Подписывайтесь 👉 @techno_yandex
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
❤178🔥79👍62👎19😁18🦄6👏3🤔2
Media is too big
VIEW IN TELEGRAM
Марк Цукерберг попробовал Apple Vision Pro и поделился своими мыслями об устройстве. Вот лишь одна цитата:
Мы перевели ролик на русский с помощью Яндекс Браузера и кратко пересказали с помощью его новой функции, работающей на базе YandexGPT.
А вы согласны с тем, что сказал Цукерберг? Пишите в коментарии👇
Компания Meta признана экстремистской организацией и запрещена в РФ
@techno_yandex
Я не просто думаю, что Quest лучше по соотношению цены и качества, я думаю, что Quest — лучший продукт и точка.
Мы перевели ролик на русский с помощью Яндекс Браузера и кратко пересказали с помощью его новой функции, работающей на базе YandexGPT.
А вы согласны с тем, что сказал Цукерберг? Пишите в коментарии👇
Компания Meta признана экстремистской организацией и запрещена в РФ
@techno_yandex
😁207👍105🥱31🔥19❤16👎16🦄5
🤖🤝🧑 LLM-агенты, работающие на базе больших языковых моделей (LLM), могут стать следующим большим прорывом в области нейросетей, поскольку станут своего рода личными помощниками, которых можно адаптировать под разные потребности.
Подобно человеку в мастерской, LLM-агенты берут те инструменты, которые им нужны для выполнения задачи, предварительно разработав план её решения. Этим они отличаются от простых нейросетевых чат-ботов, которые могут лишь генерировать текст в ответ на текстовый запрос пользователя.
Сценариев использования LLM-агентов множество. Один из самых ярких недавних примеров — Rabbit R1. Это небольшой гаджет с микрофоном, камерой и экраном. У него есть доступ к системе, которая может автономно взаимодействовать с сайтами напрямую, распознавая элементы интерфейса подобно людям, а не используя API. Например, его можно попросить заказать билеты, и он сам найдёт нужный сайт, введёт данные и дойдёт до экрана оплаты.
Подписывайтесь 👉 @techno_yandex
Не пропускайте новости Яндекса тут @yandex
Подобно человеку в мастерской, LLM-агенты берут те инструменты, которые им нужны для выполнения задачи, предварительно разработав план её решения. Этим они отличаются от простых нейросетевых чат-ботов, которые могут лишь генерировать текст в ответ на текстовый запрос пользователя.
Сценариев использования LLM-агентов множество. Один из самых ярких недавних примеров — Rabbit R1. Это небольшой гаджет с микрофоном, камерой и экраном. У него есть доступ к системе, которая может автономно взаимодействовать с сайтами напрямую, распознавая элементы интерфейса подобно людям, а не используя API. Например, его можно попросить заказать билеты, и он сам найдёт нужный сайт, введёт данные и дойдёт до экрана оплаты.
Подписывайтесь 👉 @techno_yandex
Не пропускайте новости Яндекса тут @yandex
👍97🔥33❤18👎7🦄4
А вы знали, что в Яндекс Станциях есть пасхалки?
Недавно мы рассказывали, что скрытые послания на платах устройств — давняя традиция среди инженеров. Пришло время признаться, что пасхалки есть и в наших устройствах.
Показываем некоторые из них, чтобы вам не пришлось разбирать свою Станцию (так лучше не делать, чтобы не лишаться гарантии). Пишите в комментариях свои предположения о том, какой смысл заложен в каждой пасхалке!
Подписывайтесь 👉 @techno_yandex
Недавно мы рассказывали, что скрытые послания на платах устройств — давняя традиция среди инженеров. Пришло время признаться, что пасхалки есть и в наших устройствах.
Показываем некоторые из них, чтобы вам не пришлось разбирать свою Станцию (так лучше не делать, чтобы не лишаться гарантии). Пишите в комментариях свои предположения о том, какой смысл заложен в каждой пасхалке!
Подписывайтесь 👉 @techno_yandex
👍249🔥72❤50😁16🤩13🥱9🦄9👎7👏5🤯5
Вот как сгенерируют две похожие картинки, тогда и поговорим
Вот как научатся генерировать анимацию, тогда и поговорим
Вот как научатся реалистично, тогда и поговорим
Вот как будут генерировать ролики, тогда и поговорим
––––––––––––––––––––––––––
Вы находитесь здесь
––––––––––––––––––––––––––
Вот как сгенерируют фильм, тогда и поговорим
Вот как получит «Оскар», тогда и поговорим
Все видео в этом посте сгенерированы по текстовым запросам с помощью новой нейросети SORA от OpenAI.
Подписывайтесь 👉 @techno_yandex
Вот как научатся генерировать анимацию, тогда и поговорим
Вот как научатся реалистично, тогда и поговорим
Вот как будут генерировать ролики, тогда и поговорим
––––––––––––––––––––––––––
Вы находитесь здесь
––––––––––––––––––––––––––
Вот как сгенерируют фильм, тогда и поговорим
Вот как получит «Оскар», тогда и поговорим
Все видео в этом посте сгенерированы по текстовым запросам с помощью новой нейросети SORA от OpenAI.
Подписывайтесь 👉 @techno_yandex
🤯220🔥111👍38😁38❤20😨13👎8🦄6🕊2🤩1
Forwarded from Яндекс
Media is too big
VIEW IN TELEGRAM
В наших устройствах есть не только технологии, но и скрытые послания от разработчиков. Показываем, какие пасхалки команда умных устройств оставляет в Станциях, а главное — зачем они это делают и какой смысл заложен в каждой из них.
Подписывайтесь
Please open Telegram to view this post
VIEW IN TELEGRAM
❤300👍135🔥51😁15👎10🥱9🦄8🤩5🤔2🕊2
Media is too big
VIEW IN TELEGRAM
Главной техноновостью недели стал анонс нейросети Sora, генерирующей видео по текстовому описанию. Разработчикам из OpenAI удалось совершить прорыв в качестве генерации: многие из роликов, которые показала компания, настолько реалистичны, что отличить их от настоящих можно, только если вглядываться в детали.
Sora основана на архитектуре трансформер, но токены в ней кодируют не слова, а фрагменты кадров видео. При генерации она использует метод диффузии, создающий картинки из визуального шума. Примечательно, что OpenAI рассматривает Sora не только как инструмент для генерации видео, но и как важный шаг на пути к созданию качественной симуляции физического мира.
Пока OpenAI предоставила доступ к Sora только профессионалам в области создания визуального контента, а также специалистам по выявлению рисков и нежелательного поведения нейросетей. Анонс нейросети породил много опасений насчёт развития дипфейков, поэтому вполне вероятно, что выход Sora в общий доступ состоится нескоро.
Другие новости недели, которые показались нам интересными:
Google представила языковую модель Gemini 1.5 Pro. По качеству работы она находится на уровне Gemini 1.0 Ultra и GPT-4, но работает быстрее и расходует меньше ресурсов благодаря архитектуре MoE. А ещё модель получила контекстное окно размером в миллион токенов (у GPT-4 Turbo оно составляет 128 тысяч токенов). Это позволяет нейросети проанализировать в одном запросе всю трилогию «Властелин колец».
Nvidia выпустила приложение для локального запуска языковых моделей. В него встроены две открытые модели: Mistral и Llama 2 13B. Приложение поддерживает работу с локальными файлами и веб-страницами, например, чат-боту можно задать вопрос про содержимое документа.
OpenAI начала тестировать долгосрочную память в ChatGPT. Чат-бот будет запоминать важные факты о пользователе, чтобы учитывать их при генерации ответов. При этом данные можно удалить в настройках.
Подписывайтесь 👉 @techno_yandex
Не пропускайте новости Яндекса тут @yandex
Please open Telegram to view this post
VIEW IN TELEGRAM
👍156❤31🔥26🤯10👎7🤩6
🔎🌐 Всего 30 лет назад поиск в сети выглядел совсем иначе. Рассказываем, как люди справлялись без поисковиков.
Люди вручную искали и отправляли друг другу информацию
До появления Всемирной паутины (WWW) сетями-предшественниками в основном пользовались научные и государственные учреждения — они обменивались сообщениями и передавали файлы. В 1980-х ответ на интересующий вопрос можно было получить от других пользователей сети Юзнет, а скачать интересующий файл — на FTP-сервере (но нужно было знать его адрес).
Все ссылки хранились на одном сайте
В начале 1990-х поиск в интернете ограничивался info.cern.ch — первым сайтом в истории. Владелец нового сайта отправлял ссылку создателю Всемирной паутины Тимоти Бернерсу-Ли, а тот определял её в одну из категорий каталога, где ссылку могли найти другие пользователи. Этот каталог превратился в WWW Virtual Library, первую виртуальную библиотеку ссылок.
Люди изучали каталоги сайтов, боты их наполняли
К середине 1993 года в мире существовало несколько сотен сайтов, и вместе с этим появился спрос на библиотеки страниц. В июне 1993-го такой список под названием What’s New выпустили создатели браузера Mosaic, а в августе появился гид по интернету — Global Network Navigator. В том же 1993 году Мэтью Грэй из MIT придумал бота World Wide Web Wanderer, который сканировал все сайты в интернете, наполняя базу данных Wandex.
Люди начали пользоваться поисковиками
В 1994 году студент Вашингтонского университета Брайан Пинкертон запустил WebCrawler — первую в мире поисковую систему, которая искала заданное слово по веб-страницам. Это понравилось людям, и в 1995 году появился поисковик AltaVista — он искал запросы, сформулированные на естественном языке. А в 1997-м появилась поисковая машина Яndex-Web. Она индексировала рунет, который на тот момент состоял из пяти тысяч сайтов.
Подписывайтесь 👉 @techno_yandex
Не пропускайте новости Яндекса тут @yandex
Люди вручную искали и отправляли друг другу информацию
До появления Всемирной паутины (WWW) сетями-предшественниками в основном пользовались научные и государственные учреждения — они обменивались сообщениями и передавали файлы. В 1980-х ответ на интересующий вопрос можно было получить от других пользователей сети Юзнет, а скачать интересующий файл — на FTP-сервере (но нужно было знать его адрес).
Все ссылки хранились на одном сайте
В начале 1990-х поиск в интернете ограничивался info.cern.ch — первым сайтом в истории. Владелец нового сайта отправлял ссылку создателю Всемирной паутины Тимоти Бернерсу-Ли, а тот определял её в одну из категорий каталога, где ссылку могли найти другие пользователи. Этот каталог превратился в WWW Virtual Library, первую виртуальную библиотеку ссылок.
Люди изучали каталоги сайтов, боты их наполняли
К середине 1993 года в мире существовало несколько сотен сайтов, и вместе с этим появился спрос на библиотеки страниц. В июне 1993-го такой список под названием What’s New выпустили создатели браузера Mosaic, а в августе появился гид по интернету — Global Network Navigator. В том же 1993 году Мэтью Грэй из MIT придумал бота World Wide Web Wanderer, который сканировал все сайты в интернете, наполняя базу данных Wandex.
Люди начали пользоваться поисковиками
В 1994 году студент Вашингтонского университета Брайан Пинкертон запустил WebCrawler — первую в мире поисковую систему, которая искала заданное слово по веб-страницам. Это понравилось людям, и в 1995 году появился поисковик AltaVista — он искал запросы, сформулированные на естественном языке. А в 1997-м появилась поисковая машина Яndex-Web. Она индексировала рунет, который на тот момент состоял из пяти тысяч сайтов.
Подписывайтесь 👉 @techno_yandex
Не пропускайте новости Яндекса тут @yandex
🔥164👍110❤41🦄10🤩8👎5🤔1
📚🤖 Датасеты состоят из информации, на основе которой алгоритмы учатся распознавать объекты, находить закономерности, прогнозировать результаты и делать множество других вещей. В массив могут входить фотографии, тексты, аудио и вообще любые данные, которые можно показать машине.
Чтобы превратить данные в датасет, нужно провести их разметку, то есть присвоить каждой единице информации определённую характеристику. При разметке учитывается какой-то признак — местоположение, связь с другими объектами, принадлежность к определённой категории и так далее. Например, чтобы нейросеть научилась распознавать животных, её необходимо обучить на датасете, в котором у фотографий кошек будет подпись «кошка», у фотографий собак — подпись «собака» и так далее (вот тут можно понять, как это работает).
Датасеты создавали и до появления нейросетей: ирисы Фишера — это знаменитый набор данных, позволяющий классифицировать виды ирисов в зависимости от их размеров. Другой известный пример, уже из компьютерной эры, — база данных ImageNet. Она состоит из миллионов изображений с описаниями. Её используют для отработки технологий машинного зрения.
Чем больше датасет и чем качественнее разметка — тем более эффективным будет обучение нейросети. Сбор и разметка крупных массивов данных — это длительный и сложный процесс, поэтому разработчики часто используют готовые датасеты, имеющиеся в открытом доступе.
Подписывайтесь 👉 @techno_yandex
Не пропускайте новости Яндекса тут @yandex
Чтобы превратить данные в датасет, нужно провести их разметку, то есть присвоить каждой единице информации определённую характеристику. При разметке учитывается какой-то признак — местоположение, связь с другими объектами, принадлежность к определённой категории и так далее. Например, чтобы нейросеть научилась распознавать животных, её необходимо обучить на датасете, в котором у фотографий кошек будет подпись «кошка», у фотографий собак — подпись «собака» и так далее (вот тут можно понять, как это работает).
Датасеты создавали и до появления нейросетей: ирисы Фишера — это знаменитый набор данных, позволяющий классифицировать виды ирисов в зависимости от их размеров. Другой известный пример, уже из компьютерной эры, — база данных ImageNet. Она состоит из миллионов изображений с описаниями. Её используют для отработки технологий машинного зрения.
Чем больше датасет и чем качественнее разметка — тем более эффективным будет обучение нейросети. Сбор и разметка крупных массивов данных — это длительный и сложный процесс, поэтому разработчики часто используют готовые датасеты, имеющиеся в открытом доступе.
Подписывайтесь 👉 @techno_yandex
Не пропускайте новости Яндекса тут @yandex
👍137❤28🦄11🔥9😐5👎3
Если бы история пошла по альтернативному пути, вы бы могли видеть такие символы каждый день. Как думаете, что это? Пишите свои догадки в комментариях.
Подписывайтесь 👉 @techno_yandex
Подписывайтесь 👉 @techno_yandex
🤔126👍32🔥12❤10🥱8👎3🦄3