Как это вообще работает? Почему Sora рисует Яэль Шелбию?

P.S.: ниже текст, который мне переписал ChatGPT на мои объяснения своему другу.

Так вот, как это, скорее всего, устроено:

1. Во время обучения модели типа Sora скармливают кучу изображений и текстов.
В том числе — фото Яэль Шелбии, которые в сети идут с подписями вроде “самая красивая девушка”, “модель из Израиля”, “топ-100 по версии TC Candler”, и т.д.

2. Модель не запоминает сами фотки.
Она учится понимать паттерны — какие черты лица, пропорции, стиль внешности чаще всего ассоциируются с запросами типа “самая красивая девушка”.

3. Когда ты пишешь такой промпт — она не ищет Яэль, она ищет “абстрактную” красоту.
Условный “вектор красоты”, собранный из сотен тысяч похожих примеров.
И если Яэль — это частый представитель этого вектора, неудивительно, что сгенерённое изображение окажется на неё похожим.

4. Это не просто “скопировать и подретушировать”.
Модель не знает, что ты хочешь именно Яэль. Но она знает, как выглядит лицо, которое миллионы людей называли красивым. И выдаёт такой образ — уже новый, но с теми же чертами, что “научно признаны” красивыми по интернету.

5. Кстати, разница в промптах — влияет.
Например, “girl” может вызывать у модели ассоциации с более юным возрастом. А “девушка” — это уже ближе к взрослой модели. Поэтому и образы чуть отличаются.

⸻

Вывод:
Модель не копирует Яэль Шелбию. Но если она — один из эталонов интернет-красоты, то вполне логично, что её черты всплывают при генерации. Это не магия и не случайность — это статистика и обучение на сотнях миллионов данных.

🧠 Apple и AI: отставание, о котором никто не ожидал

Apple — самая дорогая компания мира, но когда дело дошло до ИИ, она вдруг оказалась позади всех. Об этом говорит небезизвестный Marques Brownlee.

Ниже саммари его видео:

AI — это сейчас, наверное, главный движ в техно-мире. Google, Microsoft, даже Samsung вовсю добавляют фичи в продукты.

А что делает Apple?

Анонсирует Apple Intelligence в 2024.
Выпускает iPhone 16, «созданный для AI».
Потом выпускает обновление. Потом ещё. Потом ещё.

А где новый Siri?
А вот и нет.
И не знаем, когда будет.

Некоторые фичи вроде сгенерированных эмодзи и автоответов — да, появились. Но всё самое интересное — "в будущем", без дат, без демо, без живых показов. Даже рекламу пришлось удалить — в ней показывали Siri, которого нет 🫠

🤖 И это на фоне того, что другие компании AI уже реально показывают и используют.

Такое ощущение, что Apple больше хотела сказать инвесторам «смотрите, у нас тоже есть AI», чем реально сделать что-то полезное. И вот это реально странно видеть от компании, которая обычно выходит позже, но делает лучше всех.

Ощущается как первое серьёзное отставание Apple за много лет.
И, честно говоря, немного тревожно.

С удовольствием смотрю/слушаю все выпуски Димы, но этот выпуск с Русланом просто наикрутейший!

В последние секунды можно увидеть магию от Meta 🧙 🪄

«Предсказание — это сжатие»
(Шеннон)

«Предсказание — это интеллект»
(ЛеКун, Хинтон, Сатскевер)

→ «Интеллект — это сжатие» (??)

🤔🤔🤔

«Чем больше ты понимаешь, тем больше можешь удалить из текста без потери»

«Этот конкурс по сжатию мотивирован тем фактом, что способность хорошо сжимать тесно связана с интеллектуальными действиями»

(Маркус Хуттер и Премия Хуттера)

source

Советую посмотреть апдейт от Байрама о том, что произошло в AI-индустрии на апрель 2025 года.


Там про агентов и sdk для них, mcp, новые модели, AI 2027, ну и как всегда predictions на этот год.


Если что, вот ссылка на презентацию.

Слайд 13 (смотри комменты), тайм-код 00:36:20

Пожалуй, самая интересная часть для меня — это та, где Байрам рассказывает про о3 и её уникальность по сравнению с предыдущими моделями/системами. Мне это показалось очень важным, и я раньше ни от кого не слышал о новой о3 с акцентом на agentic tool use. Сейчас постараюсь объяснить, почему это важно.

Система 1
GPT-3.5, GPT-4, GPT-4o — чистая «быстрая» генерация токенов по статистике. Модель получает на вход контекст и выбирает следующий токен по наивысшей вероятности.

Система 2
Например о1 (обучались на «chain-of-thought») — медленное, пошаговое рассуждение. Такие модели умеют разбивать задачу на логические шаги внутри себя, имитируя планирование и внутренний диалог.

Система 3
о3 (и, вероятно о4) — "агентные" модели, которым в процессе обучения были представлены задачи, которые могли быть решены только с использованием внешних инструментов. Здесь ключевой акцент на agentic tool use: модель не только анализирует текст и рассуждает на уровне токенов, но и решает, когда и какие внешние тулзы (Web Browsing, API, Code Interpreter, Function Calling, API) подключить для решения задачи.

На бенче Humanity’s Last Exam заметен тоже этот прирост и o3 с тулзами почти догоняет DeepResearch, в котором как раз построен пайплайн по использованию тулзом, а о3 сама решает что и когда использовать.

Если Бог создал мир, то кто создал его?

Или перефразирую:

Если наша Вселенная всего лишь симуляция, то как создалась та исходная Вселенная, в которой наша симуляция?

Или:

Если обнаружим/докажем, что пространство дискретно и/или состоит из материи, то из чего состоит эта материя/эти точки.

Такие мысли в полночь после просмотра последней серии первого сезона сериала «Devs»

Подкаст на лету за 5 минут 🤯🤯🤯

Вспомнил утром про свой последний пост и закинул его в ChatGPT, порефлексировал с ним на эту тему, задавая уточняющие и интересующие меня вопросы.

Затем вспомнил про NotebookLM, скопировал туда переписку с ChatGPT и запустил генерацию подкаста. Пошёл делать кофе.

8 минутный подкаст был готов быстрее, чем кофе, но был на немецком языке, залез в настройки и переключил на русский, запустил новую генерацию.

Пил кофе и слушал подкаст сначала на немецком, а потом на русском языке. Немецкая озвучка понравилась больше, но на русском тоже достойного качества. Просто крутотенюшка!

А вам как? Может есть какие-то советы, как делать подкасты на лету ещё качественее?

Какой лучший выигришный ход за белых?

Пишите в комментариях 👇

п.с.: это подводка к следующим постам про ИИ и шахматы =)

Ютуб поднкинул, а я с вами делюсь.

Интересно то, что именно при взаимодействие люди понимают/осознают способности технолгий.

Язык — это единственный из всех доступных человеку естественных методов восприятия, который полностью, на 100%, создан. Вкус, зрение, обоняние существующуют в пироде и доступны всем животным. Эволюции потребовались сотни миллионов лет для развития этих органов чувств. Язык же появился всего лишь за последние 200-300 тысяч лет и он не означает ничего — фактически, шум — вне сознания человека.

Я думаю, это главная причина почему прогресс в LLM был и останется настолько стремительным.

Команда ARC-AGI про Grok 4:

“Мы получили звонок от @xai 24 часа назад

«Мы хотим протестировать Grok 4 на ARC-AGI»

Были слухи, мы знали, что будет хорошо. Мы не ожидали, что он станет моделью номер один на ARC-AGI.

Вот как проходило тестирование и что значат результаты:

Вчера мы общались с Джимми из xAI team, он попросил нас проверить их скор Grok 4. Они сами прогнали тесты на публичном наборе ARC-AGI-1 & 2

Чтобы подтвердить цифры и проверить переобучение, мы сами прогнали новую модель на нашем полуприватном датасете.

Мы объяснили им наши правила тестирования:
- никакого сохранения данных
- чекпойнт модели должен быть предназначен для паблика
- временное увеличение rate limits для burst-тестов

Они согласились, так что мы начали тесты.

Сначала словили таймауты на обычных запросах, перешли на streaming и рроблема ушла.

Что значат эти результаты?

Во-первых, факты: Grok 4 теперь топовая публично доступная модель на ARC-AGI. Она даже обходит заточенные решения с Kaggle.

Во-вторых, ARC-AGI-2 сложен для текущих AI моделей. Чтобы набрать хороший балл, модели должны выучить мини-скилл по серии обучающих примеров и показать его на тесте.

Предыдущий топ был около 8 % (у Opus 4). Всё ниже 10 % - это шум.

Скор 15.9 % пробивает шумовой барьер, Grok 4 показывает ненулевой уровень fluid intelligence”

Source