📎 Machinelearning
✔️ TikTok добавил ИИ-ассистента для покупок и оплату в один клик
Платформа расширила коммерческий арсенал сервиса TikTok Shop, запустив диалогового ИИ-помощника для шопинга и механизм оформления заказов в один клик.
Нововведения должны минимизировать отток аудитории на финальных этапах воронки и сократить дистанцию между просмотром контента и покупкой.
Виртуальный ассистент интегрирован в интерфейс поиска и каталога - он обрабатывает пользовательские запросы, подбирает релевантные товары с учетом персональных предпочтений и контекста роликов, а также отвечает на уточняющие вопросы о характеристиках позиций.
Функция быстрой оплаты, в свою очередь, сохраняет платежные и данные для доставки, позволяя закрывать транзакцию мгновенно прямо из ленты или карточки товара в обход
стандартной многоэтапной корзины.
#news #ai #ml
✔️ TikTok добавил ИИ-ассистента для покупок и оплату в один клик
Платформа расширила коммерческий арсенал сервиса TikTok Shop, запустив диалогового ИИ-помощника для шопинга и механизм оформления заказов в один клик.
Нововведения должны минимизировать отток аудитории на финальных этапах воронки и сократить дистанцию между просмотром контента и покупкой.
Виртуальный ассистент интегрирован в интерфейс поиска и каталога - он обрабатывает пользовательские запросы, подбирает релевантные товары с учетом персональных предпочтений и контекста роликов, а также отвечает на уточняющие вопросы о характеристиках позиций.
Функция быстрой оплаты, в свою очередь, сохраняет платежные и данные для доставки, позволяя закрывать транзакцию мгновенно прямо из ленты или карточки товара в обход
стандартной многоэтапной корзины.
Релиз усиливает давление соцсети на традиционные маркетплейсы за счет упрощения импульсивных покупок.
#news #ai #ml
📎 Метаверсище и ИИще
Возвращаюсь к сабжу редактирования.
Вот держите два сравнения: между Ideogram 4.5 и GPT Image, а также между новой Nano Banana 2.1 и Flux 3.
Похоже, что Ideogram и Flux очень ловко зашили в генеративную модель инпейнтинг, маску и изолирование окружающих пикселей. Задача непростая, потому что интеллектуально внешние пиксели должны реагировать на изменение цвета, освещения и прочих редактирований основного объекта. Но тем не менее у них это получается очень ловко.
И несмотря на громкие заявления Google, что теперь в 2.1 есть Mask Editing, у Nano Banana явно плывет шум, не говоря уже про GPT Image. Может быть, все-таки дело в этих самых невидимых вотермарках, которые и создают эти фрактальные паттерны.
Возвращаюсь к сабжу редактирования.
Вот держите два сравнения: между Ideogram 4.5 и GPT Image, а также между новой Nano Banana 2.1 и Flux 3.
Похоже, что Ideogram и Flux очень ловко зашили в генеративную модель инпейнтинг, маску и изолирование окружающих пикселей. Задача непростая, потому что интеллектуально внешние пиксели должны реагировать на изменение цвета, освещения и прочих редактирований основного объекта. Но тем не менее у них это получается очень ловко.
И несмотря на громкие заявления Google, что теперь в 2.1 есть Mask Editing, у Nano Banana явно плывет шум, не говоря уже про GPT Image. Может быть, все-таки дело в этих самых невидимых вотермарках, которые и создают эти фрактальные паттерны.
📎 AI Product | Igor Akimov
OpenAI вывалили на GitHub 722 математические статьи от своей внутренней модели. Одним релизом :)
Да, тоже было интересно разобраться, что там вышло. Математикам тоже приготовиться на выход?
Короче, в сентябре они заявили, что решили одну из задач тысячелетия (за каждую дают $1M) – 88 часов, тысячи агентов параллельно. После этого 25 лауреатов Филдсовской премии (математический «Нобель», там и Теренс Тао) подписали открытое письмо: вы решаете задачи как бенчмарк, а математике нужно понимание. OpenAI сходили посоветоваться с математиками из Принстона и... выложили ещё 722 статьи :)
Модели дали ~4000 открытых задач, на которых люди застряли. Из этого получилось 722 статьи с решениями.
– В среднем 3 часа думанья уровня ChatGPT Pro на результат. Не суперкластер, а примерно то, что вы можете сделать сами за вечер, только модель внутренняя
– 162 доказательства проверены в Lean. Это такой язык программирования для математики: доказательство пишется как код, и компьютер его проверяет как компилятор. Скомпилировалось – значит без ошибок. Остальные 560 никто толком не проверял, в README так и написано: «могут быть ошибки»
Что из этого понятно не только математикам:
– Гипотеза уникальных игр. Она про то, какие задачи оптимизации в принципе нельзя решить хорошо даже приблизительно. Из доказательства следует, что для кучи практических задач (разбить сеть на части, раскидать ресурсы, кластеризовать) нынешние алгоритмы уже лучшие из возможных, и искать лучше бессмысленно. Проверено в Lean
– «Почти гипотеза Римана». Сама гипотеза Римана – главная нерешённая задача математики, про то, насколько равномерно разбросаны простые числа. Её ослабленную версию не могли доказать с XIX века. Модель доказала. Тоже в Lean
– Нельзя написать программу, которая для любого уравнения скажет, есть ли у него решение в дробях. Вопрос висел десятилетиями. Без Lean
– Кусок ещё одной задачи тысячелетия (гипотеза Ходжа). Объяснить на пальцах её не может никто, так что поверим на слово :)
Но!
– Самые громкие результаты получены не той стандартной процедурой на 3 часа, а отдельно, и один текст правили люди
– Lean проверяет, что код соответствует ТЗ. А правильно ли написано само ТЗ, то есть то ли вообще доказали, – всё равно смотреть людям
– Авторов нет, всё подписано «OpenAI». Модель не выпущена, обещают «ответственный релиз»
Прикол, что письмо было ровно про то, что математикам не нужны сотни решённых задач без понимания. В ответ им дали 722 решённые задачи, но с компиляцией и пересказами того, как модель думала :)
Короче, узкое место переехало с «найти решение» на «проверить и понять решение». Ровно как с код-агентами: написать код уже не проблема, проблема – ревью. Только тут ревью одной статьи у живого математика занимает месяцы. Ну и если внутренняя модель за 3 часа такое делает, то следующий релиз OpenAI будет интересным. Математика в общем будет вайб-математикой. Представляю, как профессора и аспиранты закидывают какие-нибудь сложные штуки из своей области, над которой бьются годами, и получают решение за 3 часа. Так как математика супер-формализуема и проверяема, то кажется для ИИ это вообще не будет проблемой в ближайшем будущем.
https://openai.com/index/sharing-ai-progress-in-mathematics/
OpenAI вывалили на GitHub 722 математические статьи от своей внутренней модели. Одним релизом :)
Да, тоже было интересно разобраться, что там вышло. Математикам тоже приготовиться на выход?
Короче, в сентябре они заявили, что решили одну из задач тысячелетия (за каждую дают $1M) – 88 часов, тысячи агентов параллельно. После этого 25 лауреатов Филдсовской премии (математический «Нобель», там и Теренс Тао) подписали открытое письмо: вы решаете задачи как бенчмарк, а математике нужно понимание. OpenAI сходили посоветоваться с математиками из Принстона и... выложили ещё 722 статьи :)
Модели дали ~4000 открытых задач, на которых люди застряли. Из этого получилось 722 статьи с решениями.
– В среднем 3 часа думанья уровня ChatGPT Pro на результат. Не суперкластер, а примерно то, что вы можете сделать сами за вечер, только модель внутренняя
– 162 доказательства проверены в Lean. Это такой язык программирования для математики: доказательство пишется как код, и компьютер его проверяет как компилятор. Скомпилировалось – значит без ошибок. Остальные 560 никто толком не проверял, в README так и написано: «могут быть ошибки»
Что из этого понятно не только математикам:
– Гипотеза уникальных игр. Она про то, какие задачи оптимизации в принципе нельзя решить хорошо даже приблизительно. Из доказательства следует, что для кучи практических задач (разбить сеть на части, раскидать ресурсы, кластеризовать) нынешние алгоритмы уже лучшие из возможных, и искать лучше бессмысленно. Проверено в Lean
– «Почти гипотеза Римана». Сама гипотеза Римана – главная нерешённая задача математики, про то, насколько равномерно разбросаны простые числа. Её ослабленную версию не могли доказать с XIX века. Модель доказала. Тоже в Lean
– Нельзя написать программу, которая для любого уравнения скажет, есть ли у него решение в дробях. Вопрос висел десятилетиями. Без Lean
– Кусок ещё одной задачи тысячелетия (гипотеза Ходжа). Объяснить на пальцах её не может никто, так что поверим на слово :)
Но!
– Самые громкие результаты получены не той стандартной процедурой на 3 часа, а отдельно, и один текст правили люди
– Lean проверяет, что код соответствует ТЗ. А правильно ли написано само ТЗ, то есть то ли вообще доказали, – всё равно смотреть людям
– Авторов нет, всё подписано «OpenAI». Модель не выпущена, обещают «ответственный релиз»
Прикол, что письмо было ровно про то, что математикам не нужны сотни решённых задач без понимания. В ответ им дали 722 решённые задачи, но с компиляцией и пересказами того, как модель думала :)
Короче, узкое место переехало с «найти решение» на «проверить и понять решение». Ровно как с код-агентами: написать код уже не проблема, проблема – ревью. Только тут ревью одной статьи у живого математика занимает месяцы. Ну и если внутренняя модель за 3 часа такое делает, то следующий релиз OpenAI будет интересным. Математика в общем будет вайб-математикой. Представляю, как профессора и аспиранты закидывают какие-нибудь сложные штуки из своей области, над которой бьются годами, и получают решение за 3 часа. Так как математика супер-формализуема и проверяема, то кажется для ИИ это вообще не будет проблемой в ближайшем будущем.
https://openai.com/index/sharing-ai-progress-in-mathematics/
This media is not supported in your browser
VIEW IN TELEGRAM
📎 Метаверсище и ИИще
А тем временем Flux 3.
Где веса Карл? Где веса?
Где веса Flux 3 Video?
Ждем с начала августа. Что происходит?
А тем временем Flux 3.
Где веса Карл? Где веса?
Где веса Flux 3 Video?
Ждем с начала августа. Что происходит?
📎 Нейронавт | Нейросети в творчестве
EmbeddingGemma 2
Открытая мультимодальная модель для эмбеддингов от Google
Обходит специализированные модели вдвое больше себя
• Единое эмбеддинг-пространство для текста, кода, изображений, видео и аудио
• Поиск видеоклипа по голосовой заметке, поиск по аудиозаписям
• Работает через transformers, sentence-transformers, llama.cpp, Ollama, vLLM, MLX
• 740М, модульная архитектура
• Text-only — от ~270M, опциональные энкодеры: vision 170M, audio 300M
• Контекст 8K токенов: до 5.5 минут аудио, 29 картинок, 58 видео-кадров
• Сжатие векторов 768 → 128 (MRL) — до 6× экономии хранилища
• На Pixel 11 Pro: ~191 МБ RAM текстовые веса, ~567 МБ полная модель
huggingface.co/google/embeddinggemma-2
huggingface.co/unsloth/embeddinggemma-2-GGUF
#embedding #multimodal #gguf
EmbeddingGemma 2
Открытая мультимодальная модель для эмбеддингов от Google
Обходит специализированные модели вдвое больше себя
• Единое эмбеддинг-пространство для текста, кода, изображений, видео и аудио
• Поиск видеоклипа по голосовой заметке, поиск по аудиозаписям
• Работает через transformers, sentence-transformers, llama.cpp, Ollama, vLLM, MLX
• 740М, модульная архитектура
• Text-only — от ~270M, опциональные энкодеры: vision 170M, audio 300M
• Контекст 8K токенов: до 5.5 минут аудио, 29 картинок, 58 видео-кадров
• Сжатие векторов 768 → 128 (MRL) — до 6× экономии хранилища
• На Pixel 11 Pro: ~191 МБ RAM текстовые веса, ~567 МБ полная модель
huggingface.co/google/embeddinggemma-2
huggingface.co/unsloth/embeddinggemma-2-GGUF
#embedding #multimodal #gguf
This media is not supported in your browser
VIEW IN TELEGRAM
📎 Data Secrets
Мем дня: оказалось, Бен Аффлек неплохо разбирается в сверточных нейросетях.
Раньше у него была небольшая VFX-студия, где он много работал с GPU и ML-пайплайнами. Позже он основал AI-стартап InterPositive, а в итоге его купил Netflix.
Получается, днем гоняем модели, ночью защищаем Готэм.
Мем дня: оказалось, Бен Аффлек неплохо разбирается в сверточных нейросетях.
Раньше у него была небольшая VFX-студия, где он много работал с GPU и ML-пайплайнами. Позже он основал AI-стартап InterPositive, а в итоге его купил Netflix.
Получается, днем гоняем модели, ночью защищаем Готэм.
📎 e/acc
я просто в ахуе.
в первую очередь, от количества возможностей, которые сегодня существуют для того, чтобы сделать бизнес. никогда в истории такого не было.
понятно, что бла-бла-бла, есть экзистенциальный страх, который триггерит глобальную человеческую психологическую травму: мы все не нужны, нас всех не любят, ИИ и роботы порешают всю экономику, а люди останутся гнить в каких-нибудь клетках и вырабатывать рилсы для тиктока. и, возможно, это наше будущее. и оно примерно настолько же вероятно, как и будущее, в котором людям больше не нужно работать, потому что у каждого человека на планете решены все базовые и даже небазовые проблемы, связанные со здравоохранением, питанием, воспитанием детей и развлечениями.
но если говорить про прямо сегодняшний день, конец 26-го года, мы находимся не там и не там. мы находимся в ситуации, в которой существуют просто тысячи, десятки тысяч возможностей. практически каждую из них можно превратить в прибыльный бизнес. это не гарантирует пассивный доход. это не гарантирует возможность бесконечно пожинать плоды и абсолютно не работать, потому что это (а) невозможно и (б) бесполезно.
но для тех, кто готов хреначить, умеет продавать или готов учиться продавать, сегодня построить небольшой бизнес с выручкой от 10 до 100 тысяч долларов в месяц проще, чем когда-либо в истории.
построить бизнес на сотни миллионов ARR - совершенно другая категория: это сложнее, там сильно меньше победителей и 90% конкурентов умирает, это требует быть лучшим в своей категории, работать 80 часов в неделю и не принимать никакой, кроме лучший из технически возможного результата. зная мир VC, для них никого кроме этой категории не существует. и это разумно: компания, которая не дойдет хотя бы до $100M ARR никогда не сгенерирует прибыль фонду, и это уже благотворительность а не инвестиции.
я физически не успеваю даже нормально рассмотреть все возможности, которые вижу. времени в сутках столько же, а вещей, которые хочется попробовать, стало в разы больше. самая сложная задача - выбрать что-то одно и продолжать этим заниматься, когда каждый день видишь еще десять крутых идей.
в этом году я проебал ряд возможностей (вокруг AI-native истории), потому что недостаточно верил себе и в себя. это ошибка, и я пока не понимаю какой правильный из нее выход. можно злиться, можно расстраиваться, но безусловно стоит собраться и пробовать до тех пор, пока не получится.
я просто в ахуе.
в первую очередь, от количества возможностей, которые сегодня существуют для того, чтобы сделать бизнес. никогда в истории такого не было.
понятно, что бла-бла-бла, есть экзистенциальный страх, который триггерит глобальную человеческую психологическую травму: мы все не нужны, нас всех не любят, ИИ и роботы порешают всю экономику, а люди останутся гнить в каких-нибудь клетках и вырабатывать рилсы для тиктока. и, возможно, это наше будущее. и оно примерно настолько же вероятно, как и будущее, в котором людям больше не нужно работать, потому что у каждого человека на планете решены все базовые и даже небазовые проблемы, связанные со здравоохранением, питанием, воспитанием детей и развлечениями.
но если говорить про прямо сегодняшний день, конец 26-го года, мы находимся не там и не там. мы находимся в ситуации, в которой существуют просто тысячи, десятки тысяч возможностей. практически каждую из них можно превратить в прибыльный бизнес. это не гарантирует пассивный доход. это не гарантирует возможность бесконечно пожинать плоды и абсолютно не работать, потому что это (а) невозможно и (б) бесполезно.
но для тех, кто готов хреначить, умеет продавать или готов учиться продавать, сегодня построить небольшой бизнес с выручкой от 10 до 100 тысяч долларов в месяц проще, чем когда-либо в истории.
построить бизнес на сотни миллионов ARR - совершенно другая категория: это сложнее, там сильно меньше победителей и 90% конкурентов умирает, это требует быть лучшим в своей категории, работать 80 часов в неделю и не принимать никакой, кроме лучший из технически возможного результата. зная мир VC, для них никого кроме этой категории не существует. и это разумно: компания, которая не дойдет хотя бы до $100M ARR никогда не сгенерирует прибыль фонду, и это уже благотворительность а не инвестиции.
я физически не успеваю даже нормально рассмотреть все возможности, которые вижу. времени в сутках столько же, а вещей, которые хочется попробовать, стало в разы больше. самая сложная задача - выбрать что-то одно и продолжать этим заниматься, когда каждый день видишь еще десять крутых идей.
в этом году я проебал ряд возможностей (вокруг AI-native истории), потому что недостаточно верил себе и в себя. это ошибка, и я пока не понимаю какой правильный из нее выход. можно злиться, можно расстраиваться, но безусловно стоит собраться и пробовать до тех пор, пока не получится.
Forwarded from Технологии | Нейросети | Боты
Please open Telegram to view this post
VIEW IN TELEGRAM
📎 gonzo-обзоры ML статей
Снова старая добрая нейроэволюция! Один из соавторов, кстати, соавтор той книги.
Continual Reinforcement Learning with Neuroevolution
Eleni Nisioti, Andrea Cossu, Kathrin Korte, Sebastian Risi
Paper: https://arxiv.org/abs/2610.01583
Review: https://arxiviq.substack.com/p/continual-reinforcement-learning
Code: https://github.com/eleninisioti/continual_neuroevolution
ЧТО сделали: Исследовали нейроэволюцию для непрерывного обучения с подкреплением (continual RL) в меняющихся средах без явных границ между задачами. Авторы сравнили эволюционные стратегии (ES) и генетические алгоритмы (GA) с алгоритмом PPO, тремя его модификациями для непрерывного RL и популяционным RL на бенчмарках от классического управления до задач со зрением.
ЧТО получили: ES обеспечили лучший баланс между сохранением старых навыков и освоением новых, превзойдя все RL-бейзлайны в 8 из 18 условий. Градиентные методы не выиграли нигде. GA показали наивысшую точность обучения в 10 из 18 условий, решив задачи, где градиентные алгоритмы терпели неудачу. По замерам авторов, ES находят окрестности в пространстве весов в 3.9 раза шире по сравнению с PPO, а размер общей для задач окрестности предсказывает сохранение навыков (p = 5x10^-5).
ПОЧЕМУ это важно: Результаты показывают, что спящие нейроны и дрейф весов вызваны градиентной оптимизацией, а не самой нестационарностью среды. Однако нейроэволюция требует много сэмплов и с трудом сходится на узких пиках функции вознаграждения.
Нейроэволюционировать тут: https://t.me/gonzo_ML_podcasts/4821
Снова старая добрая нейроэволюция! Один из соавторов, кстати, соавтор той книги.
Continual Reinforcement Learning with Neuroevolution
Eleni Nisioti, Andrea Cossu, Kathrin Korte, Sebastian Risi
Paper: https://arxiv.org/abs/2610.01583
Review: https://arxiviq.substack.com/p/continual-reinforcement-learning
Code: https://github.com/eleninisioti/continual_neuroevolution
ЧТО сделали: Исследовали нейроэволюцию для непрерывного обучения с подкреплением (continual RL) в меняющихся средах без явных границ между задачами. Авторы сравнили эволюционные стратегии (ES) и генетические алгоритмы (GA) с алгоритмом PPO, тремя его модификациями для непрерывного RL и популяционным RL на бенчмарках от классического управления до задач со зрением.
ЧТО получили: ES обеспечили лучший баланс между сохранением старых навыков и освоением новых, превзойдя все RL-бейзлайны в 8 из 18 условий. Градиентные методы не выиграли нигде. GA показали наивысшую точность обучения в 10 из 18 условий, решив задачи, где градиентные алгоритмы терпели неудачу. По замерам авторов, ES находят окрестности в пространстве весов в 3.9 раза шире по сравнению с PPO, а размер общей для задач окрестности предсказывает сохранение навыков (p = 5x10^-5).
ПОЧЕМУ это важно: Результаты показывают, что спящие нейроны и дрейф весов вызваны градиентной оптимизацией, а не самой нестационарностью среды. Однако нейроэволюция требует много сэмплов и с трудом сходится на узких пиках функции вознаграждения.
Нейроэволюционировать тут: https://t.me/gonzo_ML_podcasts/4821
📎 Ppprompt | Sexy AI Prompts & Experiments | by @ponchiknews
OpenAI выложила 372 группы математических результатов на GitHub
Рукописи сгруппированы в 372 семейства связанных результатов, собранных по итогам работы над примерно 4000 исследовательскими задачами. Создала их непубличная модель компании, которая так и остаётся закрытой. Интереснее сам формат: в релиз вошли не только статьи, но и доказательные материалы и отобранные записи рассуждений модели - можно посмотреть не только на ответ, но и на ход мысли. По словам OpenAI, на один результат в среднем уходило около трёх часов работы ChatGPT Pro в режиме размышлений, а часть доказательств ещё переложили на язык Lean, чтобы машина могла сама проверить логику.
Мнения математиков по этому поводу разделились: многих беспокоит, что модель способна генерировать технически верные результаты быстрее, чем люди успевают их прочитать и понять - по мере роста темпа производства доказательств математики физически не будут успевать проверять и осмыслять их.
OpenAI выложила 372 группы математических результатов на GitHub
Рукописи сгруппированы в 372 семейства связанных результатов, собранных по итогам работы над примерно 4000 исследовательскими задачами. Создала их непубличная модель компании, которая так и остаётся закрытой. Интереснее сам формат: в релиз вошли не только статьи, но и доказательные материалы и отобранные записи рассуждений модели - можно посмотреть не только на ответ, но и на ход мысли. По словам OpenAI, на один результат в среднем уходило около трёх часов работы ChatGPT Pro в режиме размышлений, а часть доказательств ещё переложили на язык Lean, чтобы машина могла сама проверить логику.
Мнения математиков по этому поводу разделились: многих беспокоит, что модель способна генерировать технически верные результаты быстрее, чем люди успевают их прочитать и понять - по мере роста темпа производства доказательств математики физически не будут успевать проверять и осмыслять их.