Нейронавт | Нейросети в творчестве
الذهاب إلى القناة على Telegram
Канал про нейросети в компьютерной графике, в кино и вообще В папках и запусках не участвую для связи @Neuronauticus РКН: https://hf.ru/link8e56d
إظهار المزيد📈 نظرة تحليلية على قناة تيليجرام Нейронавт | Нейросети в творчестве
تُعد قناة Нейронавт | Нейросети в творчестве (@greenneuralrobots) في القطاع اللغوي الروسية لاعباً نشطاً. يضم المجتمع حالياً 13 227 مشتركاً، محتلاً المرتبة 2 668 في فئة الفن والتصميم والمرتبة 48 963 في منطقة روسيا.
📊 مؤشرات الجمهور والحراك
منذ تأسيسه في невідомо، حقق المشروع نمواً سريعاً وجمع 13 227 مشتركاً.
بحسب آخر البيانات بتاريخ 17 أكتوبر, 2026، تحافظ القناة على نشاط مستقر. خلال آخر 30 يوماً تغيّر عدد الأعضاء بمقدار 280، وفي آخر 24 ساعة بمقدار 0، مع بقاء الوصول العام مرتفعاً.
- حالة التحقق: غير موثّقة
- معدل التفاعل (ER): يبلغ متوسط تفاعل الجمهور 12.00%. وخلال أول 24 ساعة من النشر يحصد المحتوى عادةً 9.14% من ردود الفعل نسبةً إلى إجمالي المشتركين.
- وصول المنشورات: يحصل كل منشور على متوسط 1 586 مشاهدة. وخلال اليوم الأول يجمع عادةً 1 208 مشاهدة.
- التفاعلات والاستجابة: يتفاعل الجمهور بانتظام؛ متوسط التفاعلات لكل منشور يبلغ 14.
- الاهتمامات الموضوعية: يركز المحتوى على مواضيع رئيسية مثل гитхаб, assistant, claude, imageediting, параметр.
📝 الوصف وسياسة المحتوى
يصف المؤلف القناة بأنها مساحة للتعبير عن الآراء الذاتية:
“Канал про нейросети в компьютерной графике, в кино и вообще
В папках и запусках не участвую
для связи @Neuronauticus
РКН: https://hf.ru/link8e56d”
بفضل وتيرة التحديث المرتفعة (أحدث البيانات بتاريخ 18 أكتوبر, 2026) تحافظ القناة على حداثتها ومستوى وصول مرتفع. وتُظهر التحليلات تفاعلاً نشطاً من الجمهور، ما يجعلها نقطة تأثير مهمة ضمن فئة الفن والتصميم.
13 227
المشتركون
لا توجد بيانات24 ساعات
+727 أيام
+28030 أيام
أرشيف المشاركات
Decision Index
Первый бенчмарк для decision-моделей на Artificial Analysis — Jev и подобных
Слабое место почти у всех — отказ от галлюцинаций: у GLiDE 16.4, у Clef 4.3, у Celeris-1 ноль. То есть модели уверенно выбирают вариант, но не всегда честно говорят «не знаю»
Спасибо @morozovsk
#benchmark #decision #leaderboard
MAX
+1
Интерпретируемость нейросетей долго казалась тупиком. Нейроны выглядели как клубок: один реагировал и на кошек, и на машины. Объяснение: нейронов не хватает на все понятия, сеть складывает несвязанное вместе. Изучать сеть напрямую нельзя
Ник Каммарата, один из авторов ранних работ, вернулся к старым примерам с новыми инструментами. Оказалось, их прочитали неверно
Тот самый нейрон «кошки и машины» ловит букву V — усы и решетку радиатора. Каша в поздних слоях InceptionV1 была сбоем обучения: после обычных правок архитектуры 99-100% нейронов того слоя читаются. В Qwen3-32B у 90% нейронов одна основная задача, у 7% две связанные, и только 2-4% пока непонятны
Что принимали за свалку оказалось ветвлением: нейрон на «iy» дорастает до «diy», потом до «do it yourself»
Сети можно изучать как есть. Для контроля над поведением моделей это хорошая новость
already-clean.goodfire.com
#news
MAX
+1Nemotron 3.5 Super VL
Открытая модель на 120B параметров для постоянно работающих агентов: самое быстрое выполнение задач и высокая точность в своем классе. Вместе с ней вышли две edge-модели.
• Мультимодальные агентные задачи: следование инструкциям, работа с инструментами, многошаговые бизнес-процессы
• #OCR, таблицы, графики и структурированные данные в визуальных документах
• Читает веб-страницы, PDF и картинки, отдает выводы по ним
edge
• Bolt 74B-A9B 24GB: нативная 2-битная квантизация, влезает в 24 ГБ
• Bolt E4B 4GB: для голосовых ассистентов и встроенных интерфейсов на RTX и Jetson
HF
OpenRouter
#agent #multimodal
MAX
leanrea
Небольшой скилл для агента: один файл на 8 КБ. Заменяет REA для реверсинжиниринга приложений, но устроен проще.
REA — отдельный сервис между агентом и программами для анализа файлов. Весит 25 МБ, добавляет агенту больше двух сотен инструментов и требует настройки. Каждый запрос тянет за собой описание всех инструментов
leanrea ничего не устанавливает. Это просто текст который подсказывает агенту что делать
• Какая команда быстрее для конкретного типа цели: Electron, нативные бинарники, Go, Android, WASM, базы данных, веб
• Готовые команды для первого прохода
• Типичные ошибки и ловушки
• Правило помечать каждое утверждение: что видно, что выведено, что неизвестно
Как работает
Агент читает подсказки и запускает обычные утилиты через терминал. Промежуточного слоя нет - нет и накладных расходов
#coding #skill
MAX
Утечка в OpenCode
OpenCode сообщил о взломе. Инцидент связан с масштабной атакой дистилляции и затронул 1.4% пользователей OpenCode Console. Всех пострадавших уведомили письмом утром.
Что известно
• Затронута часть пользователей, у которых были привязаны внешние провайдеры
• Кому письмо не пришло, того инцидент не коснулся
• Инцидент продолжается, подробности пока не раскрывают
• Разбор ведут вместе с Anthropic, OpenAI и Google
Что именно утекло, не уточняется — формулировка про дистилляцию скорее про попытку выкачать модель через API. В комментариях пользователи уже спрашивают про списанные деньги и скомпрометированные ключи. Если привязывали внешних провайдеров, стоит проверить почту и перевыпустить ключи
#security #news
MAX
+1
DeepSeek-V4.1-Flash-1017
Не успел запостить мем про непродуктивную осень китайцев как они выпустили новый дипсик. Так что сначала надо смотреть мем. Потом новость, потом можно еще раз мем
Небольшое обновление V4.1-Flash, но с заметным приростом в рассуждениях, коде, агентных задачах и визуальных бенчмарках. Плюс модель тратит меньше времени на задачу и выдает более короткие ответы.
Результаты против Opus 5
• DeepSWE v1.1 — 77.0 против 74.0
• Automation-Bench — 60.5 против 50.3
• Agents' Last Exam — 35.4 против 28.6
• Apex Bench — 72.1 против 65.8
• Chartography с тулами — 83.0 против 84.0
Где пока позади
• Terminal-Bench 4.0 — 42.3 против 51.8
• ProgramBench — 29.1 против 37.0
• NL2Repo-Bench — 68.2 против 75.3
• HLE без тулов — 42.6 против 56.3
• Контекст 1 млн токенов
• Прежние цены API
#multimodal
MAX
+1
PerfectLab Studio
Кастом нода собирает консистентные фотосессии. Выбираешь человека, одежду, место, свет и камеру из библиотек с фото-превью — одна кнопка составляет промпты, размеры и сиды и отправляет всю сессию в граф.
• Профили моделей под Z-Image, Flux, Krea 2, Qwen-Image и SDXL — SDXL сам переключается на теги через запятую
• Карточки персонажей, пресеты, свои вайлдкарды и арки
Для H3-анимации из готовой серии кадров выбираются старт, середина и финал
#personalization #comfyui
MAX
MeshAxiom
Открытый 3D-стек от AlayaLab, рассчитанный на агентов. Базовая модель MeshAxiom-Base делает компактный явный меш из одного изображения с заданным бюджетом граней.
• Генерация явного меша по картинке с контролем числа граней
• Меши читаются инструментами: вершины и треугольники остаются в файле
• Агент вызывает геометрические тулы и получает компактные сводки и виды
• Модули переиспользуются: записи ассетов связывают геометрию и материалы с трансформами, ригами и движением
• Из модулей собираются сцены и сценарные программы
• Опциональный рестайл через H3 поверх готовой сцены
huggingface.co/AlayaLab/MeshAxiom-Base
github.com/AlayaLab/MeshAxiom
#agent #3d
MAX
+1
krea 3 prompting guide
Как промптить #krea3
#guide #prompting
MAX
Mago Local
Полная студия Mago как десктопное приложение. Если вы не идете к Маго, то Маго идет к вам и подсасывается к вашему комфи
• Генерация: из идеи или сценария до готового фильма
• Transform: свой материал перестилизуется покадрово или целиком
• Редактор с шотами, слоями и AI-рендерами на одном таймлайне
• Проекты, эпизоды, шоты и рендеры в одном месте
• Считает, сколько сэкономлено на локальном рендере против облака
Локальный стек
• LLM — Qwen3.8-27B
• Анализ картинок и видео — Qwen3-VL
• Персонажи и фоны — Qwen 2511 image/edit или Flux 2 dev
• Видео — MiniMax H3 ref2va в вариантах на 4 и 8 шагов
• Windows, NVIDIA от 16 ГБ VRAM, 60 ГБ на диске
• Работает с любым сервером #ComfyUI, включая RunPod и Vast.ai
• Если ComfyUI нет, Mago ставит его сам
• Облачные модели в приложении остаются
Код обещают открыть
#desktop #directing
MAX
FreeLLMAPI
Роутер, который складывает бесплатные тарифы десятков провайдеров в один OpenAI-совместимый эндпоинт /v1. Идея простая: по отдельности каждый фри-тир мелочь, вместе — около 7.4 млрд токенов в месяц.
• 34 провайдера и 635 бесплатных эндпоинтов, 474 семейства моделей
• Умный роутинг: на каждый запрос выбирается доступная модель
• Автоматический фейловер при лимитах, учёт расхода по каждому ключу
• Ключи хранятся в зашифрованном виде
• Поддержка не только чата, но и эмбеддингов, картинок и аудио
• Подключается к любым OpenAI-совместимым клиентам и кодинг-агентам
• Установка: десктоп для #macOS и #Windows #Docker, мобильные приложения
• Каталог моделей обновляется по подписанному фиду без git pull
• Сам роутер бесплатный, новые модели подтягивает ч5ерез 30 дней. Впрочем за $19 в год можно и сразу
Не рекомендовано для продакшена
github.com/tashfeenahmed/freellmapi
#router
MAX
UniForge3D
Метод, который одновременно реконструирует и генерирует 3D-объект из разреженных снимков без поз камеры. Наблюдаемую геометрию сохраняет, невидимые области достраивает по выученным приорам.
• Реконструкция работает в системе координат камеры, генерация — в каноническом пространстве, из-за этого прямое взаимодействие геометрии ломается
• Если учитывать все виды сразу без оценки их полезности, к геометрии подмешивается лишнее и страдают мелкие детали
• #SOTA по внешнему виду и геометрии на Toys4K и GSO
• Работает по разреженным снимкам без известных поз
huggingface.co/xibushu/UniForge3D
github.com/xibushu/UniForge3D
#scenereconstruction #imageto3d
MAX
+1MJev-Spatial
Мультимодальная decision-модель для пространственных вопросов. Превращает вопрос в выбор из конечного набора кандидатов и отвечает классификацией — без генерации токенов ответа.
• База — Qwen3.5-4B, переиспользуются ее же Q/K-проекции для оценки кандидатов
• Лучший средний результат на 7 из 12 бенчмарков
• В 5.6 раза быстрее базовой модели
github.com/Fr0zenCrane/MJev-Spatial
———
Jev 1.14 от TypeSafe - с мультимодальностью
• Картинки: мультимодальность включается заголовком TypeSafe-Danger-Zone-Images: true
• Новый тип box: возвращает один bounding box
• Длинный контекст: TypeSafe-Danger-Zone-Long-Context: true.
На мультимодальности все модели, включая Jev, работают хуже, чем на чистом тексте
hf.co/mindlab-research/MJev-Spatial-4B
github.com/Fr0zenCrane/MJev-Spatial
#rlcd #decision #vlm
MAX
MAI-Base-2
Microsoft анонсировала собственную базовую модель. Мустафа Сулейман на внутренней встрече заявил, что она сильнее модели, на которой построена GPT-5.6, и что на обучение ушла четверть вычислений OpenAI.
• 2,8 трлн параметров, схема MoE — на запрос работают только нужные блоки, 80 млрд активных
• Обучение 38 дней на 16 000 ускорителях Nvidia GB200
• Только на собственных данных Microsoft, без обучения на ответах чужих моделей
• В блоге сравнивают с открытыми DeepSeek-V4-Pro-Base, Kimi K3 и Qwen — заявлено превосходство и рост эффективности обучения в 4-12 раз против DeepSeek
• Сравнивали базовые модели после предобучения, а не готовые чат-модели
• MAI-Base-2 ещё проходит второй этап обучения, так что с ChatGPT сравнивать рано
• Независимых проверок результатов нет
#flagship #news
MAX
+1
MOSS-Image
Генератор картинок
Главная фишка — нативное управление композицией через JSON-промпт, где задаются объекты, текст и их позиции.
• Генерация по обычному текстовому описанию
• Layout-контроль: объекты, надписи и их рамки в структурированном #JSON
• Рендер текста внутри изображения, включая китайский и надписи от руки
• Промпты до 4K токенов
• Аниме и фотореализм в одном флаконе
• Правка сцены через изменение описаний и боксов
• 5B параметров — компактный бэкбон под генерацию и финтюн
• Веса Apache-2.0
• Настройки: 50 шагов, CFG 3, flow-matching Euler, shift 5, пропуск негативной ветки на слое 22
Есть Prompt Enhancer
Говорят, умеет в nsfw
github.com/OpenMOSS/MOSS-Image
huggingface.co/OpenMOSS-Team/MOSS-Image-SFT
huggingface.co/lodestones/MOSS-Image-SFT-8-steps-dmd
huggingface.co/nif0/MOSS-Image-SFT-ComfyUI
Comfyui
Спасибо @m_franz
#t2i #json2i
MLP-Splatting
Метод представления 3D-сцен через нейронные примитивы. ECCV 2026. Каждый примитив — независимый компактный MLP (Multilayer Perceptron) с локальной поддержкой, взвешенный анизотропной гауссианой. Сцена сама разбирается на объекты и части.
Супервизия только по RGB дает примитивы, которые сами ложатся на объекты и их части. Рендер через разреженный объемный композитинг по пересечениям луча с примитивами
• Фотореалистичный синтез новых видов
• Разложение сцены на объекты без сегментации — по нескольким примитивам
• Интерактивное редактирование: выбор объекта, SE(3)-сдвиг, смена цвета
• Открытие словаря: языковая сегментация и удаление объектов
• Опциональная дистилляция семантических признаков
• Качество на уровне Feature-3DGS и выше
• В 6 раз меньше памяти, рендер вдвое быстрее
• Нужны сотни примитивов вместо миллионов гауссиан
github.com/kxhit/mlp-splatting
#mlp #scenereconstruction #rendering
