#unrealneural
Новая совместная работа Nvidia и Калифорнийского университета в Сан-Диего создает автоматизированный способ анализа крупных областей исследований и указания направлений дальнейшей работы.
Он автоматизирует высококачественные полевые исследования и отслеживание тенденций.
Исследования развиваются слишком быстро, чтобы люди могли отслеживать более 10 000 статей в год.
Авторы создают Real Deep Research — конвейер, который собирает статьи из ведущих источников, фильтрует тематику с помощью целевых подсказок и превращает каждую статью в компактное структурированное резюме.
Для базовых моделей он регистрирует входные данные, моделирование, выходные данные, цель и рецепт обучения, то есть данные о том, как работает модель, что она производит, чему она учится и как она обучается.
В робототехнике регистрируются данные с датчиков, тела, сочленений, пространства для действий и окружающей среды, которые в совокупности описывают, как робот чувствует, двигается и действует в мире.
Он встраивает эти резюме в виде векторов, чтобы схожие работы группировались вместе.
Затем он автоматически создает опросы, отображает тенденции тем с течением времени и связывает кластеры по разным областям.
Он также поддерживает семантический поиск, благодаря которому новички получают высококачественные начальные работы.
В экспертных парных тестах система достигает среднего рейтинга 1,30 и побеждает во многих поддоменах.
Анализ тенденций показывает рост телеуправления и ловкого манипулирования, в то время как классическое обучение с подкреплением замедляется.
Исследователи получают актуальную карту, быструю ориентацию и конкретные точки входа.
https://arxiv.org/abs/2510.20809
Новая совместная работа Nvidia и Калифорнийского университета в Сан-Диего создает автоматизированный способ анализа крупных областей исследований и указания направлений дальнейшей работы.
Он автоматизирует высококачественные полевые исследования и отслеживание тенденций.
Исследования развиваются слишком быстро, чтобы люди могли отслеживать более 10 000 статей в год.
Авторы создают Real Deep Research — конвейер, который собирает статьи из ведущих источников, фильтрует тематику с помощью целевых подсказок и превращает каждую статью в компактное структурированное резюме.
Для базовых моделей он регистрирует входные данные, моделирование, выходные данные, цель и рецепт обучения, то есть данные о том, как работает модель, что она производит, чему она учится и как она обучается.
В робототехнике регистрируются данные с датчиков, тела, сочленений, пространства для действий и окружающей среды, которые в совокупности описывают, как робот чувствует, двигается и действует в мире.
Он встраивает эти резюме в виде векторов, чтобы схожие работы группировались вместе.
Затем он автоматически создает опросы, отображает тенденции тем с течением времени и связывает кластеры по разным областям.
Он также поддерживает семантический поиск, благодаря которому новички получают высококачественные начальные работы.
В экспертных парных тестах система достигает среднего рейтинга 1,30 и побеждает во многих поддоменах.
Анализ тенденций показывает рост телеуправления и ловкого манипулирования, в то время как классическое обучение с подкреплением замедляется.
Исследователи получают актуальную карту, быструю ориентацию и конкретные точки входа.
https://arxiv.org/abs/2510.20809
👍5⚡1🔥1
Media is too big
VIEW IN TELEGRAM
#unrealneural
Seed3D 1.0 генерирует 3D-объекты с полной геометрией, материалами и текстурами из одного изображения с точностью, которую можно использовать для обучения роботов.
https://seed.bytedance.com/en/seed3d
Seed3D 1.0 генерирует 3D-объекты с полной геометрией, материалами и текстурами из одного изображения с точностью, которую можно использовать для обучения роботов.
https://seed.bytedance.com/en/seed3d
10👍3⚡1🤯1
#unrealneural
Черная дыра Млечного Пути, Стрелец A* (Sgr A*), вращается почти на пределе, дозволенном законами физики, и направлена ребром к Земле. Новый анализ данных телескопа Event Horizon Telescope (EHT) показал, что Sgr A* имеет турбулентные магнитные поля и аккреционный диск из перегретых электронов, спирально движущихся вдоль них. Это опровергает ожидания о доминирующей струе и выявляет пробелы в теориях переноса энергии в экстремальной гравитации. Черная дыра M87 также вращается, но в противоположном направлении газа, указывая на древнее слияние галактик. Эти открытия показывают, что черные дыры - динамичные объекты, формирующие галактики.
Черная дыра Млечного Пути, Стрелец A* (Sgr A*), вращается почти на пределе, дозволенном законами физики, и направлена ребром к Земле. Новый анализ данных телескопа Event Horizon Telescope (EHT) показал, что Sgr A* имеет турбулентные магнитные поля и аккреционный диск из перегретых электронов, спирально движущихся вдоль них. Это опровергает ожидания о доминирующей струе и выявляет пробелы в теориях переноса энергии в экстремальной гравитации. Черная дыра M87 также вращается, но в противоположном направлении газа, указывая на древнее слияние галактик. Эти открытия показывают, что черные дыры - динамичные объекты, формирующие галактики.
❤🔥5⚡2👍1
#unrealneural #пытаюсьпонять
В последние пару месяцев я много читал и изучал развитие ЛЛМ и мультимодальных моделей, размышляя об их реальной применимости в сложных задачах архитектурного проектирования. Изначально мне казалось, что они могут стать новой парадигмой, неким универсальным инструментом, способным полностью заменить существующий софт. Это видится как идеальный конечный результат, меняющий сам подход архитектора к проектированию. И я вижу как появляются стартапы иллюстрирующие эту парадигму: один из последних - это TwinMaster. Хочу рассказать про него в одном из следующих постов, ранее делал репост.
Однако, любой новый подход не способен быстро заменить существующие реальные процессы, поэтому всегда должен быть "путь встраивания".
Сегодняшний процесс работы архитектора - это постоянное «блуждание» между разными программами: одна для расчёта конструкций, другая для рендера, третья для анализа инсоляции и так далее. Готовясь к Бимпросвету, я пытался как то проиллюстрировать этот процесс: коллеги назвали слайд "полем одуванчиков".
В этой реальности новый ИИ-инструмент не должен становиться еще одним «одуванчиком», добавляющим новую итерацию в итак уже сложный путь.
Его роль - либо заменить большое количество "прыжков", либо стать центральным звеном, связывающим все существующие программы. LLM-модели, по сути являясь «смутными воспоминаниями об информации в интернете», отлично обучены интерпретировать запрос и вызывать нужное действие, но ПОКА не способны выполнить самостоятельно сложный технический расчет. Они способны ВЫЗВАТЬ нужный инструмент (MCP-протоколы и все такое), частично его реализовать (вайбкодинг), но под наблюдением.
Архитектор с помощью ИИ инструмента, ИИ тунеля способен быстрее идти по своему пути, возможно, напрямую не прикасаясь к некоторым из "одуванчиков".
Таким образом, LLM выступает в роли агрегатора сквозного процесса проектирования.
Он не заменяет узкоспециализированный софт, а управляет им, что значительно приближает нас к идеальной, бесшовной модели работы архитектора.
В последние пару месяцев я много читал и изучал развитие ЛЛМ и мультимодальных моделей, размышляя об их реальной применимости в сложных задачах архитектурного проектирования. Изначально мне казалось, что они могут стать новой парадигмой, неким универсальным инструментом, способным полностью заменить существующий софт. Это видится как идеальный конечный результат, меняющий сам подход архитектора к проектированию. И я вижу как появляются стартапы иллюстрирующие эту парадигму: один из последних - это TwinMaster. Хочу рассказать про него в одном из следующих постов, ранее делал репост.
Однако, любой новый подход не способен быстро заменить существующие реальные процессы, поэтому всегда должен быть "путь встраивания".
Сегодняшний процесс работы архитектора - это постоянное «блуждание» между разными программами: одна для расчёта конструкций, другая для рендера, третья для анализа инсоляции и так далее. Готовясь к Бимпросвету, я пытался как то проиллюстрировать этот процесс: коллеги назвали слайд "полем одуванчиков".
В этой реальности новый ИИ-инструмент не должен становиться еще одним «одуванчиком», добавляющим новую итерацию в итак уже сложный путь.
Его роль - либо заменить большое количество "прыжков", либо стать центральным звеном, связывающим все существующие программы. LLM-модели, по сути являясь «смутными воспоминаниями об информации в интернете», отлично обучены интерпретировать запрос и вызывать нужное действие, но ПОКА не способны выполнить самостоятельно сложный технический расчет. Они способны ВЫЗВАТЬ нужный инструмент (MCP-протоколы и все такое), частично его реализовать (вайбкодинг), но под наблюдением.
Архитектор с помощью ИИ инструмента, ИИ тунеля способен быстрее идти по своему пути, возможно, напрямую не прикасаясь к некоторым из "одуванчиков".
Таким образом, LLM выступает в роли агрегатора сквозного процесса проектирования.
Он не заменяет узкоспециализированный софт, а управляет им, что значительно приближает нас к идеальной, бесшовной модели работы архитектора.
🤔9👍3👌2
#unrealneural
MiCADangelo: реконструкция объектов с помощью ИИ (3D-сканирование - > САПР).
Использует довольно уникальный подход с помощью
1. CNN, которая выбирает плоскости эскиза из предложений, и
2. CNN для параметризации эскиза (предварительно обученного на SketchGraphs) и
3. дифференцируемых выдавливаний.
https://arxiv.org/abs/2510.23429
MiCADangelo: реконструкция объектов с помощью ИИ (3D-сканирование - > САПР).
Использует довольно уникальный подход с помощью
1. CNN, которая выбирает плоскости эскиза из предложений, и
2. CNN для параметризации эскиза (предварительно обученного на SketchGraphs) и
3. дифференцируемых выдавливаний.
https://arxiv.org/abs/2510.23429
⚡2👍1
#unrealneural
Обнаружено критическое слепое пятно в поисковых агентах ИИ
Новое исследование показывает, что, хотя эффективность поиска с помощью ИИ выросла в 7 раз, возможности взаимодействия остались на прежнем уровне. Агенты не могут прояснить неоднозначные запросы.
https://huggingface.co/papers/2510.24668
Обнаружено критическое слепое пятно в поисковых агентах ИИ
Новое исследование показывает, что, хотя эффективность поиска с помощью ИИ выросла в 7 раз, возможности взаимодействия остались на прежнем уровне. Агенты не могут прояснить неоднозначные запросы.
https://huggingface.co/papers/2510.24668
🤔4🔥2👍1