#unrealneural
BrepDiff
Простая одноэтапная модель диффузии для генерации граничных представлений (breps).
Она обрабатывает каждую грань САПР как «замаскированную UV-сетку» точечных образцов, сглаживает эти сетки в токены и запускает один проход диффузионно-преобразователя.
https://brepdiff.github.io/interactive/interactive.html
BrepDiff
Простая одноэтапная модель диффузии для генерации граничных представлений (breps).
Она обрабатывает каждую грань САПР как «замаскированную UV-сетку» точечных образцов, сглаживает эти сетки в токены и запускает один проход диффузионно-преобразователя.
https://brepdiff.github.io/interactive/interactive.html
👍6❤3⚡3
Forwarded from ИИ и роботы в стройке
Модель Centaur — «ИИ-психика» на базе Llama 3.1 — нейросеть, обученная на 10 млн человеческих решений из 160 психологических экспериментов. Она почти идеально имитирует человеческую психику и способна предсказывать поведение людей с высокой точностью в любых жизненных сценариях, описанных на естественном языке
Для бизнеса Centaur может быть использована для:
🔵 прогнозирования реакции потребителей на продукты и рекламу;
🔵 объяснения мотивации решений для лучшего понимания клиентов;
🔵 моделирования рыночных сценариев и тестирования стратегий;
🔵 персонализации предложений и повышения продаж.
Код на Hugging Face.
Для бизнеса Centaur может быть использована для:
Код на Hugging Face.
Please open Telegram to view this post
VIEW IN TELEGRAM
😱5❤3👍3🤬1
This media is not supported in your browser
VIEW IN TELEGRAM
#unrealneural
Rectified Point Flow (RPF) — общая формула для оценки положения облака точек.
Облака точек стали мощным представлением для 3D-реконструкции на основе изображений.
https://rectified-pointflow.github.io/
Rectified Point Flow (RPF) — общая формула для оценки положения облака точек.
Облака точек стали мощным представлением для 3D-реконструкции на основе изображений.
https://rectified-pointflow.github.io/
🔥6⚡2👍2
Forwarded from Метаверсище и ИИще (Sergey Tsyptsyn ️️)
This media is not supported in your browser
VIEW IN TELEGRAM
Ну и наконец-то Google Flow раскатали почти на весь мир, включая Европу.
https://labs.google/fx/tools/flow
У меня открывается без всякого ВПН.
https://blog.google/technology/google-labs/flow-adds-speech-expands/
Нужна подписка Pro.
И да, это липсинк по начальной фотке.
@cgevent
https://labs.google/fx/tools/flow
У меня открывается без всякого ВПН.
https://blog.google/technology/google-labs/flow-adds-speech-expands/
Нужна подписка Pro.
И да, это липсинк по начальной фотке.
@cgevent
🔥5⚡2👍2
#unrealneural
CReFT-CAD: Boosting Orthographic Projection Reasoning for CAD via Reinforcement Fine-Tuning
Проблема: Традиционные подходы глубокого обучения в САПР, использующие стандартные конвейеры 3D-реконструкции, часто приводят к неточным измерениям и ограниченной параметрической редактируемости, а методы тонкой настройки визуальных языковых моделей (VLM) склонны к запоминанию шаблонов, что снижает их производительность при решении сложных задач вне распределения данных. Предложенная парадигма CReFT-CAD, сочетающая обучение с подкреплением на основе учебной программы и контролируемую постнастройку, устраняет эти недостатки, повышая точность рассуждений, обобщаемость и семантическое извлечение, а новый бенчмарк TriView2CAD предоставляет масштабную платформу для тестирования и совершенствования ортогональных проекционных рассуждений в САПР.
https://arxiv.org/abs/2506.00568
CReFT-CAD: Boosting Orthographic Projection Reasoning for CAD via Reinforcement Fine-Tuning
Проблема: Традиционные подходы глубокого обучения в САПР, использующие стандартные конвейеры 3D-реконструкции, часто приводят к неточным измерениям и ограниченной параметрической редактируемости, а методы тонкой настройки визуальных языковых моделей (VLM) склонны к запоминанию шаблонов, что снижает их производительность при решении сложных задач вне распределения данных. Предложенная парадигма CReFT-CAD, сочетающая обучение с подкреплением на основе учебной программы и контролируемую постнастройку, устраняет эти недостатки, повышая точность рассуждений, обобщаемость и семантическое извлечение, а новый бенчмарк TriView2CAD предоставляет масштабную платформу для тестирования и совершенствования ортогональных проекционных рассуждений в САПР.
https://arxiv.org/abs/2506.00568
👍5❤3⚡3
Forwarded from Complete AI
Вы когда-нибудь мечтали стать лучшей версией себя? А LoRA уже стала!
Рад представить вам нашу новую работу T-LoRA: Single Image Diffusion Model Customization Without Overfitting✔️
Представьте, что вы хотите дообучить модель генерировать новый объект, например, кошку или чайник. Но у вас ВСЕГО ОДНА КАРТИНКА этого объекта. Вы обучаете LoRA. И что выходит? Полный провал. Модель переобучается: объект генерируется только в той позе, в которой он был на тренировочной картинке, а фон выглядит скудно и плохо соответствует тексту.
В ходе нашей работы мы выяснили, что переобучение чаще всего происходит на самых шумных таймстепах. Именно они приводят к тому, что модель переобучается на фон и позу объекта. Мы предложили решение: ограничить ранг на шумных таймстепах, чтобы избежать переобучения, и дать больший ранг на средних и поздних таймстепах для точного запоминания объекта. На поздних таймстепах можно использовать высокие ранги без риска переобучения.
Эту идею мы реализовали с помощью маскирования столбцов LoRA, ограничивая тренировочный сигнал на шумных таймстепах. Более того, чтобы маскирование было эффективным, разработали ортогональную версию LoRA, которая сохраняет столбцы ортогональными на протяжении всего обучения.
Теперь ваша кошка может не только стоять, но и сидеть, и кататься на велосипеде, бегать, принимать любые позы, которые вы захотите. А фоны стали яркими, насыщенными и разнообразными.
Поддержите нашу работу работу Upvote на HuggingFace. Это поможет как можно большему числу людей узнать, что делать в подобных тяжелых жизненных ситуациях с котиками🙂
🔜 Arxiv
🔜 GitHub
🔜 HuggingFace
Рад представить вам нашу новую работу T-LoRA: Single Image Diffusion Model Customization Without Overfitting
Представьте, что вы хотите дообучить модель генерировать новый объект, например, кошку или чайник. Но у вас ВСЕГО ОДНА КАРТИНКА этого объекта. Вы обучаете LoRA. И что выходит? Полный провал. Модель переобучается: объект генерируется только в той позе, в которой он был на тренировочной картинке, а фон выглядит скудно и плохо соответствует тексту.
В ходе нашей работы мы выяснили, что переобучение чаще всего происходит на самых шумных таймстепах. Именно они приводят к тому, что модель переобучается на фон и позу объекта. Мы предложили решение: ограничить ранг на шумных таймстепах, чтобы избежать переобучения, и дать больший ранг на средних и поздних таймстепах для точного запоминания объекта. На поздних таймстепах можно использовать высокие ранги без риска переобучения.
Эту идею мы реализовали с помощью маскирования столбцов LoRA, ограничивая тренировочный сигнал на шумных таймстепах. Более того, чтобы маскирование было эффективным, разработали ортогональную версию LoRA, которая сохраняет столбцы ортогональными на протяжении всего обучения.
Теперь ваша кошка может не только стоять, но и сидеть, и кататься на велосипеде, бегать, принимать любые позы, которые вы захотите. А фоны стали яркими, насыщенными и разнообразными.
Поддержите нашу работу работу Upvote на HuggingFace. Это поможет как можно большему числу людей узнать, что делать в подобных тяжелых жизненных ситуациях с котиками
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥7⚡3👍3
Тема: ИИ в девелопменте
Спикеры:
- ПИК - Артур Ишмаев
- Нанософт - Максим Журавлев
- Клуб BIM-лидеров - Мария Бедовая
- Signal - Александр Попов
- Свободное место #5
- Свободное место #6
Регистрация: количество мест ограничено, так что сейчас мы начинаем сбор заявок на участие
Идеи и предложения:
@purtovsy @Andrey_Ryb
#BIMПросвет #BIMПросветAI #BIMSupport #AI #AIBIM #ИИ #ИИТИМ
Please open Telegram to view this post
VIEW IN TELEGRAM
👍7🔥5❤4⚡1
This media is not supported in your browser
VIEW IN TELEGRAM
#unrealneural #пытаюсьпонять #вкопилкуэрудита
Может ли модель ИИ делать идеальные прогнозы и при этом иметь неправильную модель мира?
Что бы это вообще значило?
Один из результатов говорит сам за себя: трансформер, обученный на 10 миллионах звездных систем, точно определяет планетарные орбиты. Но он нарушает законы гравитации😃😃🤷🏻♂️
Может ли модель ИИ делать идеальные прогнозы и при этом иметь неправильную модель мира?
Что бы это вообще значило?
Один из результатов говорит сам за себя: трансформер, обученный на 10 миллионах звездных систем, точно определяет планетарные орбиты. Но он нарушает законы гравитации😃😃🤷🏻♂️
😁7⚡3❤2
#unrealneural #пытаюсьпонять
Dynamic Chunking for End-to-End Hierarchical Sequence Modeling
Работа представляет H-Net — иерархическую нейронную сеть, которая устраняет необходимость в традиционной токенизации (например, BPE — Byte-Pair Encoding) за счёт динамического разделения входных данных на уровне байтов. H-Net обучается определять границы сегментов (chunks) в зависимости от содержания и контекста, что позволяет ей превосходить модели, основанные на фиксированной токенизации, в задачах обработки языков, кода и даже ДНК.
Однако для полного отказа от токенизации требуются дальнейшие исследования более глубоких иерархий и стабильности обучения.
https://www.alphaxiv.org/overview/2507.07955v1
Dynamic Chunking for End-to-End Hierarchical Sequence Modeling
Работа представляет H-Net — иерархическую нейронную сеть, которая устраняет необходимость в традиционной токенизации (например, BPE — Byte-Pair Encoding) за счёт динамического разделения входных данных на уровне байтов. H-Net обучается определять границы сегментов (chunks) в зависимости от содержания и контекста, что позволяет ей превосходить модели, основанные на фиксированной токенизации, в задачах обработки языков, кода и даже ДНК.
Однако для полного отказа от токенизации требуются дальнейшие исследования более глубоких иерархий и стабильности обучения.
https://www.alphaxiv.org/overview/2507.07955v1
👍6🔥2
This media is not supported in your browser
VIEW IN TELEGRAM
#unrealneural
Diffusion Explorer позволяет изучать геометрические свойства генеративных моделей на основе диффузии и потока с помощью интерактивной анимации.
https://alechelbling.com/Diffusion-Explorer/
Diffusion Explorer позволяет изучать геометрические свойства генеративных моделей на основе диффузии и потока с помощью интерактивной анимации.
https://alechelbling.com/Diffusion-Explorer/
👍4🔥4⚡2
Forwarded from NN
Новый лидер среди опенсорс-моделей: вышла Kimi K2 с 1 трлн параметров. Она одинаково хорошо генерирует код, пишет текст и анализирует данные.
В коде и математике она показала себя даже лучше Claude 4 и GPT-4.1. Новая модель заняла первое место в бенчмарках AIME 2025, LiveCodeBench v6 и GPQA-Diamond.
Пробуем бесплатно по ссылке. Скоро обещают добавить функции ИИ-агента.
В коде и математике она показала себя даже лучше Claude 4 и GPT-4.1. Новая модель заняла первое место в бенчмарках AIME 2025, LiveCodeBench v6 и GPQA-Diamond.
Пробуем бесплатно по ссылке. Скоро обещают добавить функции ИИ-агента.
❤4👍3⚡2🔥1
This media is not supported in your browser
VIEW IN TELEGRAM
#unrealneural
GenCAD - Превращение изображений в редактируемые 3D-модели
Команда MIT разработала GenCAD, новую систему на основе искусственного интеллекта, которая генерирует параметрические, редактируемые модели CAD непосредственно из изображений
https://github.com/ferdous-alam/GenCAD
GenCAD - Превращение изображений в редактируемые 3D-модели
Команда MIT разработала GenCAD, новую систему на основе искусственного интеллекта, которая генерирует параметрические, редактируемые модели CAD непосредственно из изображений
https://github.com/ferdous-alam/GenCAD
🔥7❤3⚡2
#unrealneural
Seek-CAD 🐳
Модель DeepSeek R1-32B для создания САПР _без_ тонкой настройки посредством контекстного обучения и самосовершенствования через VLM (Gemini 2. 0). Также набор данных с большим количеством операций, чем DeepCAD - фаска, вращение, скругления и т. д. (но, к сожалению, исходный код закрыт)
https://arxiv.org/abs/2505.17702
Seek-CAD 🐳
Модель DeepSeek R1-32B для создания САПР _без_ тонкой настройки посредством контекстного обучения и самосовершенствования через VLM (Gemini 2. 0). Также набор данных с большим количеством операций, чем DeepCAD - фаска, вращение, скругления и т. д. (но, к сожалению, исходный код закрыт)
https://arxiv.org/abs/2505.17702
👍4⚡3❤2
#unrealneural
Neural-Driven Image Editing - Редактирование изображений с помощью нейронных сетей
Эксперименты показывают, что LoongX достигает производительности, сравнимой с методами, основанными на тексте (CLIP-I: 0,6605 против 0,6558; DINO: 0,4812 против 0,4636), и превосходит их, когда нейронные сигналы сочетаются с речью (CLIP-T: 0,2588 против 0,2549)
https://huggingface.co/papers/2507.05397
Neural-Driven Image Editing - Редактирование изображений с помощью нейронных сетей
Эксперименты показывают, что LoongX достигает производительности, сравнимой с методами, основанными на тексте (CLIP-I: 0,6605 против 0,6558; DINO: 0,4812 против 0,4636), и превосходит их, когда нейронные сигналы сочетаются с речью (CLIP-T: 0,2588 против 0,2549)
https://huggingface.co/papers/2507.05397
👍5❤2⚡2
#unrealneural
В исследовании, опубликованном в журнале Nature Communications, исследователи из Университета Пенсильвании использовали систему искусственного интеллекта APEX для сканирования более 40 миллионов зашифрованных в ядах пептидов — белков, которые развивались в течение миллионов лет для нападения и защиты.
Всего за несколько часов APEX идентифицировал 386 пептидов с молекулярной сигнатурой антибиотиков следующего поколения.
Из них ученые синтезировали 58, и 53 из них уничтожили устойчивые к лекарствам бактерии, такие как кишечная палочка и золотистый стафилококк, не причиняя вреда клеткам человека.
«Платформа картировала более 2000 совершенно новых антибактериальных мотивов — коротких специфических последовательностей аминокислот в составе белка или пептида, отвечающих за их способность уничтожать или подавлять рост бактерий».
В исследовании, опубликованном в журнале Nature Communications, исследователи из Университета Пенсильвании использовали систему искусственного интеллекта APEX для сканирования более 40 миллионов зашифрованных в ядах пептидов — белков, которые развивались в течение миллионов лет для нападения и защиты.
Всего за несколько часов APEX идентифицировал 386 пептидов с молекулярной сигнатурой антибиотиков следующего поколения.
Из них ученые синтезировали 58, и 53 из них уничтожили устойчивые к лекарствам бактерии, такие как кишечная палочка и золотистый стафилококк, не причиняя вреда клеткам человека.
«Платформа картировала более 2000 совершенно новых антибактериальных мотивов — коротких специфических последовательностей аминокислот в составе белка или пептида, отвечающих за их способность уничтожать или подавлять рост бактерий».
🔥8❤3👏2🤯1
This media is not supported in your browser
VIEW IN TELEGRAM
#unrealneural
Kimi K2 + Groq теперь доступен в anycoder для сверхбыстрого вайбкодинга
https://huggingface.co/spaces/akhaliq/anycoder
Kimi K2 + Groq теперь доступен в anycoder для сверхбыстрого вайбкодинга
https://huggingface.co/spaces/akhaliq/anycoder
👍4⚡2