⚡️ Qwen Deep Research получил полезное обновление
Теперь он создаёт не только отчёты, но и готовые веб-страницы и подкасты.
Работает связка Qwen3-Coder, Qwen-Image и Qwen3-TTS.
👉Попробовать: chat.qwen.ai/?inputFeature=deep_research
@ai_machinelearning_big_data
#Qwen#AI#DeepResearch#Qwen3#AItools
💡 Исследователи из ByteDance и Stanford предложили новый метод для генерации длинных видео — Mixture of Contexts.
🔑 В чём проблема:
Когда видео становится длинным, внимание модели сильно «раздувается»: растёт стоимость вычислений, модель теряет детали на генерациях, забывает персонажей и «дрейфует».
⚡ Чем интересен Mixture of Contexts:
- Видео разбивается на куски (кадры, шоты, подписи).
- Каждый запрос выбирает только нужные чанки, вместо того чтобы учитывать всю историю.
- Для этого используется простая оценка релевантности: сравнение признаков чанков с текущим запросом.
- Обязательно учитываются два «якоря»: полный текстовый промпт и локальный шот для деталей видео.
- Causal mask блокирует внимание к будущим кадрам, чтобы не было зацикливаний.
- Дальше применяется Flash Attention только к выбранным чанкам — вычисления растут не с длиной всего видео, а только с полезным контекстом.
📊 Результаты:
- В 7 раз меньше FLOPs
- В 2.2 раза быстрее работа
- На длинных сценах (180k токенов) отсекается 85% ненужного внимания
🎥 Итог:
- Короткие клипы сохраняют качество
- Длинные сцены становятся более плавными, а персонажи — стабильными
- Время генерации заметно сокращается
Главное: модель учится сама понимать, на что смотреть, получая «память» на минуты видео без изменения базовой архитектуры.
🟠Подробнее
@ai_machinelearning_big_data
#AI#ML#ByteDance#Stanford#videogeneration
🔸Meetily — open-source штука для записи и расшифровки созвонов
Работает полностью локально. Никакие данные никуда не уходят. И можно собрать полностью бесплатный вариант.
Важно понимать, что это не бот, который подключается к Zoom или Телемосту. Meetily просто пишет весь звук с компьютера — хоть созвон, хоть YouTube, хоть голосовое в телеге. Нажал запись ➡️поговорил ➡️остановил ➡️получил транскрипт и саммари.
Что под капотом:
⚫️Транскрипция — модель Parakeet, качается внутри приложения, работает офлайн. Бесплатно.
⚫️Саммари — тут варианты: Ollama + gemma2:2b → бесплатно, локально, но думает подольше. API OpenAI/Claude → быстрее, но платить за токены.
Нюанс: саммари генерится на русском, но заголовки структуры (Summary, Key Decisions, Action Items) будут на английском. Настройки языка нет.
По железу: 8 GB RAM минимум, 16 GB комфортно, ~3 GB на диске.
👆Как ставить: Сначала Ollama (сервер для локальных моделей), потом сам Meetily. Всю установку отдали Claude Code — он скачал, настроил, подтянул модели. Час времени, в основном на скачивание.
📍Тест показал: записали кусок созвона в Телемосте. Транскрипция — процентов 80-90 разобрал, иногда коверкает слова. Саммари на бесплатной модели — вытащил суть нормально. Через GPT-4o — быстрее и чётче.
Всё это в видео 👆
🖤Ощущения: Ну такое. Кнопку нажми тут, кнопку нажми там, подожди пока модель подумает. Это не Fireflies, где всё само.
Но если принципиально держать данные у себя и не платить подписку — вариант рабочий. Вечер на настройку, дальше пользуешься.
📎 Ссылки: Meetily сайт, GitHub, Ollama, гайд по установке.
#ИИ#AI#Нейросети#Meetily
———
#Инструменты#Саммари
✍️ Подписывайтесь: @aiforproduct
🪙📊 ETH Macro Signal
Tom·Lee：黃金和白銀在2026年的飆升暫時拉動了風險偏好;但加密貨幣在歷史上跟隨更高的金屬，而以太坊在結構上處於最佳位置。
#Ethereum#Macro#TomLee
#AI#OnChainFinance#Crypto
結構解讀關鍵👇🥇資源搜索🖲️👆
📌 重點解讀（ETH 角度）：
• 黃金、白銀上漲 ≠ 利空 ETH
Tom Lee 指出，金屬行情短期吸走風險資金，但歷史上 Crypto 會在金屬趨勢後段接力上漲
• ETH 被視為「金融基礎層」而非投機資產
他明確點名：Ethereum 是未來金融的核心結構，而不是短線交易工具
• BitMine 與 ETH 敘事高度重疊
AI、算力、鏈上金融與 ETH 生態結合，是下一階段資金重新配置的方向
• 股票牛市仍在，AI 是正向力量
宏觀並未轉空，只是資金輪動 —— ETH 屬於「後段補漲型資產」
#Markets#DigitalAssets
👀 你怎麼看這一輪資金輪動？
ETH 會不會在金屬行情之後，成為下一個被重新定價的核心資產？
👇⭐️👇
🤣留言分享觀點
🥲👇
🌟ByteDance перезапустила DeerFlow.
DeerFlow 2.0 - проект, переписанный с нуля, который не имеет ничего общего с первой версией. Там был фреймворк для глубокого ресерча, а здесь полноценный рантайм для агентов.
🟡В основе лежит связка LangGraph и LangChain.
Главный агент получает задачу, разбивает ее на подзадачи и порождает суб-агентов на лету. Каждый из них работает в изолированном контексте: не видит данные других агентов и главного процесса.
Суб-агенты запускаются параллельно, когда это возможно, и возвращают структурированные результаты, а главный агент собирает из них финальный вывод.
Сессия живет в изолированном Docker-контейнере с полноценной файловой системой, главный агент и суб-агенты работают в ней совместно.
Агент читает и пишет файлы, выполняет bash-команды, работает с изображениями. Между сессиями нет никакой взаимной путаницы.
🟡Навыки и инструменты
Возможности агента определяются через Skills. Из коробки есть исследование, генерация отчетов, создание слайдов, веб-страниц, изображений и видео. Навыки загружаются по мере необходимости, только когда задача их требует. Это снижает нагрузку на контекстное окно и позволяет работать с моделями, чувствительными к расходу токенов.
Инструменты - по той же логике: базовый набор (веб-поиск, fetch, работа с файлами, bash), плюс поддержка MCP-серверов и произвольных Python-функций. Все можно заменить или расширить.
🟡Память и контекст
DeerFlow помнит пользователя между сессиями. Накапливается профиль: стиль письма, технический стек, повторяющиеся сценарии. Данные хранятся локально.
Внутри длинной сессии система сама управляет контекстом: завершенные подзадачи суммируются, промежуточные результаты уходят на диск. Контекстное окно не раздувается.
🟡Интеграции
Поддерживаются Telegram, Slack и Feishu. Из Claude Code можно взаимодействовать с запущенным инстансом DeerFlow напрямую через специальный skill: отправлять задачи, управлять тредами и выбирать режим выполнения.
🟡Модели и деплой
Система работает с любой моделью через OpenAI API, включая локальные через Ollama. ByteDance рекомендует использовать модели, которые поддерживают длинный контекст (100k+ токенов), ризонинг, мультимодальность и надежный tool-use.
DeerFlow также встраивается как Python-библиотека без запуска HTTP-сервисов:
from src.client import DeerFlowClient
client = DeerFlowClient()
response = client.chat("Analyze this paper", thread_id="my-thread")
📌Лицензирование: MIT License.
🟡Demo
🖥GitHub
@ai_machinelearning_big_data
#AI#ML#Agents#DeerFlow#ByteDance
💻 Microsoft Tehnologiyalari asosida tashkil etilayotgan Online Sharpist AI Hackathon 2024ga qo’shiling!
👨💻Barcha sun’iy intellekt ishqibozlari, dasturchilar va texnologiya peshqadamlarini chaqiramiz!
✅ Microsoft bilan birga kelajak texnologiyalarini tashkil etish imkoniyatni qo’ldan boy bermang. O’z o’rningizni himoya qilish uchun shoshiling!
✔️Bizga qo'shilishni xohlaysizmi? Unda hoziroq ro’yhatdan o’ting!
Ro’yxatdan o’ting: mdcuzbekistan.com
Bizga qo’shiling:
@sharpist2024
#Microsoft#Sharpist#AI#Innovation#Tech#Coding#Hackathon2024