😸Филимон подготовил свежий отчет

Telegram заблокировал более 200 тысяч групп и каналов за 16 февраля. Это самый высокий показатель с 23 января, а всего с февраля мессенджер заблокировал почти 2 миллиона групп и каналов.

📊По данным Главстата:
За вчера инфоповод набрал 5,5 млн. просмотров. С учетом текущей динамики ожидается, что сегодня количество просмотров превысит отметку 7 млн. Большая часть пользователей — 83% — поддержали такое решение.

В комментариях, по традиции, собрались те, кому есть что сказать
80% — негатив, 15% — нейтраль, 5% — позитив.

Telegram усиливает контроль над контентом, но остается открытым вопрос — смогут ли такие мероприятия повлиять на риски возможной блокировки мессенджера в России👀

😸Филимон продолжает искать новые инфоповоды

😸Филимон обнаружил — у OpenClaw конкурент

Китайские разработчики выпустили свой аналог OpenClaw, которому нужно всего 10 МБ ОЗУ.

Легковесный проект PicoClaw:
🔹полный контроль мессенджеров: ваш личный секретарь в Telegram и Discord
🔹Deep Web Search: ходит по коду сайтов и обрабатывает только нужные данные
🔹поддерживает любые нейронные сети: GPT, Gemini, Claude
🔹манипуляция файлами: пишет, читает и правит конфигурции на вашем диске прямо через консоль
🔹умеет мониторить новости, цены на товары и курсы валют по расписанию

📊По данным Главстата:
Пик интереса — 16 февраля, 38 тыс. просмотров. За весь период инфоповод набрал почти 55 тыс. просмотров.

В комментариях — опасения, связанные с таким технологическим прогрессом
80% — негатив, 15% — нейтраль, 5% — позитив.

💡Недавно Питер Штайнбергер, создатель OpenClaw, официально устроился на работу в OpenAI. Сам проект OpenClaw при этом перевели в формат независимого фонда и обещают поддерживать как open-source.

😸Филимон убежал готовить материал для следующего поста

😸Филимон с забавной теорией

Китайский робот компании XPENG так похож на человека, что публика начала подозревать, что внутри сидит человек, но это робот!

Презентация робота прошла еще в январе, однако на русскоязычных платформах обсуждение началось позже.

📊По данным Главстата:
За вчерашний день инфоповод набрал 281 тыс. просмотров. Источниками почти 99,6% всех просмотров оказались лишь два канала. Вместе с тем — 68% положительных реакций

На суммарные 329 тыс. просмотров пришелся один комментарий👀

😸Филимон убегает готовиться к празднику и желает хороших выходных!

😸Филимон с разбором новой статьи

В статье OmniOCR: Generalist OCR for Ethnic Minority Languages авторы представили OmniOCR — первый универсальный OCR (Optical Character Recognition) фреймворк, ориентированный на языки этнических меньшинств с сложными и разнородными системами письма.

Большинство существующих OCR-моделей хорошо работают только с популярными письменностями, такими как латиница или китайский. Языки меньшинств часто имеют сложные визуальные структуры, ограниченные размеченные данные и смешанные формы, что делает распознавание крайне сложным.

Что предлагают авторы?
OmniOCR — система, которая умеет распознавать текст на изображениях для редких языков с необычной письменностью. Она строится на мощной языково-визуальной модели RolmOCR, которая уже умеет понимать связь между картинкой и текстом. Чтобы модель могла эффективно учиться на ограниченных данных, авторы добавили динамический LoRA-модуль: модель решает, сколько ресурсов использовать на каждую часть задачи и каждый слой, чтобы не переобучиться и при этом быстро освоить новые символы.

Чего удалось добиться и как?
Модель научилась распознавать сложные и необычные символы меньшинств, оставаясь компактной и не требуя огромных вычислительных ресурсов.
🔹Гибкость в настройке силы обучения — модель сама решает, где нужно учиться сильнее
🔹Настройка блоков, которые анализируют форму символов — благодаря этому модель лучше понимает, как выглядят сложные знаки и из каких элементов они состоят
🔹Настройка механизма внимания — модель учится правильно смотреть на символ, выделяя его важные смысловые части, не отвлекаясь на фон или шум

🔸LLM обеспечивает базовые визуально-языковые представления. Модель уже умеет сопоставлять изображение и текст и обладает общими знаниями о структуре символов. LoRA отвечает за точечную адаптацию этой модели под конкретные письменности. Вместо полного переобучения он вносит небольшие, контролируемые изменения в параметры.

🎯Результаты
OmniOCR протестирован на четырех наборах данных: TibetanMNIST, Ancient Yi, Shui и Dongba. Модель значительно превосходит базовые подходы: точность распознавания достигает 90–96%, что на 39–66% выше, чем у стандартных моделей. При этом OmniOCR остается компактным и экономным по памяти.

😸Филимон продолжает работать