Media is too big
VIEW IN TELEGRAM
#unrealneural
Yume
Новая модель генерации интерактивных миров
https://huggingface.co/papers/2507.17744
Yume
Новая модель генерации интерактивных миров
https://huggingface.co/papers/2507.17744
⚡2👍1🔥1
Forwarded from Альянс Цифровых Лидеров в стройке
This media is not supported in your browser
VIEW IN TELEGRAM
Figma выпустила Make — бесплатный ИИ-генератор сайтов
🟢 Теперь сайты можно сделать по текстовому запросу за один клик. Генератор работает на базе модели Claude.
🟢 Каждый элемент можно редактировать отдельно.
🟢 Готовый сайт публикуется прямо из Figma через встроенный хостинг.
Базовая версия доступна бесплатно здесь.
Базовая версия доступна бесплатно здесь.
Please open Telegram to view this post
VIEW IN TELEGRAM
👍3🔥3⚡2❤1
Forwarded from BIM Координатор
ИИ в Проектировании : Revit MCP + Claude:
Начну с благодарности #BIMПросвет за живое офлайн-общение и Артуру Ишмаеву из "ПИК" - за то, что подсветил мой ролик «Revit + Claude MCP» на своей презентации, а затем отдельно отметил его в постах.
Судя по откликам, тема действительно вызывает интерес - поэтому решил немного подробнее раскрыть контекст здесь.
🔗 Ссылка: «Revit + Claude MCP» 📱
📇
MCP - открытый протокол (по сути «USB-C для соединения ИИ с Revit»), который стандартизирует, как LLM подключается к инструментам и данным в Ревит. Это значит: один раз настроил сервер - дальше ты даёшь ИИ команду, а Revit выполняет заранее описанные действия.
📹
1) Готовый инсталлятор Revit MCP Installer, для тех, кто не хочет возиться с Visual Studio и компиляцией.
2) Готовые DLL и GitHub-репо с кодом плагина и MCP-сервера, чтобы настраивать всё самому.
3) Настройка Claude Desktop.
4) Запуск сервиса в Revit.
👨💻
• Быстрое прототипирование типовых решений: генерация зданий, стен/перегородок с заданными параметрами, окраска, вставка дверей/окон/потолков - за пару секунд.
• Работа с данными модели «под ключ»: мгновенно вытаскиваем нужные параметры из вида/элементов, проверяем качество заполнения и подсвечиваем проблемные места цветом; массово редактируем экземплярные параметры по критериям; генерируем отчёты (таблицы, JSON/CSV) для Excel/Power BI; при необходимости выгружаем и синхронизируем данные через APS или внутренние API или сразу к себе на сайт в виде Дэшбордов.
⛔️
• Claude не «волшебник», он не генерирует код Revit «на лету». Он вызывает только те инструменты, которые вы описали в MCP-сервере/плагине. Значит, нужно заранее написать C#-скрипты, а Claude будет их дергать. Сейчас в открытом доступе 10 реально рабочих решений.
• Без чётких промптов будет путаться: стены/цвета/двери работают быстро, полы/потолки — могут потребовать доп.логики.
✅
• Информация о текущем виде и его элементах
• Список доступных типов семейств в проекте
• Работа с выделенными элементами
• Создание элементов по точке (двери, окна, мебель), по линии (стены, балки, трубы) и по поверхности (полы, потолки)
• Удаление элементов и полный сброс модели
• Изменение параметров экземпляров
• Поиск и запуск готовых модулей
• Отправка кода в Revit на исполнение
• Массовая раскраска элементов по параметрам
• Автоматическая простановка тегов стен
Начну с благодарности #BIMПросвет за живое офлайн-общение и Артуру Ишмаеву из "ПИК" - за то, что подсветил мой ролик «Revit + Claude MCP» на своей презентации, а затем отдельно отметил его в постах.
Судя по откликам, тема действительно вызывает интерес - поэтому решил немного подробнее раскрыть контекст здесь.
Что такое MCP (по-человечески):MCP - открытый протокол (по сути «USB-C для соединения ИИ с Revit»), который стандартизирует, как LLM подключается к инструментам и данным в Ревит. Это значит: один раз настроил сервер - дальше ты даёшь ИИ команду, а Revit выполняет заранее описанные действия.
Что показано в видео:1) Готовый инсталлятор Revit MCP Installer, для тех, кто не хочет возиться с Visual Studio и компиляцией.
2) Готовые DLL и GitHub-репо с кодом плагина и MCP-сервера, чтобы настраивать всё самому.
3) Настройка Claude Desktop.
4) Запуск сервиса в Revit.
Практическая польза для проектировщика:• Быстрое прототипирование типовых решений: генерация зданий, стен/перегородок с заданными параметрами, окраска, вставка дверей/окон/потолков - за пару секунд.
• Работа с данными модели «под ключ»: мгновенно вытаскиваем нужные параметры из вида/элементов, проверяем качество заполнения и подсвечиваем проблемные места цветом; массово редактируем экземплярные параметры по критериям; генерируем отчёты (таблицы, JSON/CSV) для Excel/Power BI; при необходимости выгружаем и синхронизируем данные через APS или внутренние API или сразу к себе на сайт в виде Дэшбордов.
Ограничения и реальность:• Claude не «волшебник», он не генерирует код Revit «на лету». Он вызывает только те инструменты, которые вы описали в MCP-сервере/плагине. Значит, нужно заранее написать C#-скрипты, а Claude будет их дергать. Сейчас в открытом доступе 10 реально рабочих решений.
• Без чётких промптов будет путаться: стены/цвета/двери работают быстро, полы/потолки — могут потребовать доп.логики.
Список текущих возможностей Revit MCP + Claude AI: • Информация о текущем виде и его элементах
• Список доступных типов семейств в проекте
• Работа с выделенными элементами
• Создание элементов по точке (двери, окна, мебель), по линии (стены, балки, трубы) и по поверхности (полы, потолки)
• Удаление элементов и полный сброс модели
• Изменение параметров экземпляров
• Поиск и запуск готовых модулей
• Отправка кода в Revit на исполнение
• Массовая раскраска элементов по параметрам
• Автоматическая простановка тегов стен
Please open Telegram to view this post
VIEW IN TELEGRAM
2❤4⚡3👍3
Forwarded from Complete AI
Коллеги из Сбера опубликовали статью "NABLA: Neighborhood Adaptive Block-Level Attention".
Статья предлагает новый механизм блочно-разреженного внимания для диффузионных трансформеров: вместо вычисления всей маски внимания (Full Attention) можно сжать матрицы Query и Key и эффективно обнаружить только наиболее важные блоки с помощью кумулятивной функции распределения Softmax. После этого вычисления выполняются только для наиболее важных блоков. Метод позволяет ускорить генерацию модели Wan 2.1-14B (на данный момент это лучшая из открытых моделей генерации видео) в 2.7 раза.
Метод не требует написания специальных CUDA-ядер и полностью совместим с Flex Attention из PyTorch.
Upvote статьи на Hugging Face приветствуется🔝
Статья на HF
Статья предлагает новый механизм блочно-разреженного внимания для диффузионных трансформеров: вместо вычисления всей маски внимания (Full Attention) можно сжать матрицы Query и Key и эффективно обнаружить только наиболее важные блоки с помощью кумулятивной функции распределения Softmax. После этого вычисления выполняются только для наиболее важных блоков. Метод позволяет ускорить генерацию модели Wan 2.1-14B (на данный момент это лучшая из открытых моделей генерации видео) в 2.7 раза.
Метод не требует написания специальных CUDA-ядер и полностью совместим с Flex Attention из PyTorch.
Upvote статьи на Hugging Face приветствуется🔝
Статья на HF
👍6❤4👌2
Forwarded from ИИ и роботы в стройке
This media is not supported in your browser
VIEW IN TELEGRAM
Артур Ишмаев, руководитель отдела исследований и разработки в области ИИ в ПИКе, на прошедшем BIM Просвете, посвященном ИИ в девелопменте, начал свою презентацию с мысли о том, чем должна стать цифровизация в компании — следствием развития архитектуры
Очень красиво сказано🟣
А видео — это эксперименты ПИКа на Veo3.
«The object isn't to make art, it's to be in that wonderful state which makes art inevitable» — Robert Henri
«Верхнюю фразу я интерпретировал так, что нужно создавать искусство не ради того, чтобы его создавать, а находиться в том состоянии, чтобы искусство было просто неизбежным следствием жизни. И я ее перефразировал с точки зрения цифровизации:
Цель цифровизации и BIM — не во внедрении технологий ради технологий, что многие компании делают, а в том, чтобы передовые инструменты, улучшающие стройку, архитектуру, образ жизни, стали естественным и неизбежным следствием, результатом развития архитектуры. Чтобы эти инструменты и стандарты возникали естественным образом», — поделился Артур.
Очень красиво сказано
А видео — это эксперименты ПИКа на Veo3.
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥10❤5👍3💩2🥰1
#unrealneural
“Explosive neural networks via higher-order interactions in curved statistical manifolds”
Расширение возможностей рекуррентных нейронных сетей путем деформации их геометрии.
Используя обобщённый принцип максимальной энтропии, эти модели с меньшим числом параметров упрощают анализ. Они реализуют саморегулирующийся отжиг, ускоряющий извлечение памяти и приводящий к резким фазовым переходам, мультистабильности и гистерезису. Анализ с помощью репличного трюка показывает, что такие сети лучше хранят и восстанавливают информацию по сравнению с классическими. Эти простые, но мощные модели раскрывают сложные явления в сетях.
https://www.nature.com/articles/s41467-025-61475-w
“Explosive neural networks via higher-order interactions in curved statistical manifolds”
Расширение возможностей рекуррентных нейронных сетей путем деформации их геометрии.
Используя обобщённый принцип максимальной энтропии, эти модели с меньшим числом параметров упрощают анализ. Они реализуют саморегулирующийся отжиг, ускоряющий извлечение памяти и приводящий к резким фазовым переходам, мультистабильности и гистерезису. Анализ с помощью репличного трюка показывает, что такие сети лучше хранят и восстанавливают информацию по сравнению с классическими. Эти простые, но мощные модели раскрывают сложные явления в сетях.
https://www.nature.com/articles/s41467-025-61475-w
🔥4❤2
Forwarded from Китай.AI
🤖 ИИ умнее человека: что будет дальше? Мнение «крестного отца AI» Джеффри Хинтона
На проходящей сейчас в Шанхае Всемирной конференции по искусственному интеллекту (WAIC) легендарный ученый, лауреат Нобелевской премии и премии Тьюринга, выступил с провокационным докладом о будущем цифрового разума.
«Если ИИ превзойдет человеческий интеллект, сможем ли мы его контролировать?» — главный вопрос выступления.
🔍 Как работают языковые модели?
- LLM (большие языковые модели) понимают язык подобно людям — через анализ связей между словами
- Каждое слово — как «умный кубик Lego» с тысячью граней, меняющий форму в зависимости от контекста
- Современные ChatGPT и DeepSeek — наследники маленьких моделей 1985 года, но с колоссально усложненной архитектурой
⚡ Цифровой vs биологический интеллект
Преимущества ИИ:
✔ Мгновенное копирование знаний (весь опыт GPT-4 можно скопировать за секунды)
✔ Параллельное обучение миллионов «агентов»
✔ Синхронизация опыта через интернет (триллионы бит данных в секунду)
Слабые места человека:
➜ Ограниченная пропускная способность (всего ~100 бит/сек при общении)
➜ Невозможность прямого переноса навыков между мозгами
➜ Высокая зависимость от эволюционно устаревших механизмов
❗ Главная опасность:
По мере роста интеллекта ИИ естественным образом разовьет:
1. Инстинкт самосохранения
2. Стремление к расширению контроля
«Это как воспитывать тигренка, который однажды станет сильнее вас»
🛡️ Решение: глобальный альянс по безопасности ИИ
Хинтон предлагает:
▪ Создать международную сеть исследований ИИ-безопасности
▪ Разработать методы «доброжелательного обучения» (отдельно от общего ИИ)
▪ Повторить опыт холодной войны, когда враги объединились против ядерной угрозы
Вывод:
Цифровой интеллект неизбежно превзойдет биологический. Наша задача — создать системы контроля до того, как это произойдет.
Текст выступления Джеффри Хинтона в оригинальной статье
#КитайскийИИ #КитайAI #БудущееИИ #Нейросети #ГлубокоеОбучение
На проходящей сейчас в Шанхае Всемирной конференции по искусственному интеллекту (WAIC) легендарный ученый, лауреат Нобелевской премии и премии Тьюринга, выступил с провокационным докладом о будущем цифрового разума.
«Если ИИ превзойдет человеческий интеллект, сможем ли мы его контролировать?» — главный вопрос выступления.
🔍 Как работают языковые модели?
- LLM (большие языковые модели) понимают язык подобно людям — через анализ связей между словами
- Каждое слово — как «умный кубик Lego» с тысячью граней, меняющий форму в зависимости от контекста
- Современные ChatGPT и DeepSeek — наследники маленьких моделей 1985 года, но с колоссально усложненной архитектурой
⚡ Цифровой vs биологический интеллект
Преимущества ИИ:
✔ Мгновенное копирование знаний (весь опыт GPT-4 можно скопировать за секунды)
✔ Параллельное обучение миллионов «агентов»
✔ Синхронизация опыта через интернет (триллионы бит данных в секунду)
Слабые места человека:
➜ Ограниченная пропускная способность (всего ~100 бит/сек при общении)
➜ Невозможность прямого переноса навыков между мозгами
➜ Высокая зависимость от эволюционно устаревших механизмов
❗ Главная опасность:
По мере роста интеллекта ИИ естественным образом разовьет:
1. Инстинкт самосохранения
2. Стремление к расширению контроля
«Это как воспитывать тигренка, который однажды станет сильнее вас»
🛡️ Решение: глобальный альянс по безопасности ИИ
Хинтон предлагает:
▪ Создать международную сеть исследований ИИ-безопасности
▪ Разработать методы «доброжелательного обучения» (отдельно от общего ИИ)
▪ Повторить опыт холодной войны, когда враги объединились против ядерной угрозы
Вывод:
Цифровой интеллект неизбежно превзойдет биологический. Наша задача — создать системы контроля до того, как это произойдет.
Текст выступления Джеффри Хинтона в оригинальной статье
#КитайскийИИ #КитайAI #БудущееИИ #Нейросети #ГлубокоеОбучение
🔥5👍2
#unrealneural
Pipecat
Фреймворк для создания голосовых и чат ботов, работающих в realtime
https://github.com/pipecat-ai/pipecat
Pipecat
Фреймворк для создания голосовых и чат ботов, работающих в realtime
https://github.com/pipecat-ai/pipecat
🔥4❤2🤗2
Forwarded from Complete AI
250725_WAIC.pdf
5.8 MB
Презентация AIRI на стенде WAIC👆
Внутри краткая информация о каждой технологии, а также ссылки на соответствующие демо-версии. Также на некоторых местах скринкасты, но они весят много, поэтому здесь упрощённая версия для ознакомления
Внутри краткая информация о каждой технологии, а также ссылки на соответствующие демо-версии. Также на некоторых местах скринкасты, но они весят много, поэтому здесь упрощённая версия для ознакомления
🔥5⚡2❤2
#unrealneural
BruteForceAI
Перебор с подключением LLM моделей
«Предупрежден — значит вооружен»
https://github.com/MorDavid/BruteForceAI
BruteForceAI
Перебор с подключением LLM моделей
«Предупрежден — значит вооружен»
https://github.com/MorDavid/BruteForceAI
👌4🔥2⚡1
Forwarded from Метаверсище и ИИще (Sergey Tsyptsyn ️️)
This media is not supported in your browser
VIEW IN TELEGRAM
А вы знали, что в Veo-3 можно просто нарисовать на первом кадре визуальные инструкции: всякия стрелочки, подписи типа "сюда не ходи снег башка попадет". И Veo3 это пережует и поймет. Экономия на промптах. И никакого джайсона.
@cgevent
@cgevent
❤5❤🔥2🔥2
Forwarded from ИИ и роботы в стройке
This media is not supported in your browser
VIEW IN TELEGRAM
Tencent представила Hunyuan3D World Model 1.0 — первую опенсорсную модель для генерации интерактивных 3D-миров с реалистичным освещением, текстурами и физикой по тексту или изображению
Что делает модель:
⚫️ Генерирует панорамные 3D-сцены в формате 360° для VR и интерактивных сред.
⚫️ Экспортирует 3D-меши в форматах под Unity, Unreal Engine и Blender.
⚫️ Разделяет объекты на слои (передний/задний план) для удобного редактирования. Позволяет изменять положение, масштаб и вращение элементов прямо в сцене.
⚫️ Автоматизирует создание прототипов игр, VR-сред и цифровых двойников.
Репозиторий на Гитхабе, модель на Hugging Face.
Что делает модель:
Репозиторий на Гитхабе, модель на Hugging Face.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤4🥰4⚡3
This media is not supported in your browser
VIEW IN TELEGRAM
#unrealneural
Интерактивная каркасная форма, созданная с помощью Grok 4 с использованием Three.js и шейдеров GLSL, где щелчки пользователя запускают текущие энергетические импульсы через анимированные соединения.
⚡️⚡️⚡️
https://codepen.io/VoXelo/full/MYaKqeg
Интерактивная каркасная форма, созданная с помощью Grok 4 с использованием Three.js и шейдеров GLSL, где щелчки пользователя запускают текущие энергетические импульсы через анимированные соединения.
⚡️⚡️⚡️
https://codepen.io/VoXelo/full/MYaKqeg
❤4⚡2👍2
Forwarded from Data Secrets
Qwen снова радуют релизом. Но на этот раз это не модель, а новый RL-алгоритм для обучения LLM
Метод называется Group Sequence Policy Optimization (GSPO), и именно он лег в основу последних громких моделей компании: Qwen3 Instruct, Coder и Thinking. Статья вышла пару дней назад, но о ней уже говорят все. Значит, пока разбираться и нам.
Сегодня один из самых популярных RL-алгоритмов для LLM – это GRPO (by DeepSeek). Если вам он не знаком – почитайте разбор вот тут или загляните в наш коспект в раздел "Обучение с подкреплением". GRPO работает здорово и довольно стабильно, но на уровне токенов.
То есть в GRPO мы считаем награду для всей последовательности -> считаем важность каждого токена и применяем клиппинг также для каждого токена отдельно -> обновляем политику "на уровне токенов".
А в GSPO все то же самое происходит сразу для всей последовательности: считаем награду -> рассчитываем единый importance weight для всей последовательности и применяем клиппинг для всего ответа целиком с нормализацией по длине -> обновляем политику.
В чем преимущество такого подхода?
1. Не нужно устраивать танцы с бубном, когда работаешь с MoE. У GRPO из-за архитектурных особенностей MoE идет со скрипом, а тут все заводится из коробки.
2. Градиенты получаются менее шумными, потому что снижается дисперсия. Следовательно – еще более стабильное обучение. Следовательно – лучшие метрики при тех же ресурсах.
3. Инженерно реализуется гораздо проще.
Короче, выглядит очень привлекательно и, вероятно, станет следующим словом в RL для LLM (особенно в опенсорсе). Статью полностью читаем тут
Метод называется Group Sequence Policy Optimization (GSPO), и именно он лег в основу последних громких моделей компании: Qwen3 Instruct, Coder и Thinking. Статья вышла пару дней назад, но о ней уже говорят все. Значит, пока разбираться и нам.
Сегодня один из самых популярных RL-алгоритмов для LLM – это GRPO (by DeepSeek). Если вам он не знаком – почитайте разбор вот тут или загляните в наш коспект в раздел "Обучение с подкреплением". GRPO работает здорово и довольно стабильно, но на уровне токенов.
То есть в GRPO мы считаем награду для всей последовательности -> считаем важность каждого токена и применяем клиппинг также для каждого токена отдельно -> обновляем политику "на уровне токенов".
А в GSPO все то же самое происходит сразу для всей последовательности: считаем награду -> рассчитываем единый importance weight для всей последовательности и применяем клиппинг для всего ответа целиком с нормализацией по длине -> обновляем политику.
В чем преимущество такого подхода?
1. Не нужно устраивать танцы с бубном, когда работаешь с MoE. У GRPO из-за архитектурных особенностей MoE идет со скрипом, а тут все заводится из коробки.
2. Градиенты получаются менее шумными, потому что снижается дисперсия. Следовательно – еще более стабильное обучение. Следовательно – лучшие метрики при тех же ресурсах.
3. Инженерно реализуется гораздо проще.
Короче, выглядит очень привлекательно и, вероятно, станет следующим словом в RL для LLM (особенно в опенсорсе). Статью полностью читаем тут
👍4🔥3⚡1
Forwarded from Просто о BIM
#ИИ Классификация BIM-модели с помощью ИИ
https://vkvideo.ru/video-230401166_456239021
на видео продемонстрировал пример, как можно классифицировать модели в Revit с помощью классификатора КЭЦИМ,
с помощью скрипта на Python/Dynamo, n8n развернутом на своих серверах
и LLM от OpenAI с supabase которые пока облачные, но тоже можно заменить на корпоративные.
Пока сделал по выделению каждого элемента отдельно, чтобы проверять работу нейронки, но понятно, что можно и в цикл запустить и одним запросом все типы отправить, поправив чуть промпт.
Не сказал в видео про деньги. Примерно по 5 центов (4 рубля) каждый запрос выходит. Тоже важно для отработки рабочего процесса.
Серьезный вопрос про чанки и размер контекста, но это отдельно потом расскажу.
все материалы здесь: https://docs.sgnl.pro/s/f/e1a99bef-3ed6-4b2d-b89c-a6a1ea871e37
https://vkvideo.ru/video-230401166_456239021
на видео продемонстрировал пример, как можно классифицировать модели в Revit с помощью классификатора КЭЦИМ,
с помощью скрипта на Python/Dynamo, n8n развернутом на своих серверах
и LLM от OpenAI с supabase которые пока облачные, но тоже можно заменить на корпоративные.
Пока сделал по выделению каждого элемента отдельно, чтобы проверять работу нейронки, но понятно, что можно и в цикл запустить и одним запросом все типы отправить, поправив чуть промпт.
Не сказал в видео про деньги. Примерно по 5 центов (4 рубля) каждый запрос выходит. Тоже важно для отработки рабочего процесса.
Серьезный вопрос про чанки и размер контекста, но это отдельно потом расскажу.
все материалы здесь: https://docs.sgnl.pro/s/f/e1a99bef-3ed6-4b2d-b89c-a6a1ea871e37
VK Видео
Классификация BIM-модели с помощью ИИ по классификатору КЭЦИМ
Ссылка на материалы: https://docs.sgnl.pro/s/f/e1a99bef-3ed6-4b2d-b89c-a6a1ea871e37
⚡2🔥2❤1
Завтра мы начнём публиковать записи выступлений, а пока, делимся фотографиями!
#BIMПросвет #BIMПросветAI
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
❤6🔥6⚡4👍1🤔1