Media is too big
VIEW IN TELEGRAM
#unrealneural
Демонстрация потоковой передачи разных уровней детализации гауссовых сплаттингов для 3д моделирования ✨
https://playcanv.as/p/ZoUBrC6e/
Демонстрация потоковой передачи разных уровней детализации гауссовых сплаттингов для 3д моделирования ✨
https://playcanv.as/p/ZoUBrC6e/
❤4🔥3⚡2
Forwarded from ИИ и роботы в стройке
This media is not supported in your browser
VIEW IN TELEGRAM
TwinMaster — мультиагентная платформа, которая создает цифровой двойник проекта на основе данных из BIM-моделей (Revit, Rhino, SketchUp и др.) через API или облако. И с цифровым двойником можно общаться просто промтами
В основе — несколько специализированных ИИ-агентов, каждый из которых обрабатывает свою часть модели (освещённость, энергоэффективность, стоимость, нормативы, конструктивность и другие).
Платформа TwinMaster интерпретирует геометрию, параметры и материалы, проводит симуляции и формирует отчёты по стоимости проекта.
В основе — несколько специализированных ИИ-агентов, каждый из которых обрабатывает свою часть модели (освещённость, энергоэффективность, стоимость, нормативы, конструктивность и другие).
Платформа TwinMaster интерпретирует геометрию, параметры и материалы, проводит симуляции и формирует отчёты по стоимости проекта.
👍5🥰3⚡2
Forwarded from Метаверсище и ИИще (Sergey Tsyptsyn ️️)
Уже писал про 3Д-генератор hitem3D.
Он дает самую, пожалуй, высокодетализированную сетку.
Так вот, у них новая версия с дивным названием v1.5_1536 Pro и детализация еще выше.
Пробуем тут: https://www.hitem3d.ai/
Вроде есть бесплатные кредиты.
@cgevent
Он дает самую, пожалуй, высокодетализированную сетку.
Так вот, у них новая версия с дивным названием v1.5_1536 Pro и детализация еще выше.
Пробуем тут: https://www.hitem3d.ai/
Вроде есть бесплатные кредиты.
@cgevent
👍5❤2⚡1
#unrealneural
Похоже, мозг предпочитает семь чувств, а не пять.
Новое исследование Сколтеха показывает, что мозг лучше работает с семью чувствами. Учёные использовали математическую модель, чтобы изучить, как мозг хранит понятия в виде «энграмм» - нейронных цепочек, представляющих ощущения, такие как зрение, слух, осязание, обоняние и вкус.
Например, «ананас» кодируется как жёлтый, сладкий, колючий и сочный. Исследование смоделировало эволюцию энграмм: усиление при использовании, ослабление при игнорировании и кластеризацию по сходству.
Семимерное пространство оказалось оптимальным для объёма памяти. Пять измерений ограничивают ёмкость, а восемь и более вызывают перекрытие концепций. Это может применяться в мозге и ИИ.
Исследование не говорит о скрытых чувствах, но намекает, что дополнительные сигналы, например магнетизм, могут улучшить память в эволюции или технологиях.
Похоже, мозг предпочитает семь чувств, а не пять.
Новое исследование Сколтеха показывает, что мозг лучше работает с семью чувствами. Учёные использовали математическую модель, чтобы изучить, как мозг хранит понятия в виде «энграмм» - нейронных цепочек, представляющих ощущения, такие как зрение, слух, осязание, обоняние и вкус.
Например, «ананас» кодируется как жёлтый, сладкий, колючий и сочный. Исследование смоделировало эволюцию энграмм: усиление при использовании, ослабление при игнорировании и кластеризацию по сходству.
Семимерное пространство оказалось оптимальным для объёма памяти. Пять измерений ограничивают ёмкость, а восемь и более вызывают перекрытие концепций. Это может применяться в мозге и ИИ.
Исследование не говорит о скрытых чувствах, но намекает, что дополнительные сигналы, например магнетизм, могут улучшить память в эволюции или технологиях.
🤔7⚡2
This media is not supported in your browser
VIEW IN TELEGRAM
#unrealneural #ЛабораторияИИ
Немного экспериментов ИИ генерацией для продакшена. Симуляции света и отражений очень впечатляют⚡️
Немного экспериментов ИИ генерацией для продакшена. Симуляции света и отражений очень впечатляют⚡️
❤7👍4🔥2
Media is too big
VIEW IN TELEGRAM
#unrealneural
BrickGPT получила награду ICCV 2025 за лучшую работу
https://avalovelace1.github.io/BrickGPT/
BrickGPT получила награду ICCV 2025 за лучшую работу
https://avalovelace1.github.io/BrickGPT/
❤3👍2⚡1
#unrealneural
Тревожность - это не проблема мышления, это проблема сигнализации.
Мы потратили годы на коррекцию мыслей (когнитивных искажений), в то время как нервная система остается в состоянии повышенной готовности.
Когнитивные искажения имеют значение (например, катастрофизация), но они - «вершина айсберга».
Ниже них сеть режима по умолчанию (DMN) задействована в прогнозировании, передняя поясная извилина ищет ошибки, а миндалевидное тело помечает события повседневной жизни как опасные.
Когда это происходит, вы не действуете, вы реагируете.
Излишнее мышление - это симптом, а не проблема.
Ясность не приходит от осознания того, что вы катастрофизируете ситуацию.
Это происходит из-за смещения нейронных сетей.
Когда вы переключаете свое внимание на задачу, задействующую все тело, например, ходьбу или рисование, вы переключаете нейронные сети.
Вы переходите от DMN к сенсомоторной/SN. Это разблокирует негативные спирали мыслей и приносит безопасность. Затем ваш мозг ритмично и предсказательно движется по жизни, больше не размышляя и не перенапрягаясь.
Тревожность - это не проблема мышления, это проблема сигнализации.
Мы потратили годы на коррекцию мыслей (когнитивных искажений), в то время как нервная система остается в состоянии повышенной готовности.
Когнитивные искажения имеют значение (например, катастрофизация), но они - «вершина айсберга».
Ниже них сеть режима по умолчанию (DMN) задействована в прогнозировании, передняя поясная извилина ищет ошибки, а миндалевидное тело помечает события повседневной жизни как опасные.
Когда это происходит, вы не действуете, вы реагируете.
Излишнее мышление - это симптом, а не проблема.
Ясность не приходит от осознания того, что вы катастрофизируете ситуацию.
Это происходит из-за смещения нейронных сетей.
Когда вы переключаете свое внимание на задачу, задействующую все тело, например, ходьбу или рисование, вы переключаете нейронные сети.
Вы переходите от DMN к сенсомоторной/SN. Это разблокирует негативные спирали мыслей и приносит безопасность. Затем ваш мозг ритмично и предсказательно движется по жизни, больше не размышляя и не перенапрягаясь.
❤3🔥3👍2
Media is too big
VIEW IN TELEGRAM
#unrealneural
Этот плавающий двуногий робот, сконструированный из гелиевых шаров и шарнирных ног, был создан Деннисом Хонгом и Юсуке Танакой из Лаборатории робототехники и механизмов (RoMeLa) Калифорнийского университета в Лос-Анджелесе.
Этот плавающий двуногий робот, сконструированный из гелиевых шаров и шарнирных ног, был создан Деннисом Хонгом и Юсуке Танакой из Лаборатории робототехники и механизмов (RoMeLa) Калифорнийского университета в Лос-Анджелесе.
👍7⚡3🔥3
#unrealneural
Мозг не заботится о наших намерениях.
Его волнуют только повторения.
Повторение формирует крепкие нейронные связи.
Мозг не заботится о наших намерениях.
Его волнуют только повторения.
Повторение формирует крепкие нейронные связи.
❤3👍3🔥2😁2
#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
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.
❤🔥4⚡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.
🤔7👍2👌2