Найти похожее

Triumph of instinct #ai#fashion#commercial#cars

F74. 凡人修仙传 177 集 南宫之讯 抢先看 同人 AI 作品，虽然画质比较糊，但剧情没差别。配置英文字幕，可对照观看。 #凡人修仙传#韩立#南宫婉#anime#AI 👉二创目录 /Fans Video Catalog👈

【🤖 AI人工智慧｜Anthropic 推出 10 款金融 AI 代理人，整合 Microsoft 365 輕鬆處理財務作業】 #AI#Anthropic#Claude Anthropic 於週三發布具備子代理人與連接器模組的範本，強化金融業自動化能力。 穆迪數據現已進駐介面，並由基準測試榜首模型 Claude Opus 4.7 驅動各類分析任務。雖然盡職調查等密集工作正被取代，但具法律效力的審核責任歸屬仍待監管釐清。 📍閱讀全文： https://abmedia.io/anthropic-finance-agents 📍 訂閱鏈新聞頻道：https://linktr.ee/abmedia.io

🌟Alibaba выпустили Qwen3.5-Omni Не мультимодальную сборку из отдельных компонентов, а единую нативную архитектуру, которая с первого слоя работает с текстом, изображением, аудио и видео одновременно. Главное, что отличает модель от конкурентов: Audio-Visual Vibe Coding. Описываешь голосом в камеру что нужно сделать, модель генерирует рабочий код сайта или игры. Плюс Script-Level Captioning, который превращает видео в полноценный сценарий с таймкодами и привязкой реплик к спикерам. • По бенчмаркам Qwen3.5-Omni-Plus бьёт Gemini 3.1 Pro в большинстве категорий. • По распознаванию речи WenetSpeech: 4.30/5.84 против 11.5/14.2. • По пониманию аудио VoiceBench: 93.1 против 88.9. • • По зрению MVBench: 79.0 против 74.1. По тексту MMLU-Redux: 94.2 против 95.9 (тут паритет). Итого 215 SOTA-результатов по подзадачам. Модель корректно реагирует на перебивание и не ломается от фонового шума), встроенный WebSearch и Function Calling, поддержка 74 языков в ASR и 29 в TTS. Доступна через Qwen Chat, HuggingFace и API Alibaba Cloud. Qwenchat: https://chat.qwen.ai Blog: https://qwen.ai/blog?id=qwen3.5-omni Hugging Face Offline Demo: https://huggingface.co/spaces/Qwen/Qwen3.5-Omni-Offline-Demo Hugging Face Online Demo:https://huggingface.co/spaces/Qwen/Qwen3.5-Omni-Online-Demo @ai_machinelearning_big_data #ai#ml#qwen

"Закон о разъединении возможностей искусственного интеллекта Америки с Китаем" (Decoupling America’s Artificial Intelligence Capabilities from China Act of 2025), проект. #ai#ии#deepseek

Развитие искусственного интеллекта (ИИ) в Китае достигло такого уровня, что власти США начали принимать экстренные меры для сдерживания китайской экспансии в этой сфере. Одним из ключевых объектов внимания стал китайский ИИ-проект DeepSeek, который вызвал серьёзные опасения у американских властей. В ответ на растущую угрозу в США был разработан законопроект, направленный на ограничение доступа к китайским ИИ-технологиям и предотвращение их распространения на территории страны. Согласно тексту документа, под запрет попадут все китайские ИИ-модели, созданные лабораториями, колледжами или компаниями, а также любой импорт технологий и интеллектуальной собственности в сфере ИИ, если они были разработаны в Китае. Также будет запрещено распространять Open Source модели так, чтобы к ним могли получить доступ китайские пользователи и разработчики. За нарушение этого правила предусмотрено наказание в виде лишения свободы на срок до 20 лет. Подробности: http://vk.com/@sum_tech-ekstrennye-mery-ssha-protiv-kitaiskogo-ii #ai#ии#deepseek

DeepSeek R1 теперь можно запустить на относительно доступном оборудовании: революция в мире нейросетей Исследователи из компании Unsloth, специализирующейся на обучении и файнтюнинге языковых моделей, совершили прорыв в области оптимизации нейронных сетей. Им удалось сжать языковую модель DeepSeek R1 на 80% от её оригинального размера, что открывает новые возможности для использования мощных ИИ-решений на более доступном оборудовании. Теперь модель занимает всего 131 ГБ вместо первоначальных 720 ГБ, что делает её доступной для запуска даже на относительно слабых устройствах. При этом производительность модели остаётся на достаточно высоком уровне, что делает этот подход особенно ценным. Ключевым инструментом, позволившим достичь такого результата, стал метод динамической квантизации. Этот подход позволяет сохранить веса высокопроизводительных слоёв модели, в то время как менее значимые блоки сжимаются до 1,58 бита. Таким образом, удаётся минимизировать потери в точности и производительности, сохраняя при этом компактность модели. Благодаря этому сжатую версию DeepSeek R1 теперь можно запустить даже на CPU с 20 ГБ оперативной памяти, что делает её доступной для использования на мощных домашних компьютерах или серверах начального уровня. Это особенно важно для исследователей, разработчиков и компаний, которые не имеют доступа к дорогостоящему оборудованию, но хотят использовать передовые технологии искусственного интеллекта. Unsloth не только сжала модель, но и сделала её доступной для широкой аудитории. Сжатые версии DeepSeek R1 были опубликованы в публичном доступе, а также размещены подробные инструкции для их локального запуска. Это позволяет любому желающему, обладающему базовыми навыками работы с нейронными сетями, использовать модель для своих задач. Сжатие модели позволяет экономить не только место на диске, но и вычислительные ресурсы. Это особенно важно для компаний, которые хотят минимизировать затраты на инфраструктуру. Несмотря на значительное сжатие, модель сохраняет высокий уровень производительности. Это делает её пригодной для решения сложных задач, таких как генерация текста, анализ данных и даже создание контента. DeepSeek R1 — это одна из самых мощных языковых моделей, способная конкурировать с такими гигантами, как GPT-4 или Gemini. Её сжатие до 131 ГБ открывает новые горизонты для использования ИИ в различных сферах, включая образование, медицину, финансы и развлечения. Например, теперь небольшие компании или даже индивидуальные разработчики могут использовать DeepSeek R1 для создания собственных чат-ботов, анализа текстов или автоматизации бизнес-процессов. Сжатие DeepSeek R1 до 131 ГБ — это настоящая революция в мире нейронных сетей. Она демонстрирует, что даже самые мощные модели можно адаптировать для использования на более доступном оборудовании без значительной потери производительности. Это открывает новые возможности для разработчиков, исследователей и бизнеса, делая передовые технологии ИИ доступными для всех. #ai#ии#deepseek

«DeepSeek»: как порвать рынок нейросетей Всего одна китайская нейросеть умудрилась обрушить не только весь мировой рынок нейросетей, но и фондовый рынок США. Китайцы собрали простую и дешевую сеть «DeepSeek», которая оказалась гораздо эффективнее, чем «ChatGPT». Нюанс в том, что ChatGPT ориентирован на экстенсивное развитие, то есть на наращивание вычислительных мощностей нейросети. DeepSeek же основывается на более современных алгоритмах и принципиально новом подходе к разработке нейросетей. Грубо говоря, там, где все технологические гиганты просто добавляли всё новые и новые процессорные блоки, разработчики DeepSeek сели и подумали, как сделать лучше программным способом. И сделали. Основной плюс DeepSeek – он бесплатен. Он работает быстрее, лучше и надёжнее, чем ChatGPT, на который уже потратили сотни миллионов долларов. У него нет так называемых «галлюцинаций», то есть заведомо ложных и несуществующих выводов. По данным анализа ведущих экспертов, DeepSeek использует на 75% меньше памяти в сравнении с основными конкурирующими нейросетями, и использует систему мультитокенов, позволяющую анализировать фразы целиком. В DeepSeek реализована модель специализированных экспертов и параметров, которые «включаются» только по мере необходимости. Как следствие, система может работать не на дорогостоящих серверных платформах, а на обычных игровых компьютерах, а стоимость её API на 95% дешевле, чем у ChatGPT. По факту DeepSeek «одной левой» сломала всю отлаженную «западную» схему по превращению искусственного интеллекта в деньги, по которой якобы «только крупные tech-компании могут играть в ИИ». Оказывается, нет. И за короткий срок DeepSeek стал самым популярным бесплатным приложением в Apple App Store в США, обойдя ChatGPT. Ну и вишенка на торте. Код DeepSeek публичный. Техническая документация находится в открытом доступе. Каждый человек может купить мощный компьютер и сделать себе свой собственный DeepSeek. Это не революция — это крупнейший прорыв в сфере ИТ со времён изобретения персонального компьютера, который «убил» мейнфреймы. На фоне успехов DeepSeek в мире началась настоящая нейросетевая лихорадка, тут же перекинувшаяся на биржи. Только за сутки акции технологических гигантов, в первую очередь Nvidia, рухнул на несколько процентов, а это примерно триллион долларов. Вся бизнес-модель ИТ-гигантов была построена на принципе продажи супердорогих GPU (Graphics Processing Unit) с маржой 90%. Теперь оказалось, что эти GPU просто не нужны. В ответ DeepSeek подвёргся масштабным кибератакам. В течение 28 января в сервисе было невозможно зарегистрироваться, десктопная версия нейросети не отвечал на запросы, хотя и загружалась. Что дальше? OpenAI, Anthropic и Nvidia просели, но не убиты. Само собой, они сделают выводы, переформатируют бизнес и выведут на рынок, вероятнее всего, бесплатные нейросети. А деньги будут зарабатывать на том же, на чём их зарабатывают поисковые системы: на анализа запросов пользователей и продаже этого анализа коммерсантам, то есть на формировании маркетинговых стратегий. Рано или поздно это должно было случиться — но этот момент все изо всех сил оттягивали. Кстати, только в январе 2025 года Китай обошёл «Starlink» со своим проектом «Chang Guang Satellite Technology», достигнув скорости передачи данных со спутника на Землю в 100 гигабит в секунду. А китайская тороидальная установка для магнитного удержания плазмы с целью достижения условий, необходимых для протекания управляемого термоядерного синтеза (токамак) «EAST» смогла добиться поддержания температуры свыше 100 миллионов градусов в течение 1066 секунд, побив свой собственный предыдущий рекорд в 403 секунды. На основе подобного токамака будут создаваться плазменные электростанции, которые смогут давать практически бесплатную электроэнергию в неограниченных масштабах. #ai#ии#deepseek

🍣 delivery Шорт лист / Short list - Big Picture Festival 2025 https://bigpicturefestival.ru/#top #ai#aftereffects#humor#commercial

▎ ANNA-全能视频播放器：全格式支持，视频来源-本地、webdav、emby、视频源，直播源。 特色功能- #AI 字幕，自动整理视频库，自动抓取元数据（支持手动编辑）。新版本支持演员搜索影片，结合推荐的视频源可以做到市面99%的视频资源免费观看，视频源支持分类一键开关。另外包含隐藏功能。新功能不断完善和加入中，下载后可以在设置界面一键加入群聊获取视频源 欢迎体验： ANNA播放器群组 反馈bug。 TF版本（审核中）：https://testflight.apple.com/join/hmC52rdF 来自开发者李宗勇兄弟投稿 附上作者提供的视频源： https://raw.githubusercontent.com/rapier15sapper/ew/refs/heads/main/test.json 🗒 标签: #iOS#testflight#播放器#AI ❣️别忘记参与抽奖 （以下三个群都在抽TG会员） 华人社区 华人时报华人事件 🌟 小贴士: 限免 / 兑换码具有时效性！ 置顶频道 + 开启推送, 福利抢鲜一步！ 📢 频道💬 群组🤖 解封 / 投稿 📱TG/GV号购买

🖌️ Управляемое изменение изображений с помощью DragGAN В создании визуального контента, который отвечает нуждам пользователя, часто требуется гибкое и точное управление позой, формой, выражением и компоновкой сгенерированных объектов. В данной работе исследуется более эффективный и малоизученный способ управления GAN, позволяющий "перетаскивать" любые точки изображения для точного достижения целевых точек в интерактивном режиме. Для этого предлагается DragGAN, состоящий из двух основных компонентов: 1) контроль движения на основе признаков, который направляет контрольную точку к целевой позиции, и 2) новый подход к отслеживанию точек, использующий дискриминативные признаки GAN для определения позиции контрольных точек. С помощью DragGAN, любой может деформировать изображение с точным контролем над перемещением пикселей, тем самым меняя позу, форму, выражение и компоновку различных категорий, таких как животные, автомобили, люди, пейзажи и т.д. Поскольку эти манипуляции выполняются на обученном генеративном изображении GAN, они способны создавать реалистичные результаты даже в сложных сценариях, таких как воссоздание закрытого контента и деформация форм, которые последовательно следуют за жесткостью объекта. 🔗 Website: https://vcai.mpi-inf.mpg.de/projects/DragGAN/ 📝 Paper: https://vcai.mpi-inf.mpg.de/projects/DragGAN/data/paper.pdf 🧪 Demo: https://huggingface.co/spaces/radames/DragGan 👨‍💻 Github: https://github.com/XingangPan/DragGAN #ai#gan#image

Что лучше работает Prompting или Finetunning? Размышления Andrej Karpathy на тему сравнения prompting (включая embeddings) и finetuning для обучения LLMs (Large Language Model). Вот что он говорит о разных моментах этого процесса: 1. Zero-shot prompting (решение задач без примеров) - это когда модель решает задачу без предоставления примеров решений, опираясь исключительно на свои эмбеддинги. 2. Few-shot prompting (решение задач с несколькими примерами) - это когда модель получает небольшое количество примеров прежде, чем решать задачу, используя свои эмбеддинги в сочетании с предоставленными примерами. 3. Finetuning (дообучение) - процесс обучения модели на основе конкретных примеров и данных, чтобы улучшить ее способности в решении задач, адаптируя эмбеддинги и параметры модели. В контексте сравнения prompting и finetuning становится ясно, что достижение высокой точности в решении множества задач, применяя только zero-shot или few-shot prompting, - это замечательно (подкладывать примеры как preprompt). Однако для достижения наилучших результатов необходимо применять finetuning, особенно когда речь идет о конкретных, четко определенных задачах, и доступно много данных для обучения. Стоит учесть, что маленькие модели, в отличие от больших, практически не в состоянии обучаться при помощи zero-shot или few-shot prompting, но их все равно можно настроить с тщательным выбором сложности задачи и методов решения. #ai#prompting#finetunning