#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

#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

#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».

#unrealneural
Kimi K2 + Groq теперь доступен в anycoder для сверхбыстрого вайбкодинга

https://huggingface.co/spaces/akhaliq/anycoder

#unrealneural

ChatGPT делает нас глупыми?

Новаторское исследование Массачусетского технологического института, впервые применившего сканирование мозга у пользователей ChatGPT, раскрывает поразительную реальность: достигаемая нами эффективность может достигаться за счет значительных когнитивных затрат.

1. Снижение активности мозга: нейронные связи у пользователей ИИ снизились почти на 47%, с 79 до всего лишь 42. Это был самый низкий уровень вовлеченности среди всех тестовых групп.

2. Длительные эффекты: даже после прекращения использования ChatGPT мозг участников оставался малоактивным. Результаты были хуже, чем у тех, кто вообще не пользовался ИИ. Это не просто временная зависимость, это как будто мозг разучивается мыслить самостоятельно.

3. Поверхностный уровень вывода: Сочинения, написанные с использованием ИИ, могут получить неплохие оценки, но учителя описывают их как «бездушные», «неглубокие» и «роботизированные».

4. Вот парадокс: да, ChatGPT делает вас быстрее, до 60% эффективнее. Но он также снижает «когнитивную нагрузку» — умственные усилия, необходимые для настоящего понимания, — на 32%. Другими словами, мы получаем ответы, минуя процесс мышления, который ведёт к настоящему обучению.

НО: есть и положительный момент.

Самая успешная группа в исследовании изначально работала без ИИ, а затем внедрила его позже. Они добились наилучшего сохранения памяти, самых сильных нейронных связей в мозге и наивысшей общей производительности.

https://arxiv.org/pdf/2506.08872v1

#unrealneural
Cadmium 🌊 — статья ANSYS о синтетической маркировке набора данных DeepCAD с использованием аннотаций, созданных с помощью GPT 4.1 на основе реальных данных и многоракурсных изображений, для обучения более качественной модели преобразования текста в CAD с помощью Qwen2.5-Coder. На самом деле, не превосходит ручную маркировку (Text2CAD), но близок к ней

https://arxiv.org/abs/2507.09792

#unrealneural
Модель диффузии, генерирующая CAD скетчи

https://arxiv.org/abs/2507.11579

#unrealneural

Движок RAG для глубокого понимания документов!

RAGFlow позволяет создавать рабочие процессы RAG корпоративного уровня для сложных документов со ссылками.

Поддерживает понимание мультимодальных данных, веб-поиск, глубокие исследования и т. д.

100% локальный и с открытым исходным кодом, 60 тыс. звезд🔥🔥🔥

#unrealneural #пытаюсьпонять #вкопилкуэрудита
Optimizers Qualitatively Alter Solutions And We Should Leverage This

Статья объясняет, что глубокие нейронные сети сложно оптимизировать, так как они не всегда находят наилучшее решение с помощью обычных методов, вроде градиентного спуска. Однако большие сети всё равно хорошо работают на практике. Авторы говорят, что методы оптимизации влияют не только на скорость обучения, но и на то, какое решение получится, и предлагают создавать новые методы, чтобы получать нужные результаты.

https://arxiv.org/abs/2507.12224

#unrealneural
MathArena: Оценка LLM на соревнованиях по чистой математике

matharena.ai
arxiv.org/abs/2505.23281