This media is not supported in your browser
VIEW IN TELEGRAM
🧩 Mirage 2 от Dynamics Lab
Новая версия позволяет превратить одно изображение или даже текстовый промпт в полноценный игровой мир прямо в браузере, где игрок может менять окружение на лету с помощью текста.
✨ Ключевая идея — нейросимулятор, который предсказывает следующий кадр и состояние игры из того, что игрок видит и делает. Это объединяет рендеринг и действия в одном цикле.
🎮 Как это работает:
- Загрузите скетч или фото → система превращает его в лэйаут, материалы и физику.
- Движок добавляет персонажа с базовыми действиями: бег, прыжок, атака.
- Язык выступает интерфейсом управления: можно в реальном времени сменить сеттинг (вестерн → город → киберпанк) без прерывания игры.
⚡ Технические детали:
- Задержка ~200 мс — ощущения отклика в реальном времени.
- Горизонт взаимодействия — 10+ минут до накопления дрейфа.
- Работает на одной потребительской GPU → дешевле для тестов и масштабирования.
🌍 Главное:
- Не ограничен жанром, можно делиться созданными мирами мгновенно.
- Недочёты: иногда неточная анимация на поворотах и визуальные «подёргивания» при резкой смене сцены (частично решается корректным промптом).
👏 Важно, что Mirage 2 уже доступен онлайн и вышел всего через месяц после первой версии, в отличие от многих исследовательских прототипов, которые так и не стали публичными.
https://blog.dynamicslab.ai/
Новая версия позволяет превратить одно изображение или даже текстовый промпт в полноценный игровой мир прямо в браузере, где игрок может менять окружение на лету с помощью текста.
✨ Ключевая идея — нейросимулятор, который предсказывает следующий кадр и состояние игры из того, что игрок видит и делает. Это объединяет рендеринг и действия в одном цикле.
🎮 Как это работает:
- Загрузите скетч или фото → система превращает его в лэйаут, материалы и физику.
- Движок добавляет персонажа с базовыми действиями: бег, прыжок, атака.
- Язык выступает интерфейсом управления: можно в реальном времени сменить сеттинг (вестерн → город → киберпанк) без прерывания игры.
⚡ Технические детали:
- Задержка ~200 мс — ощущения отклика в реальном времени.
- Горизонт взаимодействия — 10+ минут до накопления дрейфа.
- Работает на одной потребительской GPU → дешевле для тестов и масштабирования.
🌍 Главное:
- Не ограничен жанром, можно делиться созданными мирами мгновенно.
- Недочёты: иногда неточная анимация на поворотах и визуальные «подёргивания» при резкой смене сцены (частично решается корректным промптом).
👏 Важно, что Mirage 2 уже доступен онлайн и вышел всего через месяц после первой версии, в отличие от многих исследовательских прототипов, которые так и не стали публичными.
https://blog.dynamicslab.ai/
Страх утечки убивает доверие к ИИ.
Мы понимаем, что технологии могут облегчить жизнь: обработать таблицы, структурировать тексты, автоматизировать задачи. Но каждый раз, когда речь заходит о конфиденциальных данных, возникает барьер. Ведь стоит им оказаться в чужой системе — и назад их уже не вернуть.
25 августа в 19:00 (МСК) karpovꓸcourses проведут вебинар «Как обрабатывать конфиденциальные данные с помощью ИИ». Вы увидите, как запускать локальные модели и подключать к ним собственные данные. Все работает прямо на вашем компьютере, и только вы решаете, кто получит доступ к информации.
Спикер — Павел Зуриев, руководитель ИТ-проектов по внедрению ИИ в бизнес-процессы.
Сделайте шаг к безопасной работе с ИИ: https://clc.to/erid_2W5zFJ4PYsJ
Реклама. ООО "КАРПОВ КУРСЫ". ИНН 7811764627. erid: 2W5zFJ4PYsJ
Мы понимаем, что технологии могут облегчить жизнь: обработать таблицы, структурировать тексты, автоматизировать задачи. Но каждый раз, когда речь заходит о конфиденциальных данных, возникает барьер. Ведь стоит им оказаться в чужой системе — и назад их уже не вернуть.
25 августа в 19:00 (МСК) karpovꓸcourses проведут вебинар «Как обрабатывать конфиденциальные данные с помощью ИИ». Вы увидите, как запускать локальные модели и подключать к ним собственные данные. Все работает прямо на вашем компьютере, и только вы решаете, кто получит доступ к информации.
Спикер — Павел Зуриев, руководитель ИТ-проектов по внедрению ИИ в бизнес-процессы.
Сделайте шаг к безопасной работе с ИИ: https://clc.to/erid_2W5zFJ4PYsJ
Реклама. ООО "КАРПОВ КУРСЫ". ИНН 7811764627. erid: 2W5zFJ4PYsJ
Forwarded from Machinelearning
Media is too big
VIEW IN TELEGRAM
Google начала масштабное развертывание диалогового поискового режима AI Mode для 180 стран. Ранее функция работала только в США, Великобритании и Индии. Пока доступен только английский язык, а страны Евросоюза в список не вошли из-за строгих правил в области данных и ИИ.
Вместе с географическим расширением Google представила первую агентную возможность в AI Mode. Теперь пользователи в США могут находить и бронировать столики в ресторанах через платформы OpenTable и Resy, прямо из поисковой выдачи. В будущем планируется добавить бронирование билетов и запись на услуги. Эта функция пока доступна только подписчикам платного тарифа Google AI Ultra.
9to5google.com
Компания анонсировала бета-версию платформы Game Worlds, на которой пользователи в реальном времени могут создавать и исследовать полностью сгенерированных персонажей, сюжеты и окружения.
Одновременно с этим Runway добавила в свой продукт Act-Two новую функцию «Voices». Она дает возможность подбирать и настраивать голоса для ИИ-персонажей.
Эти нововведения - часть стратегии компании по демократизации создания иммерсивного контента, делая его доступным для авторов без специальных навыков в программировании или анимации.
RunwayML в сети X
В сети появились фото тестовых образцов следующего поколения ИИ-архитектуры Jaguar Shores. Размер корпуса 92,5 мм на 92,5 мм, он включает 4 отдельных кристалла и 8 площадок памяти HBM, что явно указывает на платформу для высокопроизводительных вычислений.
Jaguar Shores станет первым стоечным решением Intel, планируется использование памяти HBM4 от SK Hynix и совместная работа с будущими процессорами Xeon Diamond Rapids.
wccftech.com
NVIDIA выпустила Streaming Sortformer - модель для диаризации речи, которая мгновенно определяет и маркирует участников разговора в реальном времени с низкой задержкой.
Модель оптимизирована для английского и китайского языков, способна отслеживать до 4 говорящих одновременно и предназначена для работы на GPU. По результатам тестов, Streaming Sortformer показывает более низкий уровень ошибок (DER) по сравнению с конкурирующими решениями.
Streaming Sortformer подойдет для применения в колл-центрах, при создании протоколов встреч и в интерактивных голосовых приложениях, где важно точно знать, кто, что и когда сказал. Модель доступна на Hugging Face.
developer.nvidia.com
AMD выпустила новейшую технологию масштабирования изображения FidelityFX Super Resolution 4 (FSR 4). Это часть обновления FidelityFX SDK 2.0, где AMD впервые внедряет алгоритм апскейлинга на основе машинного обучения для улучшения качества графики и производительности в играх.
По сравнению с предыдущей версией 3.1, FSR 4 показывает улучшения в детализации изображения и временной стабильности, а также снижает артефакты гостинга движущихся объектов. FSR 4 поддерживается только видеокартами AMD Radeon RX 9000 серии и выше на архитектуре RDNA 4 и требует DirectX 12. AMD также предоставила плагины FSR 4 для Unreal Engine версий 5.1–5.6.
gpuopen.com
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
Save the date: 28 августа 18:00 мск — RecSys Meetup!
Будем обсуждать всё самое актуальное из мира рекомендательных систем: от передовых архитектур для Semantic IDs и их внедрения в продакшн до тонкостей балансировки интересов пользователей и продавцов маркетплейса с помощью онлайн-доранжирования и байесовской оптимизации.
📅 Когда: 28 августа, начало в 18:00
📍 Где: Москва + онлайн-трансляция
🗓 Программа митапа:
«Semantic IDs: архитектура и наш опыт внедрения»
👨💻 Александр Тришин, DS Stream Lead (персональные рекомендации)
— Ключевые архитектуры Semantic IDs (RQ-VAE, RQ-KMeans).
— Опыт внедрения в продакшн: динамика каталога, поддержка стабильности представлений.
— Применение Semantic IDs в рекомендательных моделях для повышения качества рекомендаций.
«Счастье пользователя vs счастье продавца. Онлайн-доранжирование и байесовская оптимизация»
👨💻 Андрей Ветров, Data Scientist (товарные рекомендации)
— Способы учитывать интересы и пользователей, и продавцов.
— Онлайн-доранжирование и байесовская оптимизация как способ найти баланс и повысить эффективность маркетплейса.
«Как мы обучаем CLIP-ы для текстовых тегов»
👨💻 Михаил Киндулов, Stream Lead (Поиск по фото)
— Обучение CLIP-моделей на большом объёме данных в Wildberries & Russ.
— Применение CLIP для задачи автоматического подбора текстовых тегов к изображениям.
«Трансформеры в персональных рекомендациях: от гипотез до AB-тестирования»
👨💻 Иван Ващенко, DS Team Lead (персональные рекомендации)
— Опыт использования BERT4Rec на главной странице Wildberries.
— Проверка гипотез в offline и nearline процессах.
— Head-to-head AB-тесты, онлайн-инференс на Triton.
— Баланс между оффлайн-метриками и реальным онлайн-эффектом.
📝 Регистрация уже открыта!
⚡️ Для участия в офлайн-формате регистрация обязательна.
Будем обсуждать всё самое актуальное из мира рекомендательных систем: от передовых архитектур для Semantic IDs и их внедрения в продакшн до тонкостей балансировки интересов пользователей и продавцов маркетплейса с помощью онлайн-доранжирования и байесовской оптимизации.
📅 Когда: 28 августа, начало в 18:00
📍 Где: Москва + онлайн-трансляция
🗓 Программа митапа:
«Semantic IDs: архитектура и наш опыт внедрения»
👨💻 Александр Тришин, DS Stream Lead (персональные рекомендации)
— Ключевые архитектуры Semantic IDs (RQ-VAE, RQ-KMeans).
— Опыт внедрения в продакшн: динамика каталога, поддержка стабильности представлений.
— Применение Semantic IDs в рекомендательных моделях для повышения качества рекомендаций.
«Счастье пользователя vs счастье продавца. Онлайн-доранжирование и байесовская оптимизация»
👨💻 Андрей Ветров, Data Scientist (товарные рекомендации)
— Способы учитывать интересы и пользователей, и продавцов.
— Онлайн-доранжирование и байесовская оптимизация как способ найти баланс и повысить эффективность маркетплейса.
«Как мы обучаем CLIP-ы для текстовых тегов»
👨💻 Михаил Киндулов, Stream Lead (Поиск по фото)
— Обучение CLIP-моделей на большом объёме данных в Wildberries & Russ.
— Применение CLIP для задачи автоматического подбора текстовых тегов к изображениям.
«Трансформеры в персональных рекомендациях: от гипотез до AB-тестирования»
👨💻 Иван Ващенко, DS Team Lead (персональные рекомендации)
— Опыт использования BERT4Rec на главной странице Wildberries.
— Проверка гипотез в offline и nearline процессах.
— Head-to-head AB-тесты, онлайн-инференс на Triton.
— Баланс между оффлайн-метриками и реальным онлайн-эффектом.
📝 Регистрация уже открыта!
⚡️ Для участия в офлайн-формате регистрация обязательна.
Forwarded from Machinelearning
Большие данные - это топливо для ИИ. Но как их использовать, чтобы не нарушить приватность, например датасета, где есть персональные данные?
Один из вариантов - метод дифференциально-приватного отбора. Он выбирает из огромного набора уникальные элементы так, чтобы нельзя было соотнести их с конкретным человеком. А если данных - больше миллиарда? Для этого нужен более надежный подход.
Таким алгоритмом стал Max Adaptive Degree (MAD), представленный Google на ICML 2025. Он не только эффективнее других параллельных методов, но и работает с наборами данных на десятки и сотни миллиардов записей.
Но тут появляется новая проблема - популярные элементы получают избыточный вес, который можно было бы использовать для менее частых, но ценных данных.
MAD решает ее с помощью адаптивного взвешивания, перераспределяя вес: забирает часть у популярных элементов и отдает тем, чьи значения уже находятся у порога. Это позволяет отобрать больше полезных данных без потери приватности.
Простой пример: представьте 100 пользователей, у каждого по 3 элемента. Один элемент (A) есть у всех, а остальные элементы уникальны. В базовом алгоритме элемент A получит слишком много веса (намного больше необходимого), а уникальные элементы - слишком мало. MAD "забирает" часть веса у A и распределяет его между уникальными элементами, давая им шанс пройти порог.
Метод можно использовать в несколько итераций, публикуя промежуточные результаты с шумом. Так можно еще точнее распределять вес между раундами.
В первом раунде запускается MAD как обычно, а во втором удаляются уже найденные элементы и те, которые явно не пройдут порог. Для остальных элементов применяется "смещение" веса на основе данных первого раунда.
На практике MAD показал отличные результаты. Всего за 2 этапа он отобрал больше полезных элементов, чем другие методы. Например, в Common Crawl (800 млрд. записей) он выбрал набор слов, который покрыл 99.9% всех записей и 97% уникальных слов с полным соблюдением приватности.
@ai_machinelearning_big_data
#AI #ML #Selection #MAD #Google
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
This media is not supported in your browser
VIEW IN TELEGRAM
Это топ Google сделали свою хайповую нейронку Veo 3 бесплатной на все выходные
Заходит сюда — жмём плюс и выбираем генерацию видео.
Ограничение:всего три видео .
Заходит сюда — жмём плюс и выбираем генерацию видео.
Ограничение: