#unrealneural
Как новый эволюционный алгоритм Sakana AI создает мощные модели ИИ без дорогостоящего переобучения

Статья посвящена новому эволюционному алгоритму Model Merging of Natural Niches (M2N2), разработанному японской лабораторией Sakana AI. Этот метод позволяет улучшать возможности ИИ-моделей без дорогостоящего переобучения или тонкой настройки. M2N2 объединяет параметры нескольких специализированных моделей в одну, более мощную, сохраняя их сильные стороны. Алгоритм подходит для разных типов моделей, включая большие языковые модели (LLM) и генераторы изображений.
https://venturebeat.com/ai/how-sakana-ais-new-evolutionary-algorithm-builds-powerful-ai-models-without-expensive-retraining/

#unrealneural #ЛабораторияИИ #AILAB
Туториал 2. Генерация с помощью Nano Banana + KLING 2.1

1. Загружаем исходное изображение
2. Создаем различные ракурсы с помощью Nano Banana
3. Комбинируем ракурсы с помощью KLING 2.1 keyframes
4. Монтируем все вместе

#unrealneural
CAD-GPT

CAD-GPT — метод синтеза САПР с использованием MLLM, улучшенного на основе пространственного мышления, который в качестве входных данных использует либо одно изображение, либо текстовое описание.
https://www.semanticscholar.org/reader/51a8d15cb89f7a754cca514ffc32825ab5e5fa74

#unrealneural
From text to design

End-to-end проектирование и оптимизация механических компонентов с генерацией кода ИИ в Rhino Grasshopper

https://www.cambridge.org/core/services/aop-cambridge-core/content/view/5BD8D63CFCED28BDD7A01313162FFBE7/S2732527X25102034a.pdf/from_text_to_design_a_framework_to_leverage_llm_agents_for_automated_cad_generation.pdf

#unrealneural
Может ли ИИ помочь понять, как мозг учится видеть мир?

Исследование об этом
arxiv.org/pdf/2508.18226

#unrealneural

PXDesign — это модельный комплекс для de novo проектирования белков-связывателей, включающий генератор на основе диффузии (PXDesign-d) и доверительные модели Protenix и AF2-IG для отбора кандидатов. Для шести белковых мишеней PXDesign обеспечивает 20–73% наномолярных связывателей и демонстрирует 2–6-кратное улучшение по сравнению с базовыми методами, такими как AlphaProteo.

protenix.github.io/pxdesign/

#unrealneural
Реал тайм видео генерация в Krea.ai
Новые видео с тестам новой функции. Очень жду эту фичу ⚡️⚡️⚡️

#unrealneural
SceneFactor

Модель диффузии для генерации 3д сцен, в частности интерьеров. Основная фишка - это инструменты контроля генерации и легкая возможность редактирования. Исходный код появился
https://github.com/alexeybokhovkin/SceneFactor

#unrealneural
Набор инструментов для оперативной промпт-инженерии задач NLP с LLM.

https://github.com/promptslab/Promptify

#unrealneural

Drawing2CAD

Последовательное обучение созданию САПР на основе векторных чертежей

https://huggingface.co/papers/2508.18733

#unrealneural #AILAB #ЛабораторияИИ #пытаюсьпонять

Переосмысление цели генеративного обучения

В генеративном моделировании существует дилемма: итерационные диффузионные модели дают высокую точность, но требуют больших вычислений, а модели с малым числом шагов ограничены качеством. Конфликт между шагами и качеством возникает из-за узких целей обучения, фокусирующихся на предсказании конечной точки.
Transition Model - новая парадигма — адаптируется к произвольным шагам, переходя от одиночных скачков к тонкой настройке.

https://huggingface.co/papers/2509.04394

#ЛабораторияИИ #AILAB #unrealneural
Субботний ИИ пленер

#unrealneural
OpenVision 2 на Hugging Face

Новое семейство генеративных визуальных кодеров, упрощающих многомодальное предварительное обучение.

Достижение в 1,5 раза более быстрого обучения, 1. 8x меньшего объема памяти и масштабирования до параметров 1B+.

https://huggingface.co/papers/2509.01644

#unrealneural
«Малые языковые модели — будущее агентного ИИ»

В статье говорят о том, что малые языковые модели SLM являются достаточно мощными, операционно удобными и экономичными для решения агентных задач.

#unrealneural
Symbolic Graphics Programming with Large Language Models

Новая статья исследует возможности больших языковых моделей в создании символьных графических программ (SVG) из текстовых описаний, вводя бенчмарк SGP-GenBench для оценки качества генерации. Используя обучение с подкреплением и верифицируемые награды, авторы значительно улучшили производительность модели Qwen-2.5-7B, достигнув уровня передовых систем. Исследование показывает, что символьная графика помогает лучше понять, как модели интерпретируют визуальный мир.

https://huggingface.co/papers/2509.05208

#unrealneural
MiniCPM4.1-8B

Рассуждение LLM с тренируемым разреженным вниманием, с параметрами 8B, поддерживает слияние мышления, кодирование приложения Gradio для Vibe в AnyCode

https://huggingface.co/spaces/akhaliq/MiniCPM4.1-8B

#unrealneural #AILAB #ЛабораторияИИ #вкопилкуэрудита

Парадокс "Комнаты Мари" — мысленный эксперимент Фрэнка Джексона (1982) о природе сознания и субъективного опыта. Мари, учёная, знает всё о цвете (физика, нейрофизиология), но живёт в чёрно-белой комнате и никогда не видела цвета. Увидев красный помидор, узнаёт ли она что-то новое?

Парадокс "Комнаты Мари" показывает, что если учёная Мари, зная всё о цвете, но никогда не видевшая его, узнаёт что-то новое, увидев красный помидор, это оспаривает физикализм, утверждая, что субъективный опыт (квалиа) не сводится к физическим фактам. В контексте ИИ это ставит вопрос, может ли ИИ, зная всё о цвете или эмоциях, испытывать их, или он ограничен симуляцией, не обладая сознанием. Противники физикализма считают, что квалиа уникальны, тогда как сторонники утверждают, что знание Мари уже включает ощущение в другой форме.

Парадокс подчёркивает разрыв между обработкой данных ИИ и человеческим опытом, что важно для обсуждений пределов ИИ, его способности достичь сознания, этических вопросов, связанных с принятием решений без квалиа, и разработки интерпретируемого ИИ. Даже продвинутый ИИ, вероятно???, не способен переживать субъективный опыт, что ограничивает его в имитации человеческого сознания.