Etsi samankaltaista sisältöä

AutoFigure-edit，论文方法论插图生成器，将论文的方法部分自动转化为完全可编辑的 SVG 插图，并支持微调 🏷标签：#AI#SVG#配图#配图生成#学术论文 ☁链接：点击获取 ⭐频道😮群聊✏投稿🌍中文

#some #cyberpunk #арт#art#ai#digital_art#girls#car#rain

【周四 #美股 盘前你需要了解的全球 #要闻 】 #美国 Q4实际GDP年化季环比增速下修至0.5%，经济超预期放缓。 通胀小幅降温，美国2月核心PCE物价指数同比上涨2.97%，低于前值3.1%。 #特朗普 ：10项停战条款是“假新闻”，美军将“继续驻扎在 #伊朗 境内及其周边”。 停火首日，霍尔木兹仅有4艘船通过，美国催盟友给出方案，伊朗公布安全航路图。 哈塞特：不认为 #鲍威尔 会继续留在 #美联储 董事会。 CoreWeave拿下Meta210亿美元大单，锁定至2032年算力供应。 #亚马逊 一季度 #AI 年化营收超150亿美元，自研 #芯片 规模翻倍至200亿。 报道称 #特斯拉 正开发小型电动SUV，拟落地 #中国 生产。 报道： #OpenAI 预计今年广告收入达25亿美元，到2030年将飙升至1000亿美元。 #腾讯 云宣布：自5月9日起对AI算力、容器服务等产品统一提价5%。 高盛：霍尔木兹若再封锁一个月，布油全年均价将在100美元以上。 日经225指数收跌0.7%， #沪指 收跌0.72%； #恒生 指数收跌0.54%。

#ИИ#AI#AIVideo#MalikovAI#Neuralsense#Нейросуть#ИскусственныйИнтеллект#Art#SilkSong#Hornet

#ИИ#AI#AIVideo#MalikovAI#Neuralsense#Нейросуть#ИскусственныйИнтеллект#Art#Morrigan#DragonAge

#some #oil_painting #dc#catwoman #арт#art#illustration#ai#comix

谷歌前高管：AI 将取代大多数人类工作，AGI 时代来临时，无能 CEO 也难逃一劫 前谷歌 X 实验室首席商务官 Mo Gawdat 在《Diary of a CEO》播客中表示，AI 创造就业的观点是“胡扯”。Gawdat 认为 AI 将取代包括初级岗位在内的大部分人类工作。他以其初创 AI 公司 Emma.love 为例，称一个过去需要 350 名开发人员才能完成的 App，现在仅需三人即可完成。Gawdat 进一步认为，AGI 将在任何方面都优于人类，包括担任 CEO，届时大多数无能的 CEO 将被取代。主持人随后援引 Anthropic CEO Dario Amodei 的观点，AI 将会砍掉一半的入门级白领岗位。Gawdat 认为工作并非人生的唯一目标。IT之家 🏷#AI#就业#Gawdat#AGI 📢频道👥群组📝投稿

By Voodoont #Voodoont #cinema #арт#art#ai#girl#realistic#some#scully#redhead

Итоги сентября в картинках. Теперь это будет постоянная рубрика) Подборка изображений за определённый месяц. Контент из коммерческих проектов выкладывать не могу, поэтому здесь будет только сгенерированное для себя. Люблю в ВК делать посты с картинками и подходящей под них музыкой. #ИИ#AI#AIVideo#MalikovAI#Neuralsense#Нейросуть#ИскусственныйИнтеллект#LumaAI#Gen3#Minimax

Очень плотные дни в плане работы, но иногда в фоновом режиме продолжаю тестировать Minimax. Поскольку первый ролик на хоррор-тематику на Ютубе зашёл, сделал вторую часть. С монстрами пока хватит (хотя бы до Хэллоуина). https://www.youtube.com/watch?v=xNrhYf7OQNE #ИИ#AI#AIVideo#MalikovAI#Neuralsense#Нейросуть#ИскусственныйИнтеллект#LumaAI#Gen3#Minimax

#MATHOS#AI#MATH#HELPER#TUTOR https://testflight.apple.com/join/Q4ISuSqQ

🌟Self-Flow: обучение диффузионных моделей без внешних энкодеров от Black Forest Labs. Black Forest Labs и MIT решили проблему, с которой сталкиваются диффузионные и flow-модели: чтобы генерировать качественные картинки, им нужны сильные семантические представления. Обычно их берут снаружи - выравнивают внутренние признаки модели с признаками энкодера вроде DINOv2. Метод работает, но есть нюанс. Чем сильнее энкодер, тем хуже результат: в экспериментах замена DINOv2-B на более мощный DINOv3-H+ стойко ухудшала FID. Модель привязывалась к фиксированным внешним представлениям и переставала масштабироваться. На видео и аудио выравнивание с энкодерами V-JEPA2 и MERT вообще давало результат хуже ванильного flow matching. 🟡Self-Flow предлагает механизм Dual-Timestep Scheduling В стандартном flow matching все токены нойзятся одинаково, поэтому модель решает задачу локально и не учится строить глобальные связи. Self-Flow сэмплирует 2 разных уровня шума и случайно назначает их разным токенам (часть входа зашумлена сильнее, часть чище). Это создает асимметрию: чтобы восстановить сильно зашумленные токены, модель вынуждена опираться на чистые и строить глобальный контекст. Поверх этого работает самообучение по принципу дистилляции. Обучаются одновременно 2 копии модели: модель-ученик видит смешанный зашумленный вход, модель-учитель - более чистую версию (EMA-копия с экспоненциальным скользящим средним). Ученик учится предсказывать признаки учителя из зашумленного входа, и это вынуждает его развивать сильные семантические представления без какого-либо внешнего энкодера. 🟡Результаты тестов 🟢На ImageNet 256×256 Self-Flow показал FID 5.70 против 5.89 у REPA; Это, кстати, первый случай, когда self-supervised метод превзошел внешнее выравнивание на этом бенче 🟢На text-to-image: FID 3.61 против 3.92 у REPA; 🟢По видео: FVD 47.81 против 49.75 у REPA; 🟢По аудио: лучшие FAD-оценки среди всех вариантов. При этом на масштабировании (с 290M до 1B) разрыв с REPA увеличивается: модель Self-Flow на 625M параметров обходит REPA на 1B. Метод универсален для модальностей - он работает одинаково на картинках, видео и аудио, что намекает на применение для мультимодального обучения. В репозитории проекта есть код инференса на основе SiT-XL/2 с per-token timestep conditioning, чекпоинт на основе ImageNet 256×256 и скрипты для генерации сэмплов под FID-оценку через ADM evaluation suite. Поддерживаются режимы SDE и ODE, мульти-GPU через torchrun. 🟡Статья 🟡Техотчет 🖥GitHub @ai_machinelearning_big_data #AI#ML#Multimodal#Framework#BFL