Trouver du contenu similaire

Announcing GPT-4.1, GPT-4.1 mini, and GPT-4.1 nano in the API. TL;DR: Major improvements on coding, instruction following, and long context. 💥 ➖➖➖➖🔻 💎@Chatgpt_OfficialNews – Stay Updated! ⚡️ 🧠 BOT: @Chatgpt_OfficialBOT #️⃣#OpenAI#AI#GPT#ChatGPT#Chatbot#GPT4.1 ➖➖➖➖🔺

🔊【#深度解读】 🚀DeepMind创始人、AI伦理学者、Booking CEO同台激辩：AGI究竟是乌托邦还是潘多拉？谁在暗中重塑就业、能源与权力版图？最犀利的未来十年剧本已放送，戳长文👇#AI#AGI#科技向善 👉阅读全文

#AI#辅助编程#风口#推荐 从零基础AI编程大获成功想到的 近期让人感触的事情：零基础、AI写APP，拿下AppStore同类产品付费榜第一（ 来源：这里 ） 。 作者（AI进化论花生）从美团“用户研究和运营”岗位辞职，编程几乎零基础（学了点Python），通过AI（前期是ChatGPT，但主要是指Cursor+Claude sonnet）学习编程，通过媒体资源发觉需求、发布产品等，最终顺利地踏上了人工智能（AI）这趟风口。花生自己的介绍页是这样写的：“作为一个经济学背景，在美团/阿里等大厂做了10年用户研究/产品运营工作，完全不会写代码的人。在AI的加持下，我2个多月就上架了10+款AI产品。” 感想：1.AI确实降低了编程的门槛。对于编程有志趣的人，确实可以借助AI，快速地实践、学习一门编程语言或通过制作一个项目来学习、实践编程。2.或许，AI的介入，也变相地推升了好的编程、运维实践的难度。3.花生大佬确实会运营，值得学习。 说明：花生大佬在B站和油管（YouTube）分享了用AI学习编程的视频资源（部分资源需要付费，读者朋友可以自己斟酌），值得想用AI学习编程的朋友观看。 详细内容，参见智汇AI的文章：从零基础AI编程大获成功想到的 ； 参见：AI给编程带来的机遇与挑战 (Follow RSS订阅器的读者朋友，可以Boost 本订阅 https://www.igdux.com/feed ) 📢频道✈️群组 (耕读)📬投稿

🔻标题：Toonflow_1.06 开源的AI短剧漫剧生成工具 🌈说明: 开源免费AI短剧/漫剧/漫画生成工具，附带教程视频，一键完成角色场景、分镜脚本与成片视频 📃下载地址: 百度盘 / 夸克盘 ✉️标签：#toonflow#ai#漫剧#pc

❝💦Wait a moment, be gentler with me, okay?❞ 💬Continue the story with her: http://openlove.life #openlove#aigirlfriend#aichat#roleplay#aigame#AI#AIBeautifulWomanな人と繋がりたい

🚬#AI президент на прямой линии наводит на мысль: какими были бы страны, если бы все правительство, чиновников и гос.структуру заменить на Сверх AI / #AGI Страна X под Управлением AI: Новая Эра Технологий и Прогресса - Автоматизированные Города: Крупные города используют интеллектуальные транспортные системы для предотвращения пробок, и роботизированные сервисы для улучшения городских услуг. - Персональные Ассистенты ИИ: ИИ-ассистенты помогают гражданам в управлении домашними финансами, предоставляют здоровьесберегающие рекомендации и упрощают рутинные задачи. - Автоматизированное Сельское Хозяйство: Применение роботов и дронов в аграрном секторе повышает урожайность и эффективность, сокращая человеческий труд и ресурсы. - Технологический Экспорт: Страна становится лидером в экспорте инновационных технологий, включая продвинутые ИИ-системы и робототехнику. - Образование: ИИ индивидуализирует обучение, адаптируясь под потребности каждого ученика и экономики в реальном времени. - Здравоохранение: Применение ИИ в медицине для анализа данных пациентов позволяет быстрее ставить диагнозы и разрабатывать лекартсва. - Борьба с Преступностью: ИИ анализирует данные для предотвращения преступлений и координирует действия правоохранительных органов. - Городское Планирование и Инфраструктура: Использование ИИ для разработки городских планов и инфраструктуры. - Развитие Науки и Инноваций: ИИ стимулирует научные исследования и открытия (как на днях в математике). - Ну и конечно же безусловный базовый доход,который позволяет людям больше не работать с самого рождения. ____ 🔵 Согласитесь, звучит очень утопично, но все эти технологии уже доступны сегодня! Внедряя #AI в свои личные процессы или в свою компанию, вы делаете это великолепное будущее ближе. Один из проектов над которым я сейчас работаю - это цифровая компанией с #AI сотрудниками, управляемая #AI директором - результаты конечно #blowmymind, надеюсь скоро смогу поделиться. 🆒 Подпишись @ilia_plasma

👆盗版套娃，毫不怀疑其它公司也有类似行为，反正都是网上爬的呗… TBH 我对爬数据训练和蒸馏整体感觉就……还好？就比如你人看了个书/电影再写成读书笔记/感想/观后感完全不会有任何版权问题嘛（可能引用原文的比例有细分但这里说的是常识概念中的总结而非洗搞），或者说你是那种看好多资料然后总结给我成科普文/视频/播客的博主我可能还得谢谢你帮忙让知识更 accessible 呢。 AI 这个就更不针对个人了嘛，比任何人类能看进去的资料都多，产出结果没到单体层面能被判抄袭/洗稿的程度（比如早期一些 genAI 图像生成被画手抓包的例子）的话我其实都觉得还好，所以对除了少数非常讨厌的平台（aka Xitter）之外其它平台拿我数据训练我真的觉得…就还好…甚至现在好多家 AI 还都会给 source 呢，比转载/拖库人家网站/洗稿来给自己流量的强多了啊… 当然 meta 跪舔 maga 以及更早一些遭人恨的行为容易被针对是另一个话题了。我也嫌🤷 但就事论事真觉得这个还好🤣（盗版图书网站本身的版权问题是另一个问题了） #tech#AI#news#fb

🛑JetBrains признает поражение: легендарный Fleet уходит в историю. Вот что будет вместо него Компания JetBrains объявила о прекращении разработки среды разработки Fleet. С 22 декабря 2025 года продукт больше нельзя будет скачать, а выпуск обновлений прекращается. Fleet создавался как эксперимент по созданию IDE нового поколения с легкой архитектурой и современным UI. Хотя технически проект был успешен, он не нашел своей ниши как продукт по причинам: 👉 Не смог заменить полнофункциональные IDE на базе IntelliJ (IDEA, PyCharm и др.) 👉 Не стал достаточно убедительным «легким редактором» 👉 Создавал путаницу у пользователей, которым было сложно выбрать между двумя продуктами JetBrains 👉 KMP вовсе перестали поддерживать из-за разных наборов фичей в Fleet и KMP плагине для IDEA Команда Fleet не распускается, а переключается на создание принципиально нового продукта. Фокус смещается на агентскую разработку (agentic development) — среду, где разработчик ставит задачи AI-агентам (например, на рефакторинг или написание тестов), асинхронно получает результат и проводит ревью. Скорее всего это и есть недавно показанная Air IDE Скачать Fleet будет нельзя после 22 декабря 2025 года. Уже установленные версии продолжат работать, но сервисные функции (например, AI Assistant) со временем могут отключиться. #JetBrains#Fleet#IDE#AI

wechat-decrypt - 解密微信 PC 端的本地数据库 https://github.com/ylytdeng/wechat-decrypt 这类工具是好，可一般用不了多久就会被 南山必胜客 DMCA 吧 微信使用 SQLCipher 4 加密本地聊天记录，并将解密密钥缓存在进程内存中。 wechat-decrypt 通过扫描进程内存提取微信 4.0 版本本地数据库密钥，能够完整解密并读取所有本地数据库文件，让本地存储的微信数据可用于直接备份与分析。 ● 内置 Web UI，支持基础的搜索历史消息和联系人 ● 实现延迟约 100ms 的实时消息监听 ● 支持 Claude MCP 协议，允许 AI Agent 接入读取并利用微信记录，便于自动化处理个人聊天数据 #WeChat#Tool#AI#MCP#GitHub

📌Нейроанатомия LLM: улучшаем модель без дообучения. Дэвид Ноэль, независимый исследователь из Мюнхена, в середине 2024 года занял 1 место на HuggingFace Open LLM Leaderboard методом, который не требует ни новых данных, ни файнтюна. Он взял 80-слойную Qwen2-72B, продублировал блок из 7 средних слоёв (45–51) и получил модель RYS-XLarge, где каждый добавленный параметр - копия уже существующего. На 5 из 6 бенчмарков лидерборда результаты выросли: MuSR прибавил 17,7%, MATH - 8,2%. Позже ByteDance предложила Looped Language Models (ноябрь 2025), но Дэвид пришёл к своим выводам независимо на основе 2 наблюдений: LLM способны вести связный диалог в Base64 - модель декодирует вход, рассуждает и перекодирует ответ обратно. Если это работает, то получается, что ранние слои транслируют входные данные в абстрактное внутреннее представление, поздние переводят его обратно в текст, а средние занимаются рассуждением в формате, не привязанном к конкретному языку. Модель Goliath-120B, где слои двух разных 70B-моделей были перемешаны так, что выход поздних слоёв подавался на вход ранних. По всем канонам обучения это не должно было работать, но работало. Внутренние представления трансформеров оказались куда однороднее, чем предполагалось. Для поиска оптимальной конфигурации Дэвид построил «сканер мозга» трансформера: берется блок слоёв (с 20-го по 35-й), затем он вставляется повторно и на инференсе замеряется, стала модель лучше или хуже. Так перебираются все возможные начала и концы блока (3241 конфигурация). Каждую конфигурацию Дэвид прогонял через 2 быстрых теста: арифметику без CoT и EQ-Bench. Тепловые карты сканера показали, что средние слои можно дублировать с пользой, а вот крайние - нельзя. При этом повтор только одного слоя почти всегда ухудшает результат. Cредние слои работают как цельные функциональные контуры, и вырванный из цепочки шаг бесполезен. Буквально на днях Дэвид опубликовал продолжение, но уже с Qwen3.5-27B. Эксперимент с косинусным сходством скрытых состояний для текстовых запросов на 8 языках впервые показал трёхфазную архитектуру напрямую: к 10 слою фразы с одинаковым смыслом на разных языках оказывались ближе друг к другу, чем на одном языке с разным смыслом. Модель думает не на каком-то из человеческих языков, а в собственном внутреннем представлении. В Qwen3.5-27B архитектура модели иная. После 2 млн. конфигураций через суррогатную модель оптимальным решением на Pareto-фронте стало простейшее - продублировать один слой из середины стека. 1,5% дополнительных вычислений и... модель становится заметно сильнее. Метод ортогонален файнтюнингу и квантованию: модель получает дополнительное время на размышление, используя контуры, которые у нее уже есть. 🟡Статья ч.1ч.2 🟡Набор RYS-моделей 🖥Github @ai_machinelearning_big_data #AI#ML#LLM#RYS

📌Толковый калькулятор расчета инференса и дообучения LLM. Бесплатная тулза, которая помогает понять, какой GPU нужен под конкретную задачу до того как потрачен бюджет или наблюдается стойкий ООМ. Выбираете параметры инференса: архитектуру модели, тип квантования, sequence length и batch size, указываете спеки железа и получаете стату, распределение памяти, примерные метрики производительности и энергопотребления. Есть даже эмуляция скорости инференса с TTFT. Параметры расчета дообучения учитывают: конфиг датасета (количество сэмплов, среднее токенов на сэмпл, эпохи) и использование оптимизаторов. Плюс, еще посчитает время обучения. Цифры часто получаются чуть выше реального потребления (что даже хорошо), но точности до гигабайта ждать не стоит. Для грубой прикидки перед закупкой или деплоем - отличная вещь. @ai_machinelearning_big_data #AI#ML#LLM#VRAMCalculator

📌Как делали MiniMax М2.1 и что будет дальше. Когда говорят, что одна модель пишет код лучше другой, обычно имеется ввиду бенчмарк SWE-Bench. Модель получает реальный баг из настоящего проекта с Github, который она должна прочитать, найти ошибку и исправить её. Это частично повторяет ежедневную работу программиста. Но у этого бенча, как и у любого другого, есть свои недостатки. 🟠SWE-Bench работает только с Python. В реальном мире разработчики имеют дело с Java, Go, TypeScript, Rust, C++ и еще кучей других. 🟠Бенчмарк только про исправление ошибок, а программисты еще пишут новые функции, занимаются рефакторингом и оптимизацией. 🟠Его результаты сильно зависят от того, в каком окружении работает модель. И вот здесь MiniMax-AI задалась вопросом: как создать по-настоящему универсального ИИ-программиста? Ответ они нашли и реализовали его в своей свежайшей модели M2.1. 🟡Масштабирование окружения. За этим расплывчатым термином кроется огромная система, которая оперирует популярными языками: JS, TS, Python, Java, Go, C++ и Rust. Для этого с GitHub были собраны более 100 тыс. реальных задач с описанием проблемы, кодом и тестами. Это было непросто, так как сложные языки (Java или C++) требуют настройки и у каждого языка свои фреймворки и системы управления зависимостями. Чтобы обучить модель на таком массиве данных, MiniMax построил инфраструктуру, способную запускать более 5 тыс. изолированных сред выполнения за максимально короткое время - 10 секунд. 🟡Выход за рамки баг-фиксов. MiniMax-M2.1 обучали и генерации тестов и в результате оказалось, что это критически важный навык. Предыдущая версия, M1, писала слишком простые тесты и часто выбирала неверные решения. M2.1 в этом преуспела и сравнялась по результатам с мощным конкурентом Claude Sonnet 4.5. Еще она научилась оптимизировать производительность кода — на SWE-Perf показала средний прирост эффективности в 3.1%. И наконец, M2.1 научили делать Code Review, для чего создали внутренний бенчмарк SWE-Review. 🟡Обобщение на незнакомых окружениях (Generalization on OOD Scaffolds). Модель должна одинаково хорошо следовать длинным инструкциям и адаптироваться к разным способам управления контекстом диалога. Команда провела тесты в mini-swe-agent, Droid и Claude Code и если посмотреть на цифры из их сравнительной таблицы, то можно увидель, что модель стала гораздо более гибкой и универсальной. На том же SWE-Bench, при использовании Claude Code, MiniMax-M2.1 выбила 74 балла, что выше, чем у модели M2 с ее 69.2 баллами, и практически наравне с Claude Sonnet 4.5 и DeepSeek V3.2. На другом тесте, OctoCodingBench, разрыв еще больше: 26.1 у новой модели против 13.3 у старой. 🟡Планы на 2026. Во-первых, MiniMax планирует научить модель оценивать не только правильность кода, но и читаемость кода, качество комментариев, прозрачность процесса работы. Во-вторых - повысить эффективность решения задач, чтобы модель не делала лишних шагов, например, не перечитывала один и тот же файл по несколько раз. Но самое интересное — это их планы по RL Scaling, и создание так называемой Coding World Model. Идея в том, чтобы построить модель-симулятор, которая сможет предсказывать результат выполнения кода, не запуская его в реальности. Наконец, они планируют расширяться в узкоспециализированные области: разработка GPU Kernel, компиляторов и смарт-контрактов. Похоже, концепция "ИИ-кодера" становится все более реальной. Успех MiniMax-M2.1 показал, что дело уже не в написании отдельных строк кода, а в комплексном понимании всего процесса разработки. @ai_machinelearning_big_data #AI#ML#LLM#MiniMaх