Meta обновила Brain2Qwerty — систему, которая переводит активность мозга в текст без импланта.

Первая версия вышла в 2025 году. Она уже умела восстанавливать набранные предложения по EEG/MEG-сигналам, но с важным ограничением: модели нужно было знать точное время каждого нажатия клавиши.

То есть это был не полноценный brain-to-text в реальном времени, а декодирование по мозговой активности в контролируемом сценарии.

Во второй версии Meta убрала это ограничение: Brain2Qwerty v2 генерирует предложения напрямую из непрерывной MEG-записи.

Цифры по v2:

• 9 участников
• около 22 000 предложений
• 61% точности по словам в среднем
• 78% у лучшего участника
• код v1/v2 открыт на GitHub

Это всё ещё лабораторная технология. Нужен MEG-сканер, персональные данные и контролируемая среда.

Но прогресс понятный: от восстановления текста с подсказкой по нажатиям — к прямому декодированию предложений из мозгового сигнала.

Код в открытом доступе:
https://github.com/facebookresearch/brain2qwerty

Июльский график AI/ML‑ивентов в Москве

Agentic Dev Conf — конференция про агентную разработку и будущее IT‑профессий.
3 июля, Loft Hall #4.

AI Weekends — два дня практических воркшопов по внедрению AI‑агентов.
4–5 июля, Loft Hall #4.

DUC meetup /5 — митап Deckhouse: домашняя инфраструктура и AI‑агенты для Kubernetes.
8 июля, People Loft.

Data Day 2026 — форум «AI + Data» для финтеха, агропрома, ритейла и других отраслей.
9 июля, «Бизнес. Техноград».

AI Hardcore Set — встреча для тех, кто работает с MCP и агентами, четыре доклада и нетворкинг. 11 июля, офис Авито.

Turbo ML Conf 2026 — бесплатная конференция от Тинькофф по ML, LLM и живым кейсам.
18 июля, ДК «Серп и Молот».

Я создала девушку, которой не существует

За один вечер. Без камеры, без фотографа, без модели — только нейросети и ноутбук.

Что я делала:
→ арендовала сервер с видеокартой
→ поставила нейросеть Flux
→ сгенерировала ей лицо
→ обучила ИИ быть одинаковой на всех фото

Звучит сложно? На деле — 1 вечер.

Я собрала весь путь в пошаговый гайд: сервисы, готовые промпты, секрет реализма, точные настройки. Повторишь, даже если никогда этим не занимался.

📕 Гайд (890₽, первым 10 — 390₽):
👉 [ССЫЛКА]


Сохрани, если хочешь свою AI-модель 🤍

🧶 И немного хакатонного мерча — сделала стикерпак «Научный клубок».
Добавить стикеры в Telegram

Галлюцинации LLM и как их ловят


Галлюцинация — это когда модель генерирует фактически неверное утверждение, но подаёт его как уверенный ответ.
LLM не ищет истину. Она предсказывает следующий токен:

P(token | context)

На каждом шаге модель выдаёт логиты — сырые оценки для всех токенов словаря. После softmax они превращаются в вероятности:

logits → softmax → probabilities → next token

Если распределение уверенное, один токен сильно доминирует.
Если распределение размытое, много токенов имеют близкие вероятности.
На этом строятся методы детекции риска галлюцинаций:
1. Logprobs
Можно смотреть вероятность каждого сгенерированного токена.
Если модель пишет конкретный факт — имя, дату, название статьи, — но токены имеют низкие logprobs, это сигнал риска.
Но важно: высокий logprob не доказывает истинность. Модель может уверенно воспроизводить ложный паттерн.
2. Entropy
Энтропия показывает неопределённость распределения токенов.
H(p) = -Σ p(x) log p(x)
Высокая энтропия = модель не имеет явного фаворита для следующего токена.
Упрощённо это можно посчитать так:

import numpy as np

logits = np.array([2.4, 1.2, 0.3, -0.7])  # сырые выходы модели

probs = np.exp(logits) / np.exp(logits).sum()

logprobs = np.log(probs)
entropy = -np.sum(probs * logprobs)

print("probabilities:", probs)
print("logprobs:", logprobs)
print("entropy:", entropy)

Если один токен доминирует, entropy будет низкой.
Если вероятности размазаны по нескольким токенам, entropy будет высокой.
В production это можно использовать как risk score: если на фактических утверждениях энтропия высокая, ответ нужно проверять.
3. Self-consistency
Один и тот же запрос прогоняют несколько раз с разными параметрами: temperature, top_p, seed.
Если факты плавают — даты, числа, имена, ссылки — это не знание, а генерация вероятных вариантов.
4. Semantic entropy
Обычная энтропия смотрит на токены. Но разные фразы могут означать одно и то же.
Semantic entropy группирует несколько ответов по смыслу.
Если формулировки разные, но смысл один — риск ниже.
Если модель генерирует разные факты — риск выше.
5. RAG attribution
В RAG-системах недостаточно просто подать документы в контекст.
Нужно проверить, что каждый важный claim реально поддержан retrieved chunk.
Нормальная схема:

query → retrieval → chunks → generation → claim verification → citation check

Если утверждение есть в ответе, но его нет в найденных фрагментах, оно помечается как unsupported.
Главный вывод:
галлюцинации нельзя надёжно ловить одной метрикой.
Рабочий подход — комбинация сигналов:
logprobs + entropy + self-consistency + semantic entropy + claim extraction + RAG attribution
Модель генерирует вероятный текст. Фактом он становится только после привязки к проверяемому источнику.
#ai #llm