Разработчики из MIT создали модель ИИ, которая учится работать в САПР, просто наблюдая за действиями дизайнеров. Также они собрали открытый набор данных, который можно использовать для обучения собственных моделей

Как учили модель
Записали 41+ тысяч видео, где видно каждый клик и движение мыши в САПР. Получился датасет VideoCAD — он в 20 раз детальнее аналогов.

Что может ИИ
Модель берёт 2D-скетч и самостоятельно выполняет в САПР всю последовательность действий — кликает, выбирает инструменты, выдавливает — превращая эскиз в 3D-модель.

Что из этого получится
В перспективе (а разработкой уже заинтересовался Autodesk) получится копилот для проектировщика, который ускорит рутину, поможет новичкам и будет предлагать следующие шаги в моделировании.

Репозиторий на Гитхабе
Натренированная модель тут.

Небольшое разъяснение по Cocoon.

В проекте в качестве "майнеров" могут участвовать только владельцы дорогих карт (H100+) по причине необходимости наличия СС - Confidential Computing.

Это функция песочницы, которая позволяет обеспечить изоляцию данных от владельца железа.

Список совместимых карт можно посмотреть тут
Потребительских там нет, сразу говорю.
Так что все 4090,5090 и даже DGX Spark, похоже в пролёте.

#Cocoon #mining
———
@tsingular

💡 Как подготовить план обустройства «умного дома»

📋 ПРОМПТ ДНЯ:

Роль: Ты — стратег автоматизации жилого пространства с экспертизой в домашних IoT-системах и бюджетном планировании

Ситуация: Я [технический специалист/не разбирающаяся в технологиях домохозяйка] и хочу автоматизировать дом. Хочу создать осмысленную экосистему, которая действительно улучшит качество жизни, а не станет набором бесполезных гаджетов. Проблема в том, что постоянно откладываю начало — изучаю обзоры, сравниваю решения, но не могу начать. Застреваю в параличе выбора и страхе ошибиться с вложениями.

Задача: Проанализируй мою ситуацию и создай черновой план автоматизации дома на ближайший квартал. Разбей процесс на конкретные микрошаги — от определения приоритетных зон до первой покупки. Каждый шаг должен быть настолько простым, чтобы его невозможно было отложить.

Формат ответа:
— Черновик квартального плана с разбивкой по неделям
— Каждая неделя содержит 1-2 атомарных действия (не более 30 минут на выполнение)
— Контрольные точки для оценки прогресса
— Бюджетная раскладка с приоритизацией по фазам
— Критерии «осмысленности» каждого элемента системы

Ограничения:
— Избегай технического максимализма — фокус на реальной пользе, не на технологиях ради технологий
— Не предлагай шаги требующие больше 1 часа единовременно — только микродействия
— Каждый шаг должен иметь очевидный результат, чтобы поддерживать мотивацию

Сначала задай мне 3-5 уточняющих вопроса о моих приоритетах, текущей инфраструктуре и конкретных болях в быту, затем создай персонализированный план

⚙️ ПРИЁМ:
Декомпозиция — Дробя масштабную задачу на микрошаги длительностью до 30 минут, ты снимаешь когнитивную нагрузку и лишаешь мозг возможности включить режим прокрастинации — каждое действие становится слишком простым, чтобы его откладывать

#промпты #дом #автоматизация
------
@tsingular

DeepSeek V3.2 и V3.2 Speciale

На бенчах показывает крайне сильный перформанс, сравнимый с GPT-5 High. Модель использует DeepSeek Sparse Attention, заметно более эффективно работающий с длинным контекстом.

V3.2 Speciale, версия с повышенным использованием компьюта, местами обходит Gemini 3 Pro Preview, но использует при этом заметно больше токенов (но учитывая разницу в цене, Speciale всё равно в разы дешевле). К тому же Speciale достигает той же золотой медали на IMO что и DeepSeek Math V2, но не останавливается на этом и выдаёт перформанс на уровне золотой медали ещё и на международной олимпиаде по информатике (IOI).

Модели уже доступны в чате и API. В API DeepSeek теперь доступен тулюз для ризонера. Цена на модели не изменилась и остаётся $0.28/$0.42 за миллион токенов. DeepSeek V3.2 Speciale будет временно доступна в API без тулюза до 15 декабря.

Веса V3.2
Веса V3.2 Speciale
Техрепорт

@ai_newz

#юмор #DeepSeek #карусель
———
@tsingular

🎬 Runway Gen-4.5: новый король видеогенерации

Runway выкатили Gen-4.5 — модель, которая сейчас на первом месте в бенчмарке Artificial Analysis Text to Video с 1,247 Elo.

Что умеет:
- Динамичная генерация действий с точным контролем
- ВременнАя консистентность (персонажи не "плывут" между кадрами)
- Скорость Gen-4 при качестве следующего поколения
- Прорыв в эффективности pre-training данных
- Продвинутые post-training техники

Режимы (скоро):
- Image to Video
- Keyframes
- Video to Video
И другие контролы из Gen-4

Цены остались на уровне Gen-4 — доступно на всех тарифах.

тут

Пора карусельку для видеомоделей делать :)

#Runway #нейрорендер
———
@tsingular

DeepSeek не AGI.

Венок сонетов не выдюжил.
рифма - мимо
связь последней и первой строки соседних сонетов - мимо
магистрал - мимо

Полная версия

#сонет #DeepSeek #тест
———
@tsingular

Шедевр :)
Сохраним.

Хорошего настроения всем :)

#юмор #обезьяны #нейрорендер
------
@tsingular

DeepSite - генератор сайтов от HuggingFace с хостингом

У HuggingFace вышел конкурент Lovable -платформа для вайбкодинга веб сайтов с возможностью автоматического разворачивания, бесплатного хостинга, бесшовной интеграцией с моделями на HuggingFace и подключением их железа для генерации различного контента с ИИ.

Для генерации сайтов можно использовать различные модели на выбор:
DeepSeek V3, Qwen3, Kimi K2, GLM 4.6, Minimax M2.

Идеально для стартапов, прототипов и пет-проектов

#huggingface #deepsite #dev
———
@tsingular

Magentic-UI от Microsoft - локальный Manus

Майкрософт опубликовали интересный фреймворк - Magentic-UI исследовательский прототип веб-агента с человеком в контуре.

В основе AutoGen с мультиагентной оркестрацией: главный Orchestrator управляет специализированными агентами (WebSurfer, Coder, FileSurfer, UserProxy).

Взаимодействие через accessibility tree плюс скриншоты через новую модель Fara 7B.

Всё крутится в изолированных Docker-контейнерах с ограничением доступа к доменам — без утечек креденшелов и кук.

На бенчмарке WebVoyager успешность задач составила 72-82% в зависимости от модели (человек справляется на 95.7%).

Средняя задержка на действие — 6.8 секунд.


Аналог Manus от Майкрософта, получается, да еще и в оупенсорс!

#MagenticUI #AutoGen #WebAgent #Fara #opensource
———
@tsingular

Pagespeed-MCP-Server: прокачиваем агента-разработчика

Многие же наверное пользуются https://pagespeed.web.dev/ для проверки сайтов на скорость загрузки и типовые ошибки при разработке.

Вам будет полезно:

Нашел MCP-сервер для получения данных PageSpeed.
Тянет метрики скорости загрузки, предупреждения и рекомендации, SEO анализ, оценивает читабельность и оптимизацию ресурсов.

Т.е. теперь Курсор после доработки может сам проверить страницу на все эти метрики и поправить что не так.

Обязательный инструмент в коллекции Курсора и любого ИИ разраба фронтэнда.

Добавляем тут

#MCP #PageSpeed
———
@tsingular

💡 Запусти ИИ-проект для своего хобби, при условии тотальной нехватки ресурсов и времени

📋 ПРОМПТ ДНЯ:

Роль: Ты — архитектор минималистичных ИИ-проектов, специализирующийся на запуске работающих прототипов в условиях жёстких ограничений по времени и ресурсам.

Ситуация: Я разработчик/дизайнер с базовыми знаниями ИИ и ИТ-инструментов. У меня есть идея для хобби-проекта с применением ИИ, но я хочу реализовать его максимально быстро и с минимальными вложениями. Главная проблема — я не знаю, с чего начать, чтобы не увязнуть в изучении теории, не потратить месяцы на эксперименты и не разочароваться на полпути.

Задача: Помоги мне спроектировать реализуемый ИИ-проект для хобби, используя минималистичное мышление. Покажи, как достичь работающего результата с минимальным набором инструментов, технологий и временных затрат — без перфекционизма, но с конкретным выхлопом.

Формат ответа:
— Серия из 5-7 целевых вопросов для уточнения моей идеи и контекста
— На основе ответов: минимальный стек (1-2 инструмента), пошаговый план на 3-4 вечера, метрика готовности («проект работает, если...»)
— Укажи одну критическую точку, где большинство бросает, и как её пройти

Ограничения:
— Никаких сложных ML-фреймворков или обучения моделей с нуля — только готовые API и no-code/low-code решения
— Фокус на быстром результате: от идеи до работающего прототипа за 6-10 часов суммарно
— Без избыточной теории — только действия, которые приближают к цели

Сначала задай мне 5-7 уточняющих вопросов о моей идее, навыках и доступном времени, затем предложи конкретный план действий.

⚙️ ПРИЁМ:

Ограничение ресурса (Constraint-driven prompting) — Когда ты явно задаёшь жёсткие рамки (время, инструменты, сложность), ИИ фокусируется на практичных решениях вместо идеальных, что даёт реализуемый результат вместо теоретических рассуждений

#промпты #хобби #стартап
------
@tsingular

ИИ научили искать преступления в звонках заключённых

Компания Securus натренировала языковую модель на семи годах записей телефонных разговоров из тюрем Техаса.

Система ищет в разговорах признаки планируемых преступлений и уже тестируется в реальных учреждениях.

ИИшка тренируется с учётом сленга, кодовых слов, сарказма и многозначности и данных свершившихся инцидентов.

Реально пора запускать список фильмов, которые раньше были фантастическими, а стали документалкой.
Тут чисто Особое мнение на подходе (Minority Report)

#Securus #Prison #особоемнение #minorityreport
———
@tsingular

Альтман объявил «code red» в OpenAI из-за Google

Сэм Альтман разослал внутреннее письмо сотрудникам OpenAI с призывом срочно улучшить ChatGPT.

Причина — Gemini 3 от Google показывает впечатляющие результаты: 41% на тесте Humanity's Last Exam против 26.5% у GPT-5.1, 95% точности в математике без инструментов.

Однако OpenAI откладывает запуск рекламы, покупательских инструментов и персонального ассистента Pulse, фокусируясь на базовых улучшениях: персонализация, скорость ответов, надёжность.

При этом компания уже вложила $1.15 трлн в инфраструктуру до 2035 года, но по прогнозам HSBC останется убыточной до 2030-го с дефицитом в $207 млрд.

Месячная аудитория Gemini выросла с 450М до 650М пользователей за три месяца, пока активность в приложении ChatGPT упала на 22.5%.

Радует, что пользователи от этого всего только выиграют.
Модели, которые мы знаем сегодня,- самые слабые в свете будущего, что нас ждёт.

#OpenAI #Gemini #Google
———
@tsingular

Transformers v5: PyTorch, новый API и конец TensorFlow

Hugging Face выпустил пятую версию библиотеки Transformers — крупнейший рефакторинг за всю историю проекта.

Главное изменение: полный отказ от TensorFlow и JAX. Теперь только PyTorch.

Упростили поддержку кода при сохранении совместимости с экосистемой (vLLM, SGLang, llama.cpp).

Новый WeightConverter API упрощает загрузку моделей с квантизацией и параллелизмом. Теперь можно комбинировать MoE + квантизацию или Tensor Parallelism + MoE.

Упростили токенизацию: убрали дублирование «быстрых» и «медленных» токенизаторов.

#Transformers #PyTorch #dev
------
@tsingular

Code Intelligence 2025: руководство по кодовым агентам от ByteDance.

ByteDance решили не отставать от Гугла и выкатили свой гайд как нужно варить агентов.
Полное руководство на 300 страниц, поэтому даю выжимку для тех, у кого времени нет:

Суть: Мы переходим от эпохи AI-Assisted (где ИИ — это автодополнение, как Copilot) к эпохе AI-Driven/Autonomous (где ИИ — это агенты, выполняющие инженерные задачи целиком).

1. Главные тренды в моделях
- Специализация рулит: Общие LLM (GPT-4o) хороши, но специализированные "Code LLMs" (DeepSeek-Coder-V3, Qwen2.5-Coder, StarCoder2) часто эффективнее и дешевле в деплое.

- Архитектура: Все уходят в MoE (Mixture-of-Experts). Это стандарт для баланса между огромными знаниями и скоростью инференса.

- Контекст: Окно контекста растет (128k – 1M+ токенов). Модели теперь "видят" не один файл, а весь репозиторий (Repository-Level Understanding).

2. Секреты обучения (Training Recipes)
- RLVR (Reinforcement Learning with Verifiable Rewards): Это новый Грааль. Вместо простого RLHF (где оценивает человек), используют RL на юнит-тестах. Если код скомпилировался и прошел тесты — модель получает награду. Это позволяет моделям "рассуждать" и самопроверяться (как серия OpenAI o1/o3 или DeepSeek-R1).

- Данные: Просто парсить GitHub уже мало (там много мусора). Фокус сместился на синтетические данные высокого качества и строгую фильтрацию (дедупликация, проверка лицензий, удаление PII).

3. Агенты (SWE Agents)
- Сдвиг парадигмы: ИИ теперь не просто пишет функцию, а берет на себя роль Software Engineer.
- Цикл: Планирование -> Кодинг -> Тестирование -> Дебаг -> Деплой.
- Инструменты: Агенты активно юзают терминал, браузер и MCP (Model Context Protocol) для подключения к внешним тулзам.
- Примеры: OpenHands, Devin, SWE-Agent.

4. Бенчмарки (Как измеряют крутость)
- HumanEval устарел: Он слишком простой, модели щелкают его на 90%+.
- Новый стандарт — SWE-bench: Это реальные задачи (Issues) из популярных open-source репозиториев. Если модель может закрыть реальный тикет на GitHub - она крутая.
- LiveCodeBench: Тесты на задачах с соревнований (LeetCode, Codeforces), вышедших после обучения модели, чтобы исключить заучивание.

5. Безопасность (Safety)
- Проблема: Модели, обученные на GitHub, отлично воспроизводят уязвимости (SQL-инъекции, XSS), потому что в обучающей выборке много плохого кода.
- Решение: Обычные фильтры не помогают. Нужен Safety Post-training — дообучение модели на "безопасный код" и защита от атак (джейлбрейков через обфускацию кода).

Итого для практика:
Если вы внедряете ИИ в разработку: смотрите в сторону инструментов, которые умеют работать с контекстом всего проекта (Cursor, Windsurf) и агентных решений, способных самостоятельно запускать код и тесты.

Эпоха простого "чат-бота для кода" заканчивается, начинается эпоха автономных инженеров.

#ByteDance #guide #обучение
———
@tsingular

Прогресс за 2 года :)

Ноябрь 2023

#MUD #юмор
———
@tsingular

Небольшая иллюстрация как можно из боковой генерации вытащить персонажа

#JSON #обучение #lifehack
———
@tsingular