#unrealneural
Sakana AI: как превратить идеи в реальные технологии

В интервью от 29 июля команда Sakana AI рассказала, зачем они создали новую Applied Team: чтобы не просто проводить исследования, а делать из них работающие решения для бизнеса.

Фокус — на том, чтобы учёные и инженеры работали вместе над практическими задачами, а не «в теории».

Ключевые методы, которые использует Applied Team Sakana AI:
1. Связь между исследованием и продуктом
Applied Team служит мостом между командой фундаментальных исследований и реальными кейсами применения. Задача — быстро адаптировать и тестировать идеи из лаборатории в продуктах.

2. Работа в «малых, но автономных» командах
Каждая мини-группа отвечает за полный цикл: от идеи до внедрения. Это ускоряет эксперименты и принятие решений.

3. Совместное проектирование с конечными пользователями
Команда активно работает с потенциальными заказчиками и промышленными партнёрами, чтобы точно понимать реальные потребности и ограничения.

4. Итеративный подход: MVP → Feedback → Refinement
Быстрая разработка минимального жизнеспособного решения (MVP), сбор обратной связи и доработка на основе реального опыта.

5. Инженеры = соавторы решений, а не просто исполнители
Инженеры вовлечены в осмысление, как использовать конкретную технологию, а не просто реализуют готовое ТЗ.

Исследования, которые не пылятся на полке — а меняют индустрию.
https://sakana.ai/applied-team-interview-2025/

#unrealneural #пытаюсьпонять
Кто на самом деле изобрёл сверточные нейронные сети (CNN)?

В 1980 году Кунихико Фукусима предложил неокогнитрон — первую архитектуру с иерархией свёрток и pooling, инвариантную к смещению.
Лишь через 10 лет Лекун добавил обучение с учителем, но фундамент был заложен в Японии.

Многие идеи в ИИ созданы давно — сегодня мы не изобретаем, а масштабируем то, что раньше казалось невозможным.🤗
https://www.rctn.org/bruno/public/papers/Fukushima1980.pdf

#unrealneural
LLM pdf

LLM может работать внутри pdf файла 🤗

https://github.com/EvanZhouDev/llm.pdf

#unrealneural
OASIS — масштабируемый симулятор соцсетей с открытым кодом! Использует крупные языковые модели для реалистичной имитации поведения до 1 млн пользователей на платформах вроде Twitter и Reddit. Можно симулировать изучать социальные явления: распространение информации, групповая поляризация, стадное поведение. Универсальный инструмент для анализа цифровой динамики и взаимодействия пользователей!

https://github.com/camel-ai/oasis

#unrealneural
FastWan

Генерация 5-секундного видео всего за 5 секунд

https://fastwan.fastvideo.org/

#unrealneural
3D-R1 на Hugging Face

3D-R1 — это универсальная модель с открытым исходным кодом, которая улучшает логику 3D VLM для унифицированного понимания сцены.
https://huggingface.co/papers/2507.23478

#unrealneural
Прорыв в зрительно-моторной политике через обучение на видеоданных

Можно ли обучить зрительно-моторную политику только на видеосъёмке? Новая статья показывает, что обучение созданию видео без данных о действиях обеспечивает мощное обобщение для новых задач!

* Зрительно-моторная политика — это алгоритм ИИ, который связывает визуальные данные (видео, изображения) с действиями, позволяя роботам или системам выполнять задачи, такие как движение или манипуляция объектами, на основе того, что они "видят".
https://arxiv.org/abs/2508.00795

⚡️GPT-5 выйдет уже завтра в 20:00 — OpenAI только что анонсировали прямую трансляцию.

Грядёт нечто грандиозное.

#вкопилкуэрудита
Логистическая регрессия — одна из простейших моделей машинного обучения и одна из самых показательных.

Она показывает нам, как перейти от геометрической интуиции к вероятностному мышлению. Освоение этой интуиции закладывает основу для всего остального.

#вкопилкуэрудита #unrealneural #пытаюсьпонять
Новый механизм внимания, Dynamic Sparse Attention.

Авторы провели обширную оценку, которая показала хорошую производительность. С помощью DSA модель генерирует маску внимания, а эффективное ядро экономит вычисления.
https://arxiv.org/pdf/2508.02124

#unrealneural
Пообщался с GPT-5-nano и спросил что нового он умеет с пунктами применимости для задач девелопмента и архитектурного проектирования

1. Расширенный контекст и лучшее удержание информации в рамках одной сессии.
Применимость: держать требования, user stories и архитектурные решения в связной беседе, легче прослеживать связь между ними.
Примеры использования: сбор backlog, acceptance criteria и ADR в рамках одной встречи; быстрый доступ к контексту при дальнейшем обсуждении.

2. Улучшенная логика и планирование решений.
Применимость: чётче формулировать архитектурные паттерны, выбор технологий и trade-offs; улучшает обоснование в design docs.
Примеры использования: сравнение монолит vs микросервисы, выбор базы данных с аргументацией по масштабируемости и стоимости.

3. Улучшенная генерация кода и отладка.
Применимость: ускорение старта проекта, создание тестовой инфраструктуры, упрощение рефакторинга и объяснение логики.
Примеры использования: генерация каркасов REST/GraphQL сервисов, тестовых наборов, комментариев к сложным алгоритмам.

4. Мультимодальность: работа с изображениями и диаграммами.
Применимость: анализ UML/архитектурных диаграмм, мокапов и UI-скриншотов, сопоставление диаграмм с требованиями.
Примеры использования: конвертация диаграмм в спецификации API, верификация соответствия UI-решений требованиям.

5. Улучшенная работа с структурированными данными (JSON, YAML, OpenAPI/Swagger, SQL-схемы).
Применимость: работа с API-спецификациями, конфигурациями развёртывания, моделями данных и контрактами между сервисами.
Примеры использования: генерация OpenAPI из требований, валидация JSON-схем, автоматическое создание миграций.

6. Адаптация под стиль проекта и шаблоны документов.
Применимость: единый стиль кода и документации, ускоренная подготовка design docs и API-справок.
Примеры использования: настройка шаблонов ADR, API-документации и README; выравнивание форматов под команду.

7. Безопасность, приватность и этическая ответственность.
Применимость: безопасная разработка, соответствие политик приватности и комплаенсу, минимизация рисков.
Примеры использования: рекомендации по приватности по дизайну, аудит безопасности архитектурных решений, фильтры контента на стадии ревью.

8. Локализация и многоязычность.
Применимость: подготовка интернационализированной документации и интерфейсов, работа с локализованными требованиями.
Примеры использования: переводы требований и инструкций, подготовка локализованных UI-сообщений.

9. Точность и устойчивость к галлюцинациям.
Применимость: критические решения и верификация идей на ранних этапах; точные пояснения и примеры.
Примеры использования: проверки фактов в архитектурных вариациях, привязка предложений к источникам и чек-листам.

10. Планирование проектов и задач.
Применимость: создание roadmaps, планов спринтов и оценки трудозатрат.
Примеры использования: распланировать этапы проекта, распределение задач по спринтам, оценка времени и зависимостей.

11. Персонализация под проект.
Применимость: адаптация стиля коммуникации, форматов документов и уровня детализации под команду.
Примеры использования: настройка уровня технической детализации в доках, подбор подходящих форматов отчетности.