machinelearning ru

💡 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

🚀 Интеллектуальное управление ошибками в Rust unwrap_or_ai — это революционное решение для обработки ошибок, использующее ИИ для создания идеальных запасных данных. Система анализирует структуру вашего кода и мгновенно генерирует контекстуальные ответы, обеспечивая надежность и оптимизацию производственных процессов. 🚀 Основные моменты: - 🧠 Глубокий анализ кода для точного восстановления - ⚡ Мгновенное создание запасных данных - 🎯 Интеллектуальное предсказание потребностей приложения - 🔄 Легкая интеграция в существующий код - 📈 Оптимизировано для корпоративного использования 📌 GitHub: https://github.com/NoodlesOfWrath/unwrap_or_ai #rust

AI-агенты: переход от генерации к действиям LLM уже научились писать тексты и код. Следующий шаг — агенты, которые способны сами понять, как решить задачу, и использовать свои знания в реальных сценариях: подключаться к сервисам, совершать транзакции, управлять инфраструктурой. В подкасте «Мы обречены» обсуждают новые стандарты и инструменты для работы с агентами, первые отрасли, где они появятся, и как подготовиться к их внедрению. @machinelearning_ru

🔥Прими участие в Хакатоне Т1 в Нижнем Новгороде и поборись за призовой фонд 600 000 рублей! 📅 Когда: 19 – 22 сентября 🌐 Формат: онлайн + финал на площадке  Участвуй, если ты: 🔹студент тех/ИТ-направлений; 🔹развиваешься в dev, аналитике, дизайне, AI/DS/ML, DevOps; 🔹сможешь быть в Нижнем Новгороде 22-09. Выбери свой кейс: 🔸PingTower — сервис круглосуточного отслеживания доступности сайтов и мгновенных уведомлений о сбоях, позволяющий бизнесу не терять клиентов. 🔸HR Консультант — ИИ-консультант для карьерных сценариев и поиска талантов по умным фильтрам. Почему стоит участвовать: 🔻Кейс в портфолио и полезная обратная связь от менторов Т1; 🔻Шанс проявить себя, чтобы начать карьеру в одной из крупнейших ИТ-компаний; 🔻Реальный опыт командной работы. Регистрация открыта!  ➡️ Успей до 17 сентября по ссылке. Ты не из Нижнего Новгорода? Смотри расписание хакатонов в других городах. #реклама О рекламодателе

AI-агенты: переход от генерации к действиям LLM уже научились писать тексты и код. Следующий шаг — агенты, которые способны сами понять, как решить задачу, и использовать свои знания в реальных сценариях: подключаться к сервисам, совершать транзакции, управлять инфраструктурой. В подкасте «Мы обречены» обсуждают новые стандарты и инструменты для работы с агентами, первые отрасли, где они появятся, и как подготовиться к их внедрению. @machinelearning_ru

Эволюция моделей OpenAI на примере генерации игры-песочницы.

👁️🧠 R-4B: маленькая, но умная мультимодальная модель Исследователи представили R-4B — vision-модель с 4B параметров, которая догоняет и даже обгоняет 16B аналоги в сложных визуальных задачах рассуждения. ✨ В чём фишка: - Модель сама решает, думать пошагово или отвечать сразу. - На простых задачах — короткий ответ, экономия токенов. - На сложных — развёрнутый reasoning со «scratchpad». ⚙️ Как обучали: 1. Дали два режима — reasoning (с тэгами `<think>…</think>`) и direct (пустые `<think></think>`). 2. Использовали Bi-mode Policy Optimization: для каждого промпта модель генерирует оба ответа, система оценивает и учит, когда стоит «думать». 📊 Итог: - На лёгких задачах R-4B работает быстро и экономно. - На тяжёлых — разворачивает reasoning и показывает качество на уровне 16B моделей, оставаясь компактной. - Новый SOTA на 25 бенчмарках. 🔗 Paper: arxiv.org/abs/2508.21113 #AI #Vision #Multimodal #Research

📌Приглашаем вас на три бесплатных вебинара курса «MLOps» 💎Вебинар №1: «MLFlow - контроль над ML-экспериментами» ⏰ 4 сентября в 20:00 мск 🔹На вебинаре: • Узнаете как проводить ML эксперименты и главное как их контролировать; • Поймете что такое MLFlow и какие компоненты он содержит; • Разберём основные возможности MLFlow: трекинг экспериментов, управление моделями и воспроизводимость; • Проведём живую демонстрацию, где шаг за шагом внедрим MLFlow в ML-проект. 💎Вебинар №2: «Вывод ML моделей в промышленную среду на примере онлайн-скоринга» ⏰ 11 сентября в 20:00 мск 🔹На вебинаре: • Направления развития в DataScience • Построение модели машинного обучения на примере скоринга • Интеграция модели в промышленную среду на примере API на Flas 💎Вебинар №3: «Serverless подход в MLOps для небольших ML-проектов» ⏰ 18 сентября в 18:00 мск 🔹На вебинаре: • Преимущества serverless подхода для развертывания ML-моделей и когда его стоит использовать. • Развертывание ML-модели с помощью Yandex Cloud: Object Storage и Cloud Functions. • Создание и тестирование API для инференса модели. 🎁Участники вебинаров получат подарки на почту🎁 Регистрация на вебинары ➡️ OTUS.RU Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ", ИНН: 9705100963

📦 Truss — упаковка ML-моделей для продакшена без головной боли. Этот инструмент решает классическую проблему ML-инженеров: как быстро перевести модель из экспериментальной среды в продакшен. С ним можно упаковать в контейнер не только код модели, но и все зависимости — от весов до специфичных версий фреймворков. Благодаря Truss один и тот же контейнер будет одинаково работать и на локальной машине, и в облаке. При этом не нужно возиться с Dockerfile и Kubernetes-манифестами — достаточно описать модель в Python-классе и указать зависимости в YAML. 🤖 GitHub @machinelearning_ru