#unrealneural
Исследователи разработали модель ИИ с 27 миллионами параметров, вдохновлённую мозгом, использующую иерархическую обработку, стабильную сходимость, приблизительный градиент, глубокое наблюдение и адаптивное вычислительное время. Её эффективность может заключаться в превосходящей производительности при меньших вычислительных затратах по сравнению с моделями вроде o3-mini и R1, особенно в задачах с длительным контекстом и последовательной обработкой.

https://arxiv.org/abs/2506.21734

#unrealneural
Sakana AI: как превратить идеи в реальные технологии

В интервью от 29 июля команда Sakana AI рассказала, зачем они создали новую Applied Team: чтобы не просто проводить исследования, а делать из них работающие решения для бизнеса.

Фокус — на том, чтобы учёные и инженеры работали вместе над практическими задачами, а не «в теории».

Ключевые методы, которые использует Applied Team Sakana AI:
1. Связь между исследованием и продуктом
Applied Team служит мостом между командой фундаментальных исследований и реальными кейсами применения. Задача — быстро адаптировать и тестировать идеи из лаборатории в продуктах.

2. Работа в «малых, но автономных» командах
Каждая мини-группа отвечает за полный цикл: от идеи до внедрения. Это ускоряет эксперименты и принятие решений.

3. Совместное проектирование с конечными пользователями
Команда активно работает с потенциальными заказчиками и промышленными партнёрами, чтобы точно понимать реальные потребности и ограничения.

4. Итеративный подход: MVP → Feedback → Refinement
Быстрая разработка минимального жизнеспособного решения (MVP), сбор обратной связи и доработка на основе реального опыта.

5. Инженеры = соавторы решений, а не просто исполнители
Инженеры вовлечены в осмысление, как использовать конкретную технологию, а не просто реализуют готовое ТЗ.

Исследования, которые не пылятся на полке — а меняют индустрию.
https://sakana.ai/applied-team-interview-2025/

#unrealneural #пытаюсьпонять
Кто на самом деле изобрёл сверточные нейронные сети (CNN)?

В 1980 году Кунихико Фукусима предложил неокогнитрон — первую архитектуру с иерархией свёрток и pooling, инвариантную к смещению.
Лишь через 10 лет Лекун добавил обучение с учителем, но фундамент был заложен в Японии.

Многие идеи в ИИ созданы давно — сегодня мы не изобретаем, а масштабируем то, что раньше казалось невозможным.🤗
https://www.rctn.org/bruno/public/papers/Fukushima1980.pdf

#unrealneural
LLM pdf

LLM может работать внутри pdf файла 🤗

https://github.com/EvanZhouDev/llm.pdf

#unrealneural
OASIS — масштабируемый симулятор соцсетей с открытым кодом! Использует крупные языковые модели для реалистичной имитации поведения до 1 млн пользователей на платформах вроде Twitter и Reddit. Можно симулировать изучать социальные явления: распространение информации, групповая поляризация, стадное поведение. Универсальный инструмент для анализа цифровой динамики и взаимодействия пользователей!

https://github.com/camel-ai/oasis

#unrealneural
FastWan

Генерация 5-секундного видео всего за 5 секунд

https://fastwan.fastvideo.org/

#unrealneural
3D-R1 на Hugging Face

3D-R1 — это универсальная модель с открытым исходным кодом, которая улучшает логику 3D VLM для унифицированного понимания сцены.
https://huggingface.co/papers/2507.23478

#unrealneural
Прорыв в зрительно-моторной политике через обучение на видеоданных

Можно ли обучить зрительно-моторную политику только на видеосъёмке? Новая статья показывает, что обучение созданию видео без данных о действиях обеспечивает мощное обобщение для новых задач!

* Зрительно-моторная политика — это алгоритм ИИ, который связывает визуальные данные (видео, изображения) с действиями, позволяя роботам или системам выполнять задачи, такие как движение или манипуляция объектами, на основе того, что они "видят".
https://arxiv.org/abs/2508.00795

#вкопилкуэрудита #unrealneural #пытаюсьпонять
Новый механизм внимания, Dynamic Sparse Attention.

Авторы провели обширную оценку, которая показала хорошую производительность. С помощью DSA модель генерирует маску внимания, а эффективное ядро экономит вычисления.
https://arxiv.org/pdf/2508.02124