Forwarded from Data Secrets
Новое исследование от Anthropic: как сделать так, чтобы все опасные знания хранились в модели отдельно от обычных
И снова про элаймент! Уж очень занятный в этот раз стартап предлагает подход. Называется он Selective GradienT Masking. Погнали разбираться.
Вообще, как такового элаймента на этапе претрейна не существует, все это добавляется уже после предобучения. А это довольно серьезный затык.
Пока единственный вариант, до которого люди додумались – это просто выбросить из датасета "опасные знания", но это (1) оч дорого и долго, потому что требует разметки; (2) отсекает дополнительно и много полезных знаний, и модель тупеет. Так что – ерунда.
А вот Anthropic предлагают сами данные не трогать, а вместо этого сделать так, чтобы вся опасная информация стекалась в отдельный кусок параметров, который затем можно просто... удалить. Работает это так:
Как видите, это, по факту, та же самая фильтрация данных. Только умная. Во-первых, такой подход устойчив к шуму разметки. Во-вторых, метить все данные потенциально необязательно: выяснилось, что начиная с какого-то момента даже неразмеченное опасное содержимое датасета начинает тяготеть больше к "forget" параметрам. Это назвали эффектом Абсорбирования.
При этом модель после вырезания этой вот черной душонки глупеет меньше, чем при вырезании данных из датасета. Все-таки здесь мы действуем немного деликатнее. Ну и ведет она себя после этого так, как будто ей действительно ничего подобного никогда не показывали, а не как будто она временно об этом забыла.
В общем, на уровне механики и идеи – довольно интересный зачаток
https://alignment.anthropic.com/2025/selective-gradient-masking/
И снова про элаймент! Уж очень занятный в этот раз стартап предлагает подход. Называется он Selective GradienT Masking. Погнали разбираться.
Вообще, как такового элаймента на этапе претрейна не существует, все это добавляется уже после предобучения. А это довольно серьезный затык.
Пока единственный вариант, до которого люди додумались – это просто выбросить из датасета "опасные знания", но это (1) оч дорого и долго, потому что требует разметки; (2) отсекает дополнительно и много полезных знаний, и модель тупеет. Так что – ерунда.
А вот Anthropic предлагают сами данные не трогать, а вместо этого сделать так, чтобы вся опасная информация стекалась в отдельный кусок параметров, который затем можно просто... удалить. Работает это так:
– На каждый блок трансформера мы дополнительно надеваем голову внимания, которую помечаем, как "forget" параметры.
– Если на вход попадают данные, которые помечены, как "опасные", мы насильно зануляем все градиенты, кроме "forget". Это гарантирует, что все опасные знания стекаются в определенное место.
– Чтобы после модель могла хорошо работать без этих параметров, на части данных при прямом проходе им зануляют активации.
Как видите, это, по факту, та же самая фильтрация данных. Только умная. Во-первых, такой подход устойчив к шуму разметки. Во-вторых, метить все данные потенциально необязательно: выяснилось, что начиная с какого-то момента даже неразмеченное опасное содержимое датасета начинает тяготеть больше к "forget" параметрам. Это назвали эффектом Абсорбирования.
При этом модель после вырезания этой вот черной душонки глупеет меньше, чем при вырезании данных из датасета. Все-таки здесь мы действуем немного деликатнее. Ну и ведет она себя после этого так, как будто ей действительно ничего подобного никогда не показывали, а не как будто она временно об этом забыла.
В общем, на уровне механики и идеи – довольно интересный зачаток
https://alignment.anthropic.com/2025/selective-gradient-masking/
Forwarded from Искусственный интеллект. Высокие технологии
📊 ChatGPT приближается к 900 млн еженедельных активных пользователей - в октябре было около 800 млн.
При этом Google Gemini тоже стремительно растёт.
По данным Sensor Tower:
• В ноябре месячная аудитория Gemini выросла на 30% - до 346 млн
• ChatGPT вырос на 5% — до 810 млн
По времени использования:
• В ноябре пользователи ChatGPT проводили в приложении в среднем 17 минут в день
• Пользователи Gemini - 11 минут (в марте было всего ~5 минут)
Вывод: ChatGPT остаётся лидером, но Gemini ускоряется очень быстро.
https://www.theinformation.com/articles/chatgpt-nears-900-million-weekly-active-users-gemini-catching
При этом Google Gemini тоже стремительно растёт.
По данным Sensor Tower:
• В ноябре месячная аудитория Gemini выросла на 30% - до 346 млн
• ChatGPT вырос на 5% — до 810 млн
По времени использования:
• В ноябре пользователи ChatGPT проводили в приложении в среднем 17 минут в день
• Пользователи Gemini - 11 минут (в марте было всего ~5 минут)
Вывод: ChatGPT остаётся лидером, но Gemini ускоряется очень быстро.
https://www.theinformation.com/articles/chatgpt-nears-900-million-weekly-active-users-gemini-catching
Forwarded from Метаверсище и ИИще (Sergey Tsyptsyn ️️)
MetalGPT-1 — новая доменная LLM от «Норникеля».
32B параметров, обучение на закрытом технологическом корпусе: протоколы, регламенты, проектная документация, НИОКР.
Объём — ~10 ГБ профильных данных + 500 тыс. QA-пар под инженерные кейсы.
Собственный промышленный бенчмарк: модель уверенно обходит универсальные LLM именно на производственных задачах.
Веса выложены на Hugging Face.
Фактически это первый полноценный пример индустриальной модели, собранной вокруг реальной технологической цепочки, а не вокруг веб-корпуса. Можно попробовать: https://huggingface.co/nn-tech
@cgevent
32B параметров, обучение на закрытом технологическом корпусе: протоколы, регламенты, проектная документация, НИОКР.
Объём — ~10 ГБ профильных данных + 500 тыс. QA-пар под инженерные кейсы.
Собственный промышленный бенчмарк: модель уверенно обходит универсальные LLM именно на производственных задачах.
Веса выложены на Hugging Face.
Фактически это первый полноценный пример индустриальной модели, собранной вокруг реальной технологической цепочки, а не вокруг веб-корпуса. Можно попробовать: https://huggingface.co/nn-tech
@cgevent
huggingface.co
nn-tech (nn-tech)
Org profile for nn-tech on Hugging Face, the AI community building the future.
👍1
Forwarded from Neural Shit
Тут исследователи из Пенсильванского университета решили по-взрослому проверить вот эту нашу промпт-инженерную магию. А именно, работает ли трюк "Веди себя как эксперт по...". Ну, т.е. когда вы просите нейронку притвориться профессором квантовой физики, чтобы она лучше ответила на ваш тупой вопрос.
Взяли шесть разных моделей (GPT-4o, GPT-4o-mini, o3-mini, o4-mini, Gemini 2.0 Flash, Gemini 2.5 Flash), навалили им сложнейших вопросов уровня аспирантуры по физике, химии, праву и т.д. и начали эксперимент.
Проверяли три подхода:
Эксперт в теме: просили модельку стать физиком для решения задач по физике.
Эксперт не в теме: просили стать физиком для решения задач по юриспруденции.
Тупой профан: давали роль обывателя, подростка или вообще ребёнка, который только учится ходить.
И знаете что?Это всё почти полная хуйня.
Когда нейронке давали роль эксперта в вопросе, её точность никак существенно не улучшалась. Вообще.
Когда эксперта просили отвечать не по своей теме, результаты иногда становились хуже. Gemini так вообще впадал в экзистенциальный кризис с тряской на повышенной амплитуде и часто отказывался отвечать, заявляя, что "не может с чистой совестью" давать ответ, так как не хватает экспертизы.
Ну а когда модельки просили стать ребенком — они послушно начинали нести дичь и стабильно показывали самые хреновые результаты.
Вывод: все популярные гайды, где советуют начинать промпт с назначения роли эксперта, по ходу, можно сливать в унитаз. Для изменения тона или стиля ответа это работает хорошо, но для повышения фактической точности на сложных задачах абсолютно бесполезно, а иногда даже вредно.
Железка умнее от ваших ролевых игр не становится.
тут подробнее
Взяли шесть разных моделей (GPT-4o, GPT-4o-mini, o3-mini, o4-mini, Gemini 2.0 Flash, Gemini 2.5 Flash), навалили им сложнейших вопросов уровня аспирантуры по физике, химии, праву и т.д. и начали эксперимент.
Проверяли три подхода:
Эксперт в теме: просили модельку стать физиком для решения задач по физике.
Эксперт не в теме: просили стать физиком для решения задач по юриспруденции.
Тупой профан: давали роль обывателя, подростка или вообще ребёнка, который только учится ходить.
И знаете что?
Когда нейронке давали роль эксперта в вопросе, её точность никак существенно не улучшалась. Вообще.
Когда эксперта просили отвечать не по своей теме, результаты иногда становились хуже. Gemini так вообще впадал в экзистенциальный кризис с тряской на повышенной амплитуде и часто отказывался отвечать, заявляя, что "не может с чистой совестью" давать ответ, так как не хватает экспертизы.
Ну а когда модельки просили стать ребенком — они послушно начинали нести дичь и стабильно показывали самые хреновые результаты.
Вывод: все популярные гайды, где советуют начинать промпт с назначения роли эксперта, по ходу, можно сливать в унитаз. Для изменения тона или стиля ответа это работает хорошо, но для повышения фактической точности на сложных задачах абсолютно бесполезно, а иногда даже вредно.
Железка умнее от ваших ролевых игр не становится.
тут подробнее
Ssrn
Prompting Science Report 4: Playing Pretend: Expert Personas Don't Improve Factual Accuracy
<span>
<p><span>This is the fourth in a series of short reports that help business, education, and policy leaders understand the technical details of working w
<p><span>This is the fourth in a series of short reports that help business, education, and policy leaders understand the technical details of working w
👍1
Forwarded from Метаверсище и ИИще (Sergey Tsyptsyn ️️)
От_фундаментальных_моделей_кода_к_агентам_и_приложениям_перевод.pdf
11.6 MB
Перевод "From Code Foundation Models to Agents and Applications: A Practical Guide to Code Intelligence"
Подписчик Сергей Долгов проделал титанический труд - перевел очередной культовый гайд:
https://huggingface.co/papers/2511.18538
Всеобъемлющее руководство по кодированию LLMs, охватывающее их жизненный цикл от курирования данных до деплоя, включая методы, компромиссы и разрывы между научными исследованиями и практикой.
217 страниц отличного перевода, спасибо Сергею.
@cgevent
Подписчик Сергей Долгов проделал титанический труд - перевел очередной культовый гайд:
https://huggingface.co/papers/2511.18538
Всеобъемлющее руководство по кодированию LLMs, охватывающее их жизненный цикл от курирования данных до деплоя, включая методы, компромиссы и разрывы между научными исследованиями и практикой.
217 страниц отличного перевода, спасибо Сергею.
@cgevent
Forwarded from Метаверсище и ИИще (Sergey Tsyptsyn ️️)
Chestnut and Hazelnut ответочка Нанабанане от OpenAI?
Две новых модели генерации картинок засветились на Design Arena and LM Arena.
Твиттор склоняется к тому, что это GPT-Image-2 от OpenAI.
Непонятно пока, что у них под капотом - GPT-4o или уже пятерка.
Запуск ожидается в декабре, либо вместе с GPT-5.2, либо отдельным релизом...
@cgevent
Две новых модели генерации картинок засветились на Design Arena and LM Arena.
Твиттор склоняется к тому, что это GPT-Image-2 от OpenAI.
Непонятно пока, что у них под капотом - GPT-4o или уже пятерка.
Запуск ожидается в декабре, либо вместе с GPT-5.2, либо отдельным релизом...
@cgevent
Forwarded from Метаверсище и ИИще (Sergey Tsyptsyn ️️)
Очень отзывается твит Андрея Карпатого про сущности и симуляции.
Всегда представлял LLM и особенно chatGPT этаким Солярисом, где нет "я", а есть "все мы".
Перевел твит:
Не думайте о LLM как о сущностях, думайте как о симуляторах. Например, при изучении темы не спрашивайте:
«Что ты думаешь про xyz»?
Нет никакого «ты». В следующий раз попробуйте:
«Какая группа людей была бы подходящей для изучения xyz? Что бы они сказали?»
LLM может передавать/симулировать многие точки зрения, но она не «задумывалась» о xyz в течение некоторого времени и с течением времени не сформировала собственное мнение так, как мы привыкли. Если вы заставите ее использовать «ты», он даст вам что-то, приняв вектор личности (personality embedding vector), подразумеваемый статистикой его тонкой настройки (implied by the statistics of its finetuning data), а затем смоделирует это. Это нормально, но в этом гораздо меньше мистики, чем люди наивно приписывают «вопросам к ИИ».
https://x.com/karpathy/status/1997731268969304070
@cgevent
Всегда представлял LLM и особенно chatGPT этаким Солярисом, где нет "я", а есть "все мы".
Перевел твит:
Не думайте о LLM как о сущностях, думайте как о симуляторах. Например, при изучении темы не спрашивайте:
«Что ты думаешь про xyz»?
Нет никакого «ты». В следующий раз попробуйте:
«Какая группа людей была бы подходящей для изучения xyz? Что бы они сказали?»
LLM может передавать/симулировать многие точки зрения, но она не «задумывалась» о xyz в течение некоторого времени и с течением времени не сформировала собственное мнение так, как мы привыкли. Если вы заставите ее использовать «ты», он даст вам что-то, приняв вектор личности (personality embedding vector), подразумеваемый статистикой его тонкой настройки (implied by the statistics of its finetuning data), а затем смоделирует это. Это нормально, но в этом гораздо меньше мистики, чем люди наивно приписывают «вопросам к ИИ».
https://x.com/karpathy/status/1997731268969304070
@cgevent
X (formerly Twitter)
Andrej Karpathy (@karpathy) on X
Don't think of LLMs as entities but as simulators. For example, when exploring a topic, don't ask:
"What do you think about xyz"?
There is no "you". Next time try:
"What would be a good group of people to explore xyz? What would they say?"
The LLM can…
"What do you think about xyz"?
There is no "you". Next time try:
"What would be a good group of people to explore xyz? What would they say?"
The LLM can…
👍1
Forwarded from Machinelearning
Важно не только то, что это доменная модель. Важно каким типом данных её кормили.
Технологические протоколы, регламенты, НИОКР, строй- и проектная документация - это не тексты в привычном ML-смысле.
Это формализованные фрагменты производственного мира: язык процессов, цепочек, ограничений, рисков.
Обучая LLM на таком корпусе, компания фактически создаёт отдельный “data-reality layer”, который универсальные модели просто не видят. И в этом - главная новость.
Появляется новая парадигма: не “адаптируем GPT под домен”, а строим ИИ вокруг индустриального мира как первичного источника данных.
MetalGPT-1 - всего лишь первый пример. Дальше будут модели для химтеха, логистики, энергетики, строительства. У каждой отрасли — собственный язык, собственный датасет, собственная реальность.
И это значит, что domain-first LLM перестают быть экспериментом. Они становятся инфраструктурой.
https://huggingface.co/nn-tech
#llm #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from Machinelearning
This media is not supported in your browser
VIEW IN TELEGRAM
🤖 Boston Dynamics показала работа Atlas, работающего на ИИ-мозге класса “Large Behavior Model”.
Робот выполняет полноценные складские задачи - например, укладывает коробки. Один модуль управляет всем: ходьбой, приседанием, подъёмом, балансом. Навыки не программировали вручную- Atlas научился им по демонстрациям человека.
Это шаг от «заранее прописанных движений» к автономному поведению: единая модель, способная учиться и выполнять сложные моторные задачи.
@ai_machinelearning_big_data
#ai #robots #BostonDynamics
Робот выполняет полноценные складские задачи - например, укладывает коробки. Один модуль управляет всем: ходьбой, приседанием, подъёмом, балансом. Навыки не программировали вручную- Atlas научился им по демонстрациям человека.
Это шаг от «заранее прописанных движений» к автономному поведению: единая модель, способная учиться и выполнять сложные моторные задачи.
@ai_machinelearning_big_data
#ai #robots #BostonDynamics
Forwarded from Machinelearning
Media is too big
VIEW IN TELEGRAM
Компания опубликовала отчет «The state of enterprise AI», который указывает на масштабную трансформацию бизнес-процессов под влиянием ИИ. База корпоративных клиентов превысила 1 миллион организаций, а число Enterprise-мест за год выросло в 9 раз.
Главным трендом стало качественное изменение сценариев использования: потребление ризонинг-токенов подскочило на 320%. Это говорит о том, что бизнес перешел от простых чат-ботов к решению многоступенчатых инженерных и аналитических задач.
Статистика выявила четкую корреляцию между глубиной погружения в технологии и продуктивностью. Сотрудники, использующие GPT-5 Thinking и Deep Research, экономят более 10 часов в неделю, при этом потребляя в 8 раз больше ресурсов модели, чем обычные пользователи. Особенно заметен разрыв в разработке: там генерируют код через ИИ в 17 раз активнее.
openai.com
Model Context Protocol передан организации Agentic AI Foundation, действующей в структуре Linux Foundation. Это стратегический шаг: технология универсального стандарта для подключения ИИ-моделей к внешним базам данных и инструментам, теперь гарантированно останется нейтральной и открытой. Соучредителями нового фонда вместе с Anthropic выступили OpenAI и Block, а поддержку инициативе оказывают Google, Microsoft и AWS.
За год существования MCP добился массовости: протокол используют ChatGPT, Gemini, Claude и VS Code, а число загрузок SDK превысило 97 млн. Переход под эгиду Linux Foundation ставит MCP в один ряд с Kubernetes и PyTorch. Теперь развитие стандарта будет определяться сообществом, что важно для создания совместимой экосистемы ИИ-агентов.
anthropic.com
Власти КНР планируют ввести строгие ограничения на доступ и эксплуатацию Nvidia H200. Это решение готовится на фоне одобрения экспорта данных чипов со стороны администрации США. Несмотря на неожиданный «зеленый свет» из Вашингтона, Пекин демонстрирует осторожность в вопросах использования зарубежного железа.
Конкретные детали и механизмы новых барьеров пока не обнародованы. МИД Китая в ответ на запросы ограничился стандартным заявлением о важности взаимовыгодного сотрудничества, не прояснив судьбу поставок.
ft.com
Google официально подтвердила планы по запуску линейки смарт-очков с ИИ в 2026 году. Техногигант намерен потеснить Марка Цукерберга на этом рынке, объединив усилия с Samsung, Warby Parker и корейским фешн-брендом Gentle Monster.
В разработке находятся 2 типа устройств. Первый вариант - оправа с аудиосистемой для голосового взаимодействия с ИИ, второй - модель с встроенными дисплеями для навигации и перевода в реальном времени. Чтобы сохранить вес и габариты на уровне обычных очков, инженеры решили перенести основную вычислительную нагрузку на сопряженный смартфон.
cnbc.com
В EPFL предложили неожиданное решение для робототехники: использование пищевых отходов в качестве готовых экзоскелетов. В рамках концепции, которую авторы назвали «робототехникой мертвой материи», панцири лобстеров перерабатываются в функциональные механические узлы.
Процесс создания био-гибридов состоит из заполнения оболочки мягким эластомером, установку приводов и покрытия конструкции силиконом, а природная структура панциря обеспечивает идеальный баланс прочности и гибкости. Опытные образцы смогли поднимать вес до 500 граммов и выполнять захват помидора без повреждений.
Инновация решает сразу две задачи: снижает стоимость производства и уменьшает углеродный след, превращая отходы в ресурсы.
news.epfl.ch
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from Machinelearning
⚡ Пентагону приказано готовиться к AGI
На этой неделе на голосование выходит оборонный бюджет на $900 млрд, и внутри есть исторический прецедент.
Впервые Конгресс формально обязал Минобороны США создать к апрелю 2026 года “Комитет по будущему ИИ”.
Его задача - изучать и готовиться к AGI: технологиям, которые могут сравняться или превзойти человека в любых задачах.
Это первый раз, когда военное ведомство США получает прямой мандат анализировать не просто ИИ, а потенциал сверхразумных систем.
Задачи комитета:
1) Изучать продвинутые технологии, которые могут привести к AGI: большие модели, агентные системы, нейроморфные вычисления.
2) Анализировать, как к AGI могут идти Китай, Россия, Иран и Северная Корея, где они могут догнать или опередить США.
3) Сформировать стратегию, где человек остаётся главным.
В законопроекте прямо прописано: Пентагон должен обеспечить механизмы, позволяющие человеку отменять решения ИИ - технически, политически и операционно.
Комитет возглавят заместитель министра обороны и зампред Объединённого комитета начальников штабов, совместно с руководителями видов войск и главным AI-офицером Пентагона.
Итоговый доклад в Конгресс - до января 2027 года.
AGI может прийти через пять лет или через пятьдесят, но США официально начали к нему подготовку.
https://www.perplexity.ai/page/pentagon-ordered-to-form-ai-st-3qDBlb0uS0SHVH5mHEjxJw
@ai_machinelearning_big_data
#ml #ai #agi
На этой неделе на голосование выходит оборонный бюджет на $900 млрд, и внутри есть исторический прецедент.
Впервые Конгресс формально обязал Минобороны США создать к апрелю 2026 года “Комитет по будущему ИИ”.
Его задача - изучать и готовиться к AGI: технологиям, которые могут сравняться или превзойти человека в любых задачах.
Это первый раз, когда военное ведомство США получает прямой мандат анализировать не просто ИИ, а потенциал сверхразумных систем.
Задачи комитета:
1) Изучать продвинутые технологии, которые могут привести к AGI: большие модели, агентные системы, нейроморфные вычисления.
2) Анализировать, как к AGI могут идти Китай, Россия, Иран и Северная Корея, где они могут догнать или опередить США.
3) Сформировать стратегию, где человек остаётся главным.
В законопроекте прямо прописано: Пентагон должен обеспечить механизмы, позволяющие человеку отменять решения ИИ - технически, политически и операционно.
Комитет возглавят заместитель министра обороны и зампред Объединённого комитета начальников штабов, совместно с руководителями видов войск и главным AI-офицером Пентагона.
Итоговый доклад в Конгресс - до января 2027 года.
AGI может прийти через пять лет или через пятьдесят, но США официально начали к нему подготовку.
https://www.perplexity.ai/page/pentagon-ordered-to-form-ai-st-3qDBlb0uS0SHVH5mHEjxJw
@ai_machinelearning_big_data
#ml #ai #agi
Forwarded from Бэкдор
Генерим топовые презентации на ЛЮБУЮ тему — релизнулась опен-сорсная нейронка Paper2Slides, которая превратит всевозможные данные в красочные отчеты с инфографикой, слайдами и понятным текстом. Сложнейшие научные статьи поймут даже пятиклассники.
• Извлекает ключевые идеи исследований, делает саммари текстов и размещает их на слайде, чтобы зрителям было комфортно и понятно.
• Выдает крутейшие презентации с приятным визуалом, подбирает шрифты и типографику.
• Поддерживает все популярные форматы файлов: PDF, Word, Excel, PowerPoint и другие.
• Работает очень шустро — преза на два десятка слайдов вылетает за секунды.
• Устанавливается за один клик — не нужно долго ждать и совершать кучу манипуляций. Нажал — установил.
😶 😶 😶 😶 😶 😶 😶 😶 😶
Юзаем — тут.
👍 Бэкдор
• Извлекает ключевые идеи исследований, делает саммари текстов и размещает их на слайде, чтобы зрителям было комфортно и понятно.
• Выдает крутейшие презентации с приятным визуалом, подбирает шрифты и типографику.
• Поддерживает все популярные форматы файлов: PDF, Word, Excel, PowerPoint и другие.
• Работает очень шустро — преза на два десятка слайдов вылетает за секунды.
• Устанавливается за один клик — не нужно долго ждать и совершать кучу манипуляций. Нажал — установил.
Юзаем — тут.
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
👍2
Forwarded from CodeCamp
Годнота для любителей писать от руки: Google выкатили штуку, которая превращает фотки твоих каракулей в полноценные цифровые чернила 😘
Это не банальный OCR, а полноценная конвертация в вектор. Нейронка на базе Vision Transformer и mT5 анализирует фото и перерисовывает его в цифровом виде, сохраняя стиль, но делая его редактируемым📝
Как это работает:
— Никаких «умных ручек» или планшетов, достаточно просто сфоткать бумажный блокнот;
— Система игнорирует сложный фон, клетки и помятость бумаги;
— На выходе получаете векторные пути (digital ink), которые можно править, стирать и двигать;
— Самое вкусное — по этим записям начинает работать поиск (Ctrl+F в бумажной тетради📝 ).
Расчехляем тетрадки👌
Это не банальный OCR, а полноценная конвертация в вектор. Нейронка на базе Vision Transformer и mT5 анализирует фото и перерисовывает его в цифровом виде, сохраняя стиль, но делая его редактируемым
Как это работает:
— Никаких «умных ручек» или планшетов, достаточно просто сфоткать бумажный блокнот;
— Система игнорирует сложный фон, клетки и помятость бумаги;
— На выходе получаете векторные пути (digital ink), которые можно править, стирать и двигать;
— Самое вкусное — по этим записям начинает работать поиск (Ctrl+F в бумажной тетради
Расчехляем тетрадки
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
👍1
Forwarded from Machinelearning
This media is not supported in your browser
VIEW IN TELEGRAM
🦾 IR-SIM - открытый, легковесный Python-симулятор роботов для навигации, управления и обучения с подкреплением
IR-SIM даёт простой способ моделировать роботов, сенсоры и окружения без сложной инфраструктуры и дорогого железа. Подходит для учебных и исследовательских задач, быстрых экспериментов и прототипирования алгоритмов.
Что умеет:
• Симулировать роботов с разной кинематикой, сенсорами и поведением.
• Настраивать сцены через простые YAML-файлы без долгого программирования.
• Визуализировать результаты через встроенный визуализатор на matplotlib - удобно для отладки и понимания.
• Поддерживать столкновения и кастомные политики поведения объектов.
• Работать в мульти-агентных сценариях и проектах по Reinforcement Learning.
Подойдет, когда нужно быстро испытать алгоритм, обучить модель, протестировать динамику робота или создать учебный проект без тяжёлых фреймворков и симуляторов.
IR-SIM включает примеры использования, показывающие навигацию, взаимодействие объектов, визуализацию и сценарии RL - отличный старт для студентов, исследователей и разработчиков автономных систем.
https://github.com/hanruihua/ir-sim
@ai_machinelearning_big_data
#python #robotics #simulation #RL #reinforcementlearning #ai #opensource
IR-SIM даёт простой способ моделировать роботов, сенсоры и окружения без сложной инфраструктуры и дорогого железа. Подходит для учебных и исследовательских задач, быстрых экспериментов и прототипирования алгоритмов.
Что умеет:
• Симулировать роботов с разной кинематикой, сенсорами и поведением.
• Настраивать сцены через простые YAML-файлы без долгого программирования.
• Визуализировать результаты через встроенный визуализатор на matplotlib - удобно для отладки и понимания.
• Поддерживать столкновения и кастомные политики поведения объектов.
• Работать в мульти-агентных сценариях и проектах по Reinforcement Learning.
Подойдет, когда нужно быстро испытать алгоритм, обучить модель, протестировать динамику робота или создать учебный проект без тяжёлых фреймворков и симуляторов.
IR-SIM включает примеры использования, показывающие навигацию, взаимодействие объектов, визуализацию и сценарии RL - отличный старт для студентов, исследователей и разработчиков автономных систем.
https://github.com/hanruihua/ir-sim
@ai_machinelearning_big_data
#python #robotics #simulation #RL #reinforcementlearning #ai #opensource