This media is not supported in your browser
VIEW IN TELEGRAM
#unrealneural
Еще немного шикарных результатов с использованием Kling 2.1 Start & End Frame
P.S. видео не мое
Еще немного шикарных результатов с использованием Kling 2.1 Start & End Frame
P.S. видео не мое
⚡6👍3❤2👎1
#unrealneural #вкопилкуэрудита
"Эффект МакКордак"("Эффект AI")
Как только ИИ осваивает новую задачу, её часто начинают считать простой вычислительной операцией, а не примером интеллектуального процесса. Это приводит к постоянному пересмотру границ того, что считается ИИ, а что — интеллектуальной деятельностью.
Эффект назван в честь Памелы МакКордак, писательницы и исследовательницы ИИ, которая описала этот феномен в своей книге «Machines Who Think» (1979).
Яркий пример - когда шахматный компьютер Deep Blue обыграл чемпиона мира, многие были разочарованы: это была не та форма суперинтеллекта, о которой мечтали. Задача просто перестала быть показателем интеллекта, как только решилась машиной.
"Эффект МакКордак"("Эффект AI")
Как только ИИ осваивает новую задачу, её часто начинают считать простой вычислительной операцией, а не примером интеллектуального процесса. Это приводит к постоянному пересмотру границ того, что считается ИИ, а что — интеллектуальной деятельностью.
Эффект назван в честь Памелы МакКордак, писательницы и исследовательницы ИИ, которая описала этот феномен в своей книге «Machines Who Think» (1979).
Яркий пример - когда шахматный компьютер Deep Blue обыграл чемпиона мира, многие были разочарованы: это была не та форма суперинтеллекта, о которой мечтали. Задача просто перестала быть показателем интеллекта, как только решилась машиной.
👍9❤2
#unrealneural #вкопилкуэрудита
Semantic Structure in LLM Embeddings
Семантические пространства эмбеддингов LLM незаметно сжимают множество значений в небольшое общее пространство, отражающее человеческие суждения.
Трехмерное подпространство охватывает около 50% семантической дисперсии.
Психология показывает, что люди оценивают слова по нескольким осям, например, насколько они позитивны, насколько они сильны и насколько активны.
Авторы воссоздают это, формируя 28 направлений из пар антонимов и проецируя на них 301 слово.
Эти прогнозы хорошо соответствуют рейтингам опроса, показывая, что геометрия встраивания отражает человеческие ассоциации.
Анализ главных компонентов — инструмент, который находит основные направления вариации, сворачивает проекции в три компонента, такие как оценка, эффективность и активность.
https://arxiv.org/abs/2508.10003
Semantic Structure in LLM Embeddings
Семантические пространства эмбеддингов LLM незаметно сжимают множество значений в небольшое общее пространство, отражающее человеческие суждения.
Трехмерное подпространство охватывает около 50% семантической дисперсии.
Психология показывает, что люди оценивают слова по нескольким осям, например, насколько они позитивны, насколько они сильны и насколько активны.
Авторы воссоздают это, формируя 28 направлений из пар антонимов и проецируя на них 301 слово.
Эти прогнозы хорошо соответствуют рейтингам опроса, показывая, что геометрия встраивания отражает человеческие ассоциации.
Анализ главных компонентов — инструмент, который находит основные направления вариации, сворачивает проекции в три компонента, такие как оценка, эффективность и активность.
https://arxiv.org/abs/2508.10003
⚡3👍1
#unrealneural
Jet-Nemotron: эффективная языковая модель с постнейронной архитектурой поиска
Jet-Nemotron, новое семейство языковых моделей с гибридной архитектурой, точность которых сопоставима или превосходит точность ведущих моделей полного внимания, при этом значительно повышая производительность генерации. Jet-Nemotron разработан с использованием PostNeural Architecture Search (PostNAS), нового конвейера исследований нейронной архитектуры, обеспечивающего эффективное проектирование моделей.
https://arxiv.org/abs/2508.15884
Jet-Nemotron: эффективная языковая модель с постнейронной архитектурой поиска
Jet-Nemotron, новое семейство языковых моделей с гибридной архитектурой, точность которых сопоставима или превосходит точность ведущих моделей полного внимания, при этом значительно повышая производительность генерации. Jet-Nemotron разработан с использованием PostNeural Architecture Search (PostNAS), нового конвейера исследований нейронной архитектуры, обеспечивающего эффективное проектирование моделей.
https://arxiv.org/abs/2508.15884
👍2❤🔥1⚡1
#unrealneural
MV-RAG: Retrieval Augmented Multiview Diffusion
TextTo3D генерация продвинулась вперед. MV-RAG – новый конвейер преобразования текста в 3D, который сначала извлекает релевантные двумерные изображения из большой базы данных 2D-данных, а затем обуславливает на этих изображениях многоракурсную модель диффузии для синтеза согласованных и точных многоракурсных результатов.
MV-RAG совершенствует генерацию многоракурсных изображений, объединяя внутренние знания предобученной многоракурсной модели с внешними визуальными сигналами, полученными из большой базы данных изображений. На этапе вывода полученные двумерные изображения кодируются в токены с помощью кодировщика изображений, а затем обучаемого ресемплера. В многоракурсной модели диффузии трёхмерные слои собственного внимания обеспечивают согласованность между сгенерированными представлениями. Каждый слой перекрёстного внимания затем работает в двух параллельных ветвях: одна обусловлена текстовыми токенами, а другая — полученными токенами изображений. Их выходные данные объединяются с использованием коэффициента слияния, прогнозируемого модулем Prior-Guided Attention.
https://yosefdayani.github.io/MV-RAG/
MV-RAG: Retrieval Augmented Multiview Diffusion
TextTo3D генерация продвинулась вперед. MV-RAG – новый конвейер преобразования текста в 3D, который сначала извлекает релевантные двумерные изображения из большой базы данных 2D-данных, а затем обуславливает на этих изображениях многоракурсную модель диффузии для синтеза согласованных и точных многоракурсных результатов.
MV-RAG совершенствует генерацию многоракурсных изображений, объединяя внутренние знания предобученной многоракурсной модели с внешними визуальными сигналами, полученными из большой базы данных изображений. На этапе вывода полученные двумерные изображения кодируются в токены с помощью кодировщика изображений, а затем обучаемого ресемплера. В многоракурсной модели диффузии трёхмерные слои собственного внимания обеспечивают согласованность между сгенерированными представлениями. Каждый слой перекрёстного внимания затем работает в двух параллельных ветвях: одна обусловлена текстовыми токенами, а другая — полученными токенами изображений. Их выходные данные объединяются с использованием коэффициента слияния, прогнозируемого модулем Prior-Guided Attention.
https://yosefdayani.github.io/MV-RAG/
❤4👍1
This media is not supported in your browser
VIEW IN TELEGRAM
#unrealneural
Brainchop
Инструмент с открытым исходным кодом для 3D-сегментации МРТ в вашем браузере с использованием облегченной модели глубокого обучения. Загрузите свой МРТ в формате NIfTI для анализа.
https://brainchop.org/
https://github.com/neuroneural/brainchop
Brainchop
Инструмент с открытым исходным кодом для 3D-сегментации МРТ в вашем браузере с использованием облегченной модели глубокого обучения. Загрузите свой МРТ в формате NIfTI для анализа.
https://brainchop.org/
https://github.com/neuroneural/brainchop
👍3❤🔥1❤1⚡1
#unrealneural
Вышла моя статья-размышления:
"Архитектура в эпоху ИИ: как технологии меняют понимание пространства"
https://hi-tech.mail.ru/review/132528-arhitektura-v-epohu-ii-kak-tehnologii-menyayut-ponimanie-prostranstva/
Пишите обратную связь в комментариях
Вышла моя статья-размышления:
"Архитектура в эпоху ИИ: как технологии меняют понимание пространства"
https://hi-tech.mail.ru/review/132528-arhitektura-v-epohu-ii-kak-tehnologii-menyayut-ponimanie-prostranstva/
Пишите обратную связь в комментариях
❤11👍7⚡5
This media is not supported in your browser
VIEW IN TELEGRAM
#unrealneural
VoxHammer от Tencent и Бэйханского университета
Не требующий обучения метод точного и последовательного 3D-редактирования, работающий непосредственно в исходном скрытом 3D-пространстве.
Он гарантирует, что неотредактированные области останутся идеальными, а новые изменения будут легко интегрированы.
https://huggingface.co/papers/2508.19247
VoxHammer от Tencent и Бэйханского университета
Не требующий обучения метод точного и последовательного 3D-редактирования, работающий непосредственно в исходном скрытом 3D-пространстве.
Он гарантирует, что неотредактированные области останутся идеальными, а новые изменения будут легко интегрированы.
https://huggingface.co/papers/2508.19247
👍3⚡1❤1
#unrealneural
Drawing2CAD
Transformer, преобразующая векторные чертежи (SVG) в последовательность DeepCAD. Использование векторных данных вместо растровых (изображений) повышает точность примерно на 7%.
https://github.com/lllssc/Drawing2CAD
Drawing2CAD
Transformer, преобразующая векторные чертежи (SVG) в последовательность DeepCAD. Использование векторных данных вместо растровых (изображений) повышает точность примерно на 7%.
https://github.com/lllssc/Drawing2CAD
👍3⚡1❤🔥1🔥1
#unrealneural
SAT-SKYLINES
Создание 3D mesh зданий по спутниковым снимкам + грубая геометрия. Cities: Skylines в качестве набора данных.
https://arxiv.org/abs/2508.18531
SAT-SKYLINES
Создание 3D mesh зданий по спутниковым снимкам + грубая геометрия. Cities: Skylines в качестве набора данных.
https://arxiv.org/abs/2508.18531
👍7⚡2❤1
Media is too big
VIEW IN TELEGRAM
#unrealneural
MatchAnything — это мощный фреймворк, который позволяет сопоставлять ключевые точки между сильно различающимися и даже искаженными изображениями, такими как вид карты iPhone и аэрофотоснимки Google или тепловизионные и дневные изображения.
MatchAnything — это мощный фреймворк, который позволяет сопоставлять ключевые точки между сильно различающимися и даже искаженными изображениями, такими как вид карты iPhone и аэрофотоснимки Google или тепловизионные и дневные изображения.
👍2⚡1🔥1
#unrealneural
Как новый эволюционный алгоритм Sakana AI создает мощные модели ИИ без дорогостоящего переобучения
Статья посвящена новому эволюционному алгоритму Model Merging of Natural Niches (M2N2), разработанному японской лабораторией Sakana AI. Этот метод позволяет улучшать возможности ИИ-моделей без дорогостоящего переобучения или тонкой настройки. M2N2 объединяет параметры нескольких специализированных моделей в одну, более мощную, сохраняя их сильные стороны. Алгоритм подходит для разных типов моделей, включая большие языковые модели (LLM) и генераторы изображений.
https://venturebeat.com/ai/how-sakana-ais-new-evolutionary-algorithm-builds-powerful-ai-models-without-expensive-retraining/
Как новый эволюционный алгоритм Sakana AI создает мощные модели ИИ без дорогостоящего переобучения
Статья посвящена новому эволюционному алгоритму Model Merging of Natural Niches (M2N2), разработанному японской лабораторией Sakana AI. Этот метод позволяет улучшать возможности ИИ-моделей без дорогостоящего переобучения или тонкой настройки. M2N2 объединяет параметры нескольких специализированных моделей в одну, более мощную, сохраняя их сильные стороны. Алгоритм подходит для разных типов моделей, включая большие языковые модели (LLM) и генераторы изображений.
https://venturebeat.com/ai/how-sakana-ais-new-evolutionary-algorithm-builds-powerful-ai-models-without-expensive-retraining/
👍2❤1🔥1
This media is not supported in your browser
VIEW IN TELEGRAM
#unrealneural #ЛабораторияИИ #AILAB
Туториал 2. Генерация с помощью Nano Banana + KLING 2.1
1. Загружаем исходное изображение
2. Создаем различные ракурсы с помощью Nano Banana
3. Комбинируем ракурсы с помощью KLING 2.1 keyframes
4. Монтируем все вместе
Туториал 2. Генерация с помощью Nano Banana + KLING 2.1
1. Загружаем исходное изображение
2. Создаем различные ракурсы с помощью Nano Banana
3. Комбинируем ракурсы с помощью KLING 2.1 keyframes
4. Монтируем все вместе
👍3❤1⚡1🥱1