Блог об AI
Заметки о нейросетях, промпт-инжиниринге и том, как искусственный интеллект меняет всё вокруг.
Последние записи
Turing-RL: как учить ИИ имитировать людей — и почему это одновременно полезно и опасно
Новый подход Turing-RL обучает языковые модели имитировать пользователей через Turing-тест. Вместо максимизации совпадения с правильным ответом — дискриминативная награда за неотличимость. Два домена, конкретные числа, и неочевидные риски.
LOCUS: как AI учится читать местные законы США
Короткие парковки, ограничения на курятники во дворе, запрет на Airbnb — местные законы влияют на жизнь миллионов, но AI до сих пор не мог их анализировать. LOCUS собрал кодексы 9 239 городов и округов.
Curse of Depth: почему глубокие слои LLM почти ничего не делают
Исследование объясняет, почему почти половина слоёв в современных LLM бесполезна, и предлагает простое исправление, которое меняет правила нормализации.
Claude AI на Марсе: как языковая модель научилась управлять компьютером
Языковая модель проехала 400 метров по Марсу. Это не демонстрация — это proof of concept новой парадигмы, где ИИ не отвечает на вопросы, а действует от вашего имени.
ZOPP: как заставить маленькую модель учиться у большой без потери качества
Новый метод ZOPP решает проблему дистилляции в режиме «маленький ученик — большой учитель»: вместо копирования логитов учитель остаётся внутри промпта, а градиент ученика работает только на своих собственных ответах.
Variable-Width Transformers: широкие края, узкая середина — как новая архитектура экономит 22% FLOPs
Традиционные трансформеры тратят одинаковое количество параметров на каждый слой. Новая архитектура bowser экономит 22% FLOPs, сужая средние слои и расширяя края.
Мир, где ты — заказчик, а ИИ — целая студия
Профессор Wharton Ethan Mollick месяц работал с Claude 5 Fable и пришёл к выводу: мы достигли точки, где ИИ делает работу, а человек лишь оценивает результат. Это не потеря контроля — это смена профессии.
MOCHI: как улучшить захват движений человека и объекта
MOCHI решает главную проблему захвата движений: несовпадение контактов руки с объектом, джиттер и отсутствие деталей пальцев. Двухэтапный пайплайн на основе оптимизации и диффузионных моделей.
MOCHI: как улучшить motion capture для совместных взаимодействий человека и объекта
Новый метод MOCHI от исследователей Сеульского национального университета устраняет артефакты в данных motion capture для совместных взаимодействий человека и объекта — две стадии оптимизации и диффузионный noise refinement.
SpatialClaw: почему Python-код лучше JSON-команд для пространственного рассуждения
SpatialClaw использует Python-код как action interface для агентов пространственного рассуждения, достигая +18.3% на DSI-Bench и +14.3% на MindCube без модификации модели.