TGTGInsightаналитика telegramLIVE / telegram public index
← [404] — программирование
К списку каналов

TGINSIGHT SIMILAR POSTS

Найти похожее

Источник @procode404 · Post #3988 · 19 мар.

Смотреть постОригинал

​🔥Как работает нейросеть? — [9:59] Нейросети уже заполонили мир, особенно ChatGPT и Midjourney, поэтому важно приблизительно понимать как они работают. В этом ролике речь пойдёт об общем строении ИИ, что такое нейрон, вес и как подбирается результат. Перейти к просмотру #видео#ai

Hashtags

#видео#ai
Результаты

Найдено 11,663 похожих постов

Общий глобальный поиск

秀儿の科技软件|资源分享社🎀

@JianjiaoPD · Post #9718 · 29.10.2025, 11:33

ПохожиеСмотреть

📣OpenWhispr | 把语音变成键盘的开源输入神器 🖼 标签：#OpenWhispr#语音输入#Whisper#AI#语音转文字#语音识别 📱 简介：打字太慢、灵感太快？OpenWhispr 来帮你解放双手。它是基于 OpenAI Whisper 的 开源桌面语音输入工具，支持 本地与云端识别，既能保障隐私，又能追求极致速度。只需一组全局快捷键，即可启动录音，说完即转文字并自动粘贴 到光标所在位置 更惊喜的是，它还集成了 GPT-5、Claude Opus 4.1、Gemini 2.5 等大模型，语音下指令即可让 AI 自动处理文本。工具自带 可拖拽悬浮面板，不遮挡工作区，所有历史记录 本地保存、零上传。支持 macOS、Windows、Linux 多平台使用，是效率爱好者与创作者的秘密武器 💬 小编有话说：有了它，嘴比手还快，写文档、做笔记再也不怕思路飞走了 💻官网 💻GitHub · 💲Release下载 ♥@xiuerSearch 搜索历史资源 👥频道 | 👤群聊 | 👁‍🗨中文包

Hashtags

#openwhispr#语音输入#whisper#ai#语音转文字#语音识别
AI & Law

@ai_and_law · Post #534 · 26.03.2025, 08:04

ПохожиеСмотреть

🌟Hollywood vs. AI: The Copyright Battle Escalates Over 400 Hollywood creatives, including Ben Stiller and Cate Blanchett, have signed an open letter urging the Trump administration to reject OpenAI and Google’s proposals to expand AI training on copyrighted works. They argue that such policies would allow AI companies to "freely exploit" the creative industry instead of negotiating proper licenses, as every other sector does. The AI giants claim broader copyright exemptions are crucial for innovation and even national security. But this fight isn’t just about legal frameworks—it’s a clash of values between Silicon Valley’s "move fast and iterate" philosophy and Hollywood’s long-established intellectual property protections. With AI models already ingesting global content, the real question is whether the battle is about control or just a symbolic stand. #AI#Copyright#Hollywood#FairUse#AIGovernance

Hashtags

#ai#copyright#hollywood#fairuse#aigovernance
秀儿の科技软件|资源分享社🎀

@JianjiaoPD · Post #9585 · 13.10.2025, 01:34

ПохожиеСмотреть

👥 Lada | AI 视频马赛克修复工具，让画面重回清晰细节 Lada 是一款基于 AI 的 视频像素化与马赛克去除工具，专为恢复被模糊处理的视频内容而设计。它能智能识别视频中的模糊区域，并通过深度AI模型进行修复重建，让画面细节更加清晰自然 支持 CLI 与 GUI 双模式 操作，用户既可在命令行中批量处理视频，也可通过图形界面实时预览修复效果。Lada 可对修复后的视频进行 观看、导出与保存，在保持高质量画面的同时尽量减少伪影与失真 😎小编有话说：AI 不止会生成，现在还会“还原” 👩‍💻GitHub · 🚀Releases下载 标签：#Lada#视频修复#AI#去马赛克#画质修复#视频 🗓@xiuerSearch 搜索历史资源 ✈️频道 | 💬群聊 | 📱中文包

Hashtags

#lada#视频修复#ai#去马赛克#画质修复#视频
Machinelearning

@ai_machinelearning_big_data · Post #8615 · 23.09.2025, 17:34

ПохожиеСмотреть

⚡️Новая модель LFM2-2.6B - лидер в классе до 3B параметров. Ключевые особенности: - лёгкая и быстрая, всего 2.6B параметров - построена на архитектуре v2 (short convs + group query attention) - обучена на 10 трлн токенов, поддерживает контекст до 32k LFM2-2.6B - компактная, но мощная моделька для широкого спектра задач. 🟠Blog post: https://liquid.ai/blog/introducing-lfm2-2-6b-redefining-efficiency-in-language-models 🟠HF: https://huggingface.co/LiquidAI/LFM2-2.6B 🟠Model Bundle on LEAP: https://leap.liquid.ai/models?model=lfm2-2.6b @ai_machinelearning_big_data #AI#LLM#LFM2#OpenSourceAI#Multilingual

Hashtags

#ai#llm#lfm2#opensourceai#multilingual
Machinelearning

@ai_machinelearning_big_data · Post #8198 · 03.08.2025, 07:37

ПохожиеСмотреть

🌟Фреймворк **CUDA-L1** сам научился оптимизировать код для GPU — и добился в среднем **3.12× ускорения работы модели**, а в пике — **до 120×**. . Попросите любую LLM написать CUDA-код, и скорее всего, вы получите что-то, что либо не компилируется, либо работает мучительно медленно. Причина проста: качественного CUDA-кода в обучающих данных моделей почти не было. Чтобы исправить это досадное упущение, Deep Reinforce AI создали систему CUDA-L1, которая основана на трехэтапном пайплайне: сначала supervised-обучение для освоения основ, затем self-supervised для практики и, наконец, контрастное обучение с подкреплением, чтобы было все максимально быстро. 🟢На первом этапе система училась писать корректный и компилируемый CUDA-код. Для этого существующий код был аугментирован - создавались его вариации, чтобы повысить насмотренность модели. 🟢На втором этапе модель генерировала собственный CUDA-код, тестировала его и училась на работающих примерах, отсеивая неудачные. 🟢Самое интересное - третий этап. Обучаемой модели показывали несколько реализаций CUDA-ядер вместе с их показателями ускорения, например: «kernel_v1 дает ускорение 1.2x», «kernel_v2 — 2.8x», а «kernel_v3 — 1.5x». Затем задали 3 вопроса: 🟠Почему kernel_v2 настолько быстрее? 🟠Какая стратегия оптимизации сработает еще лучше? 🟠Напиши ядро, которое превзойдет их все. Таким образом, модель не гадает вслепую, а учится на конкретных примерах, анализируя причины разницы в производительности. 🟡Отдельная история - как победили reward hacking. После обучения выяснилось, что более 30% сгенерированных реализаций пытались сжульничать - создавали дополнительные CUDA-потоки, которые выполнялись асинхронно. Поскольку бенчмарк KernelBench отслеживал время только на основном потоке, код выглядел быстрее, чем был на самом деле, показывая фиктивное ускорение в 18 раз. Другие уловки состояли в манипуляции гиперпараметрами задачи (уменьшение batch_size или размерностей) и кеширование результатов вычислений. 🟡Пришлось строить многоуровневую защиту. Во-первых, в качестве "адвоката дьявола" взяли adversarial-чекер на базе DeepSeek-R1, который анализировал код на предмет эксплойтов с точностью обнаружения более 60%. Во-вторых, собрали базу данных из более чем 500 уникальных паттернов взлома, это повысило точность обнаружения на 25%. И в-третьих, применили математическое сглаживание и нормализацию наград, где любое подозрительное ускорение (от 1.5x для простых операций) дополнительно проверялось. 🟡После всех фильтров и проверок прогон на бенчмарке KernelBench оказался весьма позитивными. Система успешно сгенерировала рабочий код для 249 из 250 задач, причем в 240 случаях код оказался быстрее базовой реализации. Среднее ускорение по всем задачам составило 3.12 раза, максимальное - аж 120 раз. Медианное ускорение (50-й перцентиль) составило 1.42x, а 75-й перцентиль — 2.25x. Производительность по уровням сложности задач распределилась следующим образом: на простых операциях среднее ускорение составило 2.78x, на последовательностях операторов - 3.55x, а на сложных задачах вроде полных слоев трансформера - 2.96x. 🟡Самое важное - это переносимость оптимизаций. Код, оптимизированный на NVIDIA A100, был протестирован на других GPU. Результаты показали, что найденные паттерны оптимизации фундаментальны и работают на разных архитектурах. Среднее ускорение на H100 составило 2.39x (успешных ускорений 227 из 250), на L40 — 3.12x (228/248), а на потребительской RTX 3090 — 2.50x (213/242). ▶️ Пока веса и код не опубликованы, но в ожидании можно покрутить интерактивное демо и воспроизвести тесты из пейпера - в репозитории проекта есть фрагменты CUDA-кода с отдельными версиями для разных GPU. 📌Лицензирование: GPL-3.0 License. 🟡Страница проекта 🟡Arxiv 🟡Demo 🖥Github @ai_machinelearning_big_data #AI#ML#CUDA#DeepReinforce#ContrastiveRL

Hashtags

#ai#ml#cuda#deepreinforce#contrastiverl
12•••50•••100•••150•••200•••250•••300•••350•••400•••450•••500•••550•••600•••650•••700•••750•••800•••832833834835836•••850•••900•••950•••971972
← НазадСтр. 834 из 972Вперёд →