#вкопилкуэрудита
Теорема универсальной аппроксимации

Теорема гласит, что нейронная сеть с одним скрытым слоем, содержащим достаточно большое количество нейронов, и использующая нелинейную функцию активации (например, сигмоиду, ReLU или гиперболический тангенс), может с любой заданной точностью аппроксимировать любую непрерывную функцию, определённую на компактном подмножестве, при условии, что параметры сети (веса и смещения) выбраны подходящим образом.

- Теорема даёт уверенность, что нейронные сети способны решать сложные задачи, если правильно настроить их архитектуру и параметры.
- Она объясняет, почему нейронные сети могут адаптироваться к разнообразным задачам, от регрессии до генерации данных.
- Хотя теорема гарантирует существование аппроксимирующей сети, она не говорит, как найти оптимальные веса или сколько нейронов нужно.

#unrealneural
Еще один пример завораживающего вайб-кодинга 🥹

#unrealneural
RLT: Reinforcement-Learned Teachers
Новый подход к обучению студентов магистратуры права ( это модели ИИ 🙂) рассуждению с помощью RL.

RLT — модели (7B параметров), которые генерируют понятные пошаговые объяснения, обучая студентов ИИ. Они превосходят крупные LLM в задачах конкурентного мышления и холодного запуска, эффективно работая даже с 32B-студентами. Новый стандарт для компактных моделей рассуждения с RL!

arxiv.org/abs/2506.08388

В Cursor появился MCP Hugging Face

Это значит, что теперь HF можно в два клика подсоединить к вашему проекту, и агент будет на лету искать и прикручивать подходящие вам датасеты, модели или готовые приложения. А еще сможет пользоваться научными статьями (ну вдруг пригодится).

Очень приятное обновление, сразу захотелось потестить

#unrealneural
EvoLM: в поисках динамики обучения модели утраченного языка

«Мы представляем EvoLM, набор моделей, который позволяет проводить систематический и прозрачный анализ динамики обучения LM на этапе предварительного обучения, непрерывного предварительного обучения, контролируемой тонкой настройки и обучения с подкреплением. Обучая более 100 LM с параметрами 1B и 4B с нуля, мы строго оцениваем как восходящие (моделирование языка), так и нисходящие (решение проблем) способности к рассуждению, включая рассмотрение как внутридоменного, так и внедоменного обобщения».

https://arxiv.org/abs/2506.16029

Жизнь прекрасная штука), только недавно в Питере познакомлились с   Артуром Ишмаевым,  лаборатория ИИ ПИК .
А сегодня уже вместе на одном шикарнейшем  мероприятии, которое проходит в Москве на пощадке АНО  "Среда возможностей ".
Артур делится наработками лаборатории ИИ ПИК.

С нами и Андрей Лупий, АНО "Агентство  Цифрового развития"
В зале большое количестао представителей самых различных органов исполнителтной власти Москвы.

#пытаюсьпонять
Cвёрточные сети больше не нужны?

Современные мультимодальные модели, такие как ViT, CLIP и DALL·E, предпочитают трансформеры свёрточным сетям (CNN). Механизм внимания трансформеров лучше улавливает глобальные зависимости в данных (текст, изображения, аудио), чем локальные фильтры свёрток. Трансформеры обрабатывают данные как последовательности (патчи или токены), что идеально для мультимодальности, и превосходно масштабируются на больших датасетах.

Однако свёртки не исчезнут, но станут нишевым инструментом. Они будут применяться в энергоэффективных системах и задачах с локальной структурой данных. Гибридные модели, сочетающие свёртки и трансформеры, усилят? (подкрепят) их роль.

#unrealneural
Финалист на VivaLeHack (OpenAI Хакатоне)

Создан первый ИИ агент, который конвертирует файлы 3D-дизайна робота, созданные в CAD-программах, в формат URDF (Unified Robot Description Format), который используется для симуляции работы роботов в средах вроде ROS (Robot Operating System).

Без ИИ этот процесс длится часы или дни, а при таком подходе всего 3 минуты.

#unrealneural
4D-LRM

Большая модель реконструкции пространства-времени из любого вида и в любое время🤯

Что это значит?

Первая крупномасштабная модель 4D-реконструкции, которая эффективно создаёт общие пространственно-временные представления, позволяя реконструировать объект из произвольных видов и временных меток в любой вид и время. В отличие от предыдущих подходов, она использует предварительную подготовку для изучения единого представления и предсказывает 4D-гауссовские примитивы, обеспечивая быстрый и качественный рендеринг с высокой частотой кадров. Модель демонстрирует точную реконструкцию, обобщение на новые объекты, интерполяцию во времени и поддержку различных настроек камеры, обрабатывая последовательности из 24 кадров менее чем за 1,5 секунды на одном GPU A100.

https://4dlrm.github.io/