенно по-разному. Возникает закономерный вопрос: насколько вообще надёжны наши Evals, если в роли оценщика выступает LLM Judge?

Недавняя статья Кэмерона Р. Вулфа как раз посвящена этой проблеме. В ней разбирается, как оценивать задачи агентов, где результат по своей природе во многом субъективен: например, Deep Research или творческое письмо.

Автор предлагает довольно практичный подход.

Сначала специалисты в предметной области определяют критерии оценки, после чего несколько экспертов независимо проверяют один и тот же набор результатов. Если их оценки сильно расходятся, сначала нужно пересмотреть сами критерии, а в некоторых случаях и вовсе отказаться от метрик, которые слишком субъективны для надёжной оценки.

Затем LLM Judge калибруют на данных, уже проверенных людьми. Повторные тесты и доверительные интервалы помогают не принять случайные колебания результатов за реальное улучшение модели.

И наконец, нужно вернуться к самому продукту: с помощью A/B-тестов и обратной связи от пользователей проверить, действительно ли рост показателей в офлайн-оценках приводит к улучшению пользовательского опыта.

Мне особенно близка мысль о том, что сначала нужно проверить самого оценщика.

При разработке Research Agents мы часто слишком внимательно следим за тем, растут ли показатели Eval, и гораздо реже задаёмся вопросом, насколько вообще надёжны критерии, по которым эти показатели считаются.

Эту статью определённо стоит сохранить тем, кто занимается Agent Eval. Особенно полезны разделы о выборке данных, калибровке экспертов и статистических методах.

https://cameronrwolfe.substack.com/p/subjective-evals

👉 @PythonPortal

🚀 29 октября Arenadata проведёт техническую онлайн-конференцию ArenaTech

На ArenaTech инженеры Arenadata расскажут, как устроены продукты компании изнутри, поделятся опытом решения сложных инженерных задач и представят ключевые направления технологического развития.

🟢Основные темы конференции:

🔜СУБД: архитектура, развитие и эксплуатация. Обсудим планы развития Arenadata DB (ADB) и Greengage DB, новые возможности MPP-СУБД, включая hot standby, вопросы безопасности и устранения уязвимостей. Отдельное внимание уделим утилите ggrebalance, которая позволяет сокращать число сегментов кластера и заменять хосты с сохранением равномерного распределения данных.

🔜Платформа данных: безопасность и Kubernetes. Расскажем об управлении секретами и доступом в Arenadata Hyperwave (ADH) с использованием OpenBao. Разберём особенности переноса Impala, Trino и Spark в Kubernetes: интеграцию с Kerberos, разработку операторов, адаптацию Spark и использование Celeborn и YuniKorn.

🔜Инструменты: кластерный менеджер, документация, ИИ-поиск. Поделимся опытом организации процессов разработки технической документации и расскажем, как создавались интеллектуальный поиск и ИИ-ассистент, упрощающие поиск информации в документации многокомпонентной платформы данных. Также расскажем про развитие нашего кластерного менеджера ADCM.

После каждого доклада участники смогут задать вопросы спикерам в рамках Q&A-сессии.

Конференция будет интересна разработчикам, дата-инженерам, администраторам СУБД, архитекторам, DevOps-инженерам и техническим руководителям.

🗓 29 октября, 12:00 МСК

Формат: онлайн 🔛

Программа и регистрация

Теперь DeepSeek-V4.1-Flash можно запустить локально на одной видеокарте и с 46–64 ГБ оперативной памяти.

Благодаря технологии выгрузки данных на диск в Strata и методу квантования GSQ-RCO большую модель с архитектурой Mixture-of-Experts (MoE) стало возможно запускать на обычном пользовательском оборудовании, не прибегая к дорогостоящим серверным видеокартам.

Предусмотрены установка в один клик и локальный API, совместимый с OpenAI.

https://github.com/Niko1221/Strata

👉 @PythonPortal

Многие, вероятно, до сих пор не вполне понимают, для чего нужны модели мира. Однако, на мой взгляд, Genie 4 позволяет гораздо яснее представить, как подобные технологии могут приблизить нас к созданию общего искусственного интеллекта (AGI).

Google уже объединяет Genie с Gemini, хотя, к сожалению, в системе, работающей в реальном времени, используется Gemini 3.8 Flash. Модель способна наблюдать за происходящим в симуляции, разбивать поставленные цели на более простые задачи и корректировать свои планы по мере изменения окружающего мира.

В перспективе объединение способности больших языковых моделей к рассуждению с пониманием физических закономерностей, приобретённым моделью мира, может позволить ИИ-агентам испытывать различные действия и совершенствовать своё пространственно-временное мышление.

Нечто подобное происходит и с человеком, когда он мысленно представляет определённую ситуацию и пытается предугадать её последствия, прежде чем приступить к действию.

Таким образом, у ИИ-агентов появится возможность сравнивать различные способы решения задач и учиться на результатах собственных действий в виртуальной среде, прежде чем применять полученный опыт в действительности. Разумеется, при условии, что симуляции окажутся достаточно точными.

Полагаю, это поможет преодолеть некоторые трудности, с которыми современные модели всё ещё сталкиваются при решении задач, требующих пространственного мышления и понимания физических процессов.

Человек способен заранее мысленно воспроизвести предстоящее действие. Большие языковые модели, напротив, пока ограничены рассуждениями в текстовой форме. Они могут описывать физические явления и математические закономерности словами, но интерактивная модель мира позволит искусственному интеллекту не просто рассуждать о возможных событиях, а наблюдать, как они разворачиваются в виртуальной среде.

Разумеется, точность моделирования физических процессов и способность сохранять последовательность происходящего на протяжении длительного времени ещё требуют значительных улучшений.

Тем не менее это важный шаг к созданию более совершенных виртуальных сред, в которых искусственный интеллект сможет взаимодействовать с окружающим миром, приобретать опыт и учиться на собственных действиях.

👉 @PythonPortal