Forwarded from Machinelearning
🐋 DeepSeek выпустили DeepSeek-OCR 2 - новое поколение OCR с SOTA качеством
DeepSeek представили DeepSeek-OCR 2 - 3B модель для продвинутого понимания изображений, документов и OCR, которая выходит на уровень SOTA.
Ключевая новинка - DeepEncoder V2.
В отличие от классических vision LLM, которые «читают» картинку как сетку (слева-направо, сверху-вниз), DeepEncoder V2 работает ближе к тому, как читает человек:
- Сначала формируется глобальное понимание изображения
- Затем модель определяет логический порядок чтения — что важно первым, что дальше
Что это даёт на практике
📄 Лучше работает со сложными макетами документов
📊 Корректно читает таблицы
🧾 Связывает подписи и значения
📰 Понимает колонки и структурированный текст
🔀 Надёжнее обрабатывает смесь текста и визуальной структуры
По качеству
- Обходит Gemini 3 Pro на ряде бенчмарков
- Даёт >4% прироста по сравнению с прошлой версией DeepSeek-OCR
И это при размере модели всего 3B параметров.
Можно запускать и дообучать
Теперь DeepSeek-OCR 2 можно удобно запускать и fine-tune через Unsloth по готовому гайду.
🔗 Guide: https://unsloth.ai/docs/models/deepseek-ocr-2
🔗 Model: https://huggingface.co/deepseek-ai/DeepSeek-OCR-2
🔗 Github: https://github.com/deepseek-ai/DeepSeek-OCR-2/tree/main
🔗 Paper: https://github.com/deepseek-ai/DeepSeek-OCR-2/blob/main/DeepSeek_OCR2_paper.pdf
@ai_machinelearning_big_data
#DeepSeek #ocr #opensource
DeepSeek представили DeepSeek-OCR 2 - 3B модель для продвинутого понимания изображений, документов и OCR, которая выходит на уровень SOTA.
Ключевая новинка - DeepEncoder V2.
В отличие от классических vision LLM, которые «читают» картинку как сетку (слева-направо, сверху-вниз), DeepEncoder V2 работает ближе к тому, как читает человек:
- Сначала формируется глобальное понимание изображения
- Затем модель определяет логический порядок чтения — что важно первым, что дальше
Что это даёт на практике
📄 Лучше работает со сложными макетами документов
📊 Корректно читает таблицы
🧾 Связывает подписи и значения
📰 Понимает колонки и структурированный текст
🔀 Надёжнее обрабатывает смесь текста и визуальной структуры
По качеству
- Обходит Gemini 3 Pro на ряде бенчмарков
- Даёт >4% прироста по сравнению с прошлой версией DeepSeek-OCR
И это при размере модели всего 3B параметров.
Можно запускать и дообучать
Теперь DeepSeek-OCR 2 можно удобно запускать и fine-tune через Unsloth по готовому гайду.
🔗 Guide: https://unsloth.ai/docs/models/deepseek-ocr-2
🔗 Model: https://huggingface.co/deepseek-ai/DeepSeek-OCR-2
🔗 Github: https://github.com/deepseek-ai/DeepSeek-OCR-2/tree/main
🔗 Paper: https://github.com/deepseek-ai/DeepSeek-OCR-2/blob/main/DeepSeek_OCR2_paper.pdf
@ai_machinelearning_big_data
#DeepSeek #ocr #opensource
Даже в арабов есть свои ллмки)) и неплохие.
Кстати, пишут, что новая ктийская моделька Kimi K2.5 в кодинге очень даже хороша
Кстати, пишут, что новая ктийская моделька Kimi K2.5 в кодинге очень даже хороша
X (formerly Twitter)
Artificial Analysis (@ArtificialAnlys) on X
Further analysis on Artificial Analysis:
https://t.co/crjfL2idYc
HuggingFace 🤗 link:
https://t.co/3aiJebDAQM
https://t.co/crjfL2idYc
HuggingFace 🤗 link:
https://t.co/3aiJebDAQM
Forwarded from Неискусственный интеллект (Илья Склюев)
Нейросети осваивают законотворчество
Пока наши депутаты отрицают факт работы с ChatGPT, ссылаясь на вердикт «рекомендованного» GigaChat, за океаном всё смелее говорят о постановке законопроектов "на поток". СМИ выяснили, что в администрации Трампа начали использовать ИИ для подготовки нормативных актов на федеральном уровне.
Первыми освоить технологию решили в американском Минтрансе. Там начали использовать Gemini для помощи в разработке новых правил, касающихся безопасности в авиации, автомобилестроении, на железных дорогах и на море.
Юрист ведомства Дэниел Коэн написал коллегам, что ИИ «способен кардинально изменить процесс разработки нормативных актов». Грегори Зерзан, главный юрисконсульт, сообщил, что президент Дональд Трамп «очень воодушевлён этой инициативой».
Аргументацию, при этом, привели прекрасную. «Нам не нужно идеальное правило для XYZ. Нам даже не нужно очень хорошее правило для XYZ». Достаточно черновика, с которым разработать новое постановление всего за 30 дней или меньше.
В России на государственном уровне ИИ для работы с документами внедряют как в рамках общей платформы для чиновников (Минцифры), так и в отдельных ведомствах (Минфин). Ну и в системе электронного документооборота ИИ-ассистенты уже есть (про это говорил вице-премьер Дмитрий Григоренко).
@anti_agi
Пока наши депутаты отрицают факт работы с ChatGPT, ссылаясь на вердикт «рекомендованного» GigaChat, за океаном всё смелее говорят о постановке законопроектов "на поток". СМИ выяснили, что в администрации Трампа начали использовать ИИ для подготовки нормативных актов на федеральном уровне.
Первыми освоить технологию решили в американском Минтрансе. Там начали использовать Gemini для помощи в разработке новых правил, касающихся безопасности в авиации, автомобилестроении, на железных дорогах и на море.
Юрист ведомства Дэниел Коэн написал коллегам, что ИИ «способен кардинально изменить процесс разработки нормативных актов». Грегори Зерзан, главный юрисконсульт, сообщил, что президент Дональд Трамп «очень воодушевлён этой инициативой».
Шесть сотрудников Минтранса США, которые анонимно пообщались с ProPublica, рассказали, что на составление типичного нормативного акта могут уйти месяцы, а иногда и годы из-за сопутствующих сложностей. Но на демонстрации в декабре ведущий сказал им, что Gemini от Google может сократить этот срок до «минут или даже секунд».
Аргументацию, при этом, привели прекрасную. «Нам не нужно идеальное правило для XYZ. Нам даже не нужно очень хорошее правило для XYZ». Достаточно черновика, с которым разработать новое постановление всего за 30 дней или меньше.
В России на государственном уровне ИИ для работы с документами внедряют как в рамках общей платформы для чиновников (Минцифры), так и в отдельных ведомствах (Минфин). Ну и в системе электронного документооборота ИИ-ассистенты уже есть (про это говорил вице-премьер Дмитрий Григоренко).
@anti_agi
ProPublica
Government by AI? Trump Administration Plans to Write Regulations Using Artificial Intelligence
The Transportation Department, which oversees the safety of airplanes, cars and pipelines, plans to use Google Gemini to draft new regulations. “We don’t need the perfect rule,” said DOT’s top lawyer. “We want good enough.”
Google посмотрел на конкурентов и тоже сделал автобраузинг - отдельную панель в хроме, в которой живет Джемини, нано-банана и агенты, и в которой можно давать им задачки для самостоятельной работы с браузером. Работает на платных подписках в Америке, но скоро будет везде.
И скоро ждем Gemini 3.5, про которую обещают, что будет точно круче GPT 5.2 и Opus 4.5.
И скоро ждем Gemini 3.5, про которую обещают, что будет точно круче GPT 5.2 и Opus 4.5.
А xAI Илона Маска неожиданно выдал Grok imagine - сейчас это лучшая модель по генерации видео из текста или картинок.
X (formerly Twitter)
xAI (@xai) on X
Try the all new Grok Imagine API: https://t.co/tqQwQVhaug
Forwarded from Machinelearning
Пока индустрия одержима гигантоманией и соревнуется, у кого больше параметров, Stepfun решили пойти против течения.
Встречайте, Step3-VL-10B - компактная VL-модель, которая по заявлениям разработчиков не просто конкурирует, а буквально уделывает модели в 10–20 раз тяжелее, включая таких титанов, как Gemini 2.5 Pro и GLM-4.6V.
Звучит как маркетинговый хайп, но под капотом есть интересные инженерные решения, хоть и с хитринкой.
Конструкция из кастомного визуального PE-lang энкодера на 1.8B параметров и Qwen3-8B (что уже половина успеха, учитывая мощь Qwen) в качестве декодера.
В отличие от многих, кто замораживает визуальную часть, Stepfun разморозили все и тренировали модель в один прогон на 1,2 трлн. токенов. Это позволило визуальной и языковой частям модели не просто сосуществовать, а реально срастись и притереться друг к другу.
После этого модель прогнали через адский RL-цикл (RLVR+RLHF) на 1400+ итераций, чтобы модель научилась жестко ризонить.
В бенчмарках цифры действительно страшные (в хорошем смысле) для такого размера:
Для сравнения: GLM-4.6V на 106B выдает на MMMU только 75.20.
Инженерная хитринка кроется в методологии тестирования. Видите в результатах тестов пометку PaCoRe?
PaCoRe (Parallel Coordinated Reasoning):
Чтобы получить топовые цифры, модель использует test-time compute. Она запускает 16 параллельных роллаутов, собирает доказательства из разных веток и синтезирует ответ.
На инференсе это будет стоить вам в 16 раз "дороже" по ресурсам, чем обычный прогон. В стандартном режиме (SeRe) модель все еще хороша, но уже не выглядит как "убийца всех топов".
Кстати, Stepfun честно признались, что в отчетах накосячили с бенчмарками конкурента Qwen3VL-8B из-за неверного
max_tokens. Извинились, обещают пересчитать. Это добавляет доверия, но напоминает, что бенчмарки - дело тонкое.В общем, модель - отличный кандидат для локального использования: есть OpenAI-compatible API и vLLM поддерживается (PR вмержили).
⚠️ Если модель зацикливается при генерации - обновите конфиг, там был баг с
eos_token_id, который уже пофиксили.@ai_machinelearning_big_data
#AI #ML #VLM #STEP3 #StepFunAI
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from Анализ данных (Data analysis)
🎙️🚀 Qwen3-ASR и Qwen3-ForcedAligner- open source ASR модели
Мощный, стриминговый speech AI продакшн-уровня для 52 языков и диалектов.
ASR-1.7B - флагманская open-source модель распознавания речи. По качеству конкурирует с очень сильными решениями и обходит многие популярные open-модели прошлого поколения.
ASR-0.6B - компактная и очень быстрая версия.Cтавка на эффективность и низкую задержку, подходит для real-time сценариев.
ForcedAligner-0.6B - модель для точного сопоставления текста и аудио. Дает аккуратные таймкоды на уровне слов и фраз для 11 языков.
Целый открытый стек для разработчиков. Все это можно встраивать в свои системы без закрытых зависимостей.
Лицензия Apache 2.0 - можно использовать в коммерческих продуктах.
GitHub: https://github.com/QwenLM/Qwen3-ASR
Hugging Face: https://huggingface.co/collections/Qwen/qwen3-asr
ModelScope: https://modelscope.cn/collections/Qwen/Qwen3-ASR
Hugging Face Demo: https://huggingface.co/spaces/Qwen/Qwen3-ASR
ModelScope Demo: https://modelscope.cn/studios/Qwen/Qwen3-ASR
Blog: https://qwen.ai/blog?id=qwen3asr
Paper: https://github.com/QwenLM/Qwen3-ASR/blob/main/assets/Qwen3_ASR.pdf
Мощный, стриминговый speech AI продакшн-уровня для 52 языков и диалектов.
ASR-1.7B - флагманская open-source модель распознавания речи. По качеству конкурирует с очень сильными решениями и обходит многие популярные open-модели прошлого поколения.
ASR-0.6B - компактная и очень быстрая версия.Cтавка на эффективность и низкую задержку, подходит для real-time сценариев.
ForcedAligner-0.6B - модель для точного сопоставления текста и аудио. Дает аккуратные таймкоды на уровне слов и фраз для 11 языков.
Целый открытый стек для разработчиков. Все это можно встраивать в свои системы без закрытых зависимостей.
Лицензия Apache 2.0 - можно использовать в коммерческих продуктах.
GitHub: https://github.com/QwenLM/Qwen3-ASR
Hugging Face: https://huggingface.co/collections/Qwen/qwen3-asr
ModelScope: https://modelscope.cn/collections/Qwen/Qwen3-ASR
Hugging Face Demo: https://huggingface.co/spaces/Qwen/Qwen3-ASR
ModelScope Demo: https://modelscope.cn/studios/Qwen/Qwen3-ASR
Blog: https://qwen.ai/blog?id=qwen3asr
Paper: https://github.com/QwenLM/Qwen3-ASR/blob/main/assets/Qwen3_ASR.pdf
Большое обновление в топовом репозитории по распознаванию документов. Можно ставить на локальных машинах - обязательно попробую
X (formerly Twitter)
PaddlePaddle (@PaddlePaddle) on X
🚀PaddleOCR-VL-1.5 is here!— A New SOTA for Document Parsing!
🔍 94.5% accuracy on OmniDocBench v1.5 with just 0.9B parameters, outperforming leading general-purpose LLMs and document-specific models under standardized benchmarks.
📐 Irregular-shaped localization…
🔍 94.5% accuracy on OmniDocBench v1.5 with just 0.9B parameters, outperforming leading general-purpose LLMs and document-specific models under standardized benchmarks.
📐 Irregular-shaped localization…
Очень любопытная библиотека для маков по работе с голосовыми моделями - тоже в моем списке того, что надо ставить и использовать. Все-таки говорящая нейронка - это, как минимум, прикольно
X (formerly Twitter)
Prince Canuma (@Prince_Canuma) on X
🔊mlx-audio v0.3.1 is out
New models 🤖
> Qwen3-ASR & ForceAligner by @Alibaba_Qwen
What's new ✨
> Qwen3-TTS streaming + optimized memory usage
> Fixed Qwen3-TTS 0.6B CustomVoice models producing silence
> Server improvements in API for STT and TTS
> Poetry…
New models 🤖
> Qwen3-ASR & ForceAligner by @Alibaba_Qwen
What's new ✨
> Qwen3-TTS streaming + optimized memory usage
> Fixed Qwen3-TTS 0.6B CustomVoice models producing silence
> Server improvements in API for STT and TTS
> Poetry…
Встретил сегодня прикольный подход. Запуск агентов в ночную смену - это то, что делают уже многие, и то, к чему я только подхожу.
Но тут один товарищ рассказывает, как его агенты собирают информацию за день, смотрят на изменения, актуализируют документацию, промпты. Накапливают знания.
Это очень логично, постоянно сталкиваюсь с тем, что мои репозитории не самые свежие, а системные промпты устарели. Особенно, когда используешь несколько разных компьютеров
Но тут один товарищ рассказывает, как его агенты собирают информацию за день, смотрят на изменения, актуализируют документацию, промпты. Накапливают знания.
Это очень логично, постоянно сталкиваюсь с тем, что мои репозитории не самые свежие, а системные промпты устарели. Особенно, когда используешь несколько разных компьютеров
Forwarded from Machine learning Interview
Tencent YouTu Research открыли Youtu-VL-4B-Instruct*- компактную VLM, которая серьёзно прокачивает визуальное понимание через подход VLUAS 👁️⚡
Это не просто “ещё одна vision-модель”, а попытка объединить кучу задач в одной архитектуре без зоопарка отдельных голов.
🌟 Что здесь особенно выделяется
✅ All-in-One Vision
SOTA-уровень в детекции объектов, сегментации, оценке глубины и поз — без task-specific голов под каждую задачу.
✅ OCR и мультимодальное рассуждение
Сильная в сложном разборе документов и задачах, где нужно одновременно видеть и “думать” (например, математика по изображениям).
✅ Готовность к GUI-агентам
Оптимизирована под понимание окружающей среды и навигацию по интерфейсам — важная часть будущих AI-агентов.
✅ Эффективность
Всего 4B параметров — хорошо подходит для edge-деплоя и быстрого инференса.
🔧 По результатам
Модель обгоняет многие более крупные системы на OmniDocBench и vision-centric задачах, оставаясь при этом компактной.
Это интересный шаг к универсальным vision-моделям, которые могут стать базой для агентов, работающих с экранами, документами и реальным миром.
🔗 Модель
https://modelscope.cn/models/Tencent-YouTu-Research/Youtu-VL-4B-Instruct
https://modelscope.cn/models/Tencent-YouTu-Research/Youtu-VL-4B-Instruct-GGUF
📄 Статья
https://modelscope.cn/papers/2601.19798
Это не просто “ещё одна vision-модель”, а попытка объединить кучу задач в одной архитектуре без зоопарка отдельных голов.
🌟 Что здесь особенно выделяется
✅ All-in-One Vision
SOTA-уровень в детекции объектов, сегментации, оценке глубины и поз — без task-specific голов под каждую задачу.
✅ OCR и мультимодальное рассуждение
Сильная в сложном разборе документов и задачах, где нужно одновременно видеть и “думать” (например, математика по изображениям).
✅ Готовность к GUI-агентам
Оптимизирована под понимание окружающей среды и навигацию по интерфейсам — важная часть будущих AI-агентов.
✅ Эффективность
Всего 4B параметров — хорошо подходит для edge-деплоя и быстрого инференса.
🔧 По результатам
Модель обгоняет многие более крупные системы на OmniDocBench и vision-centric задачах, оставаясь при этом компактной.
Это интересный шаг к универсальным vision-моделям, которые могут стать базой для агентов, работающих с экранами, документами и реальным миром.
🔗 Модель
https://modelscope.cn/models/Tencent-YouTu-Research/Youtu-VL-4B-Instruct
https://modelscope.cn/models/Tencent-YouTu-Research/Youtu-VL-4B-Instruct-GGUF
📄 Статья
https://modelscope.cn/papers/2601.19798
Вот так и начинается искусственный интеллект. С соцсетей для нейронок..
https://t.me/llm_under_hood/742
https://t.me/llm_under_hood/742
Telegram
LLM под капотом
Про MoltBook я обязан написать, ибо это забористая и интересная штука
Итак, есть MoltBot/ClawdBot (писал тут) - это агент, который ставится очень просто и подключается ко всему подряд. Особенно хорошо он встает на Маках, т.к. автор - разработчик под Mac…
Итак, есть MoltBot/ClawdBot (писал тут) - это агент, который ставится очень просто и подключается ко всему подряд. Особенно хорошо он встает на Маках, т.к. автор - разработчик под Mac…
😱1👀1
Forwarded from Креативный совет
This media is not supported in your browser
VIEW IN TELEGRAM
This media is not supported in your browser
VIEW IN TELEGRAM
This media is not supported in your browser
VIEW IN TELEGRAM
This media is not supported in your browser
VIEW IN TELEGRAM
This media is not supported in your browser
VIEW IN TELEGRAM
Media is too big
VIEW IN TELEGRAM
Выходит Vidu Q3, модель, которая гордо занимает второе место на арене txt2vid
До 16 секунд видео+аудио генерации в 1080, шикарная консистентность и рендеринг текста
Помимо q3 компания так же обновила агента, добавила Q2 Reference-to-Video Pro и создала библиотеку референсов Reference Hub 2.0
@creadvice | Наш курс по ИИ Видео
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM