Machinelearning

🔥 DocsGPT — open-source AI-помощник для работы с документами и не только DocsGPT — это функциональное решение на базе LLM и GPT с открытым исходным кодом, которое упрощает процесс поиска информации в документации. Благодаря интеграции мощных LLM можно задавать вопросы по документации и различным текстам и получать точные ответы. Модели на Hugging Face: 🟡 Docsgpt-7b-mistral — требует 1×A10G GPU 🟡 Docsgpt-14b — требует 2×A10 GPU 🟡 Docsgpt-40b-falcon — требует 8×A10G GPU 🖥 GitHub #llm #gpt @ai_machinelearning_big_data

📊 Time Series Foundation Model by Google TimesFM - это новая модель прогнозирования временных рядов от Google, предварительно обученная на большом массиве данных состоящем из 100 миллиардов реальных временных точек. Модель демонстрирует впечатляющую производительность при zero-shot обучении на множестве бенчмарков. #TimesFM #TimeSeries #Forecasting #FoundationModels ▪Github: https://github.com/google-research/timesfm ▪Paper: https://arxiv.org/abs/2310.10688 ▪Blog: https://research.google/blog/a-decoder-only-foundation-model-for-time-series-forecasting/ ▪HF: https://huggingface.co/google/timesfm-1.0-200m @ai_machinelearning_big_data

⚡️ LLaVA-NeXT: A Strong Zero-shot Video Understanding Model LLaVA-NeXT - одна из самых мощных на сегодняшний день моделей для понимания видео, превосходящая все существующие VLM, с открытым исходным кодом. Новая SoTA! LLaVA-Next демонстрирует высокую скорость передачи данных и демонстрирует отличные результаты при zero-shot обучении.

git clone https://github.com/LLaVA-VL/LLaVA-NeXT

▪Github: https://github.com/LLaVA-VL/LLaVA-NeXT ▪Blog: https://llava-vl.github.io/blog/2024-04-30-llava-next-video/ ▪HF: https://huggingface.co/shi-labs/CuMo-mistral-7b ▪Dataset: https://huggingface.co/datasets/shi-labs/CuMo_dataset @ai_machinelearning_big_data

KAN + NeRF = 🔥 KAN (Kolmogorov-Arnold Networks) — многообещающий конкурент традиционных MLP. Почему бы не внедрить его в NeRF? Результаты впечатляют — оптимизация NeRF занимает от нескольких часов до одного-двух дней (в зависимости от разрешения) и требует GPU. Рендеринг изображения из оптимизированного NeRF с KAN занимает от секунды до ~30 секунд в зависимости от разрешения. 🖥 GitHub @ai_machinelearning_big_data

🔥Gemma 2B with recurrent local attention with context length of up to 10M Google выпустили огненную модель Gemma 2B с длиной контекста 10M, которая анализирует до 7 млн слов. В нее можно закидывать огромные документы и модель всё проанализирует. Производительность выше Gemini в 10 раз, а памяти нужно всего 32 ГБ. ▪Github: https://github.com/mustafaaljadery/gemma-2B-10M ▪HF: https://huggingface.co/mustafaaljadery/gemma-2B-10M ▪Technical Overview:https://medium.com/@akshgarg_36829/gemma-10m-technical-overview-900adc4fbeeb @ai_machinelearning_big_data

⚡️ Deblur-GS: 3D Gaussian Splatting from Camera Motion Blurred Images Новый метод Deblur-GS на основе Гауссовских сплатов для качественного восстановления размытой картинки. Deblur-GS обеспечивает превосходную производительность и качество рендеринга по сравнению с предыдущими методами, что подтверждается бенчмарками, как на синтетических, так и на реальных наборах данных. ▪Code: https://github.com/Chaphlagical/Deblur-GS ▪Paper: https://chaphlagical.icu/Deblur-GS/static/paper/Deblur_GS_author_version.pdf ▪Project: https://chaphlagical.icu/Deblur-GS/ @ai_machinelearning_big_data

💡 Lumina-T2X: Transforming Text into Any Modality, Resolution, and Duration via Flow-based Large Diffusion Transformers Lumina-T2X - новое семейство диффузионных моделей, способных преобразовывать текст в: изображения, динамичные видео с любым разрешением и длительностью, 3D модели и речь с минимальными вычислительными затратами.. В основе Lumina-T2X лежит большой диффузионный Flow-based трансформер (Flag-DiT), который поддерживает до 7 миллиардов параметров и длины контекста в 128 000 токенов. ▪Github: https://github.com/alpha-vllm/lumina-t2x ▪Paper: https://arxiv.org/abs/2405.05945 ▪Demo: https://lumina.sylin.host/ @ai_machinelearning_big_data

🔦 IC-Light: Imposing Consistent Light 💡 IC-Light - это новый интересный проект для реалистичного управления освещением. Внутри два типа моделей: модель изменения освещения с из тектовых промптов и модель изменения подсветки фона изображений. ▪Github: https://github.com/lllyasviel/IC-Light ▪Jupyter: https://github.com/camenduru/IC-Light-jupyter ▪Demo: https://huggingface.co/spaces/lllyasviel/IC-Light @ai_machinelearning_big_data

⚡️ Google Threat Intelligence — AI-решение в сфере кибербеза Google представила новое решение в сфере кибербезопасности Threat Intelligence, которое позволит клиентам «получать ценную информацию и защищать корпоративную IT-инфраструктуру от угроз быстрее, чем когда-либо прежде», используя аналитические данные подразделения кибербезопасности Mandiant, службы анализа угроз VirusTotal в сочетании с возможностями ИИ-модели Gemini AI. «Бесспорно, что сегодня Google обеспечивает два наиболее важных столпа анализа угроз в отрасли — VirusTotal и Mandiant. Интеграция обоих в единое предложение, дополненное ИИ и анализом угроз Google, предлагает командам безопасности новые средства для использования актуальных сведений об угрозах для лучшей защиты своих организаций», — отметил Дэйв Грубер (Dave Gruber), главный аналитик Enterprise Strategy Group. Google отметила, что основным преимуществом Threat Intelligence является предоставление специалистам по безопасности ускоренной аналитики за счёт использования генеративного ИИ. Задействованная в решении большая языковая модель Gemini 1.5 Pro, по словам Google, сокращает время, необходимое для анализа вредоносного ПО и раскрытия его исходного кода. Компания отметила, что вышедшей в феврале версии Gemini 1.5 Pro потребовалось всего 34 секунды, чтобы проанализировать код вируса WannaCry, программы-вымогателя, с помощью которой хакеры в 2017 году атаковали множество компаний по всему миру. Также Gemini позволяет ускорить сбор информации о хакерской группе, её целях, тактике взлома и связанных с ней деталях. Кроме того, Gemini обеспечивает обобщение отчётов об угрозах на естественном языке в Threat Intelligence, что позволяет компаниям оценить, как потенциальные атаки могут на них повлиять, и расставить приоритеты, на чём следует сосредоточиться. 📎 Подробнее 🟡 Демонстрация @ai_machinelearning_big_data

⚡️ You Only Cache Once: Decoder-Decoder Architectures for Large Language Models Microsoft только что представили инструмент You Only Cache Once: Decoder-Decoder : архитектура Decoder-Decoder для больших языковых моделей YOCO существенно снижает потребление памяти GPU и состоит из двух компонентов - cross decoder'а, объединенного с self-decoder'ом. Self-decoder кодирует глобальные кэши значений ключей (KV), которые повторно используются cross decoder'ом с механизмом cross-attention. Результаты экспериментов показывают, что YOCO достигает более высокой производительности по сравнению с архитектурой Трансформеров при различных настройках масштабирования размера модели и количества обучающих токенов, подробнее тут. ▪Github: https://github.com/microsoft/unilm/tree/master/YOCO ▪ABS: https://arxiv.org/abs/2405.05254 @ai_machinelearning_big_data

🧬 AlphaFold 3 predicts the structure and interactions of all of life’s molecules Google DeepMind представили Alpha Fold3, новую модель искусственного интеллекта, которая предсказывает структуру и взаимодействия молекул. Благодаря точному прогнозированию структуры белков, ДНК, РНК и многого другого, а также того, как они взаимодействуют, наше понимание биологического мира может выйти на новый уровень, а в практическом применение поможет разработке новых лекарств. Эта революционная модель, может предсказывать структуру и взаимодействия всех молекул жизни с беспрецедентной точностью. На основе входного списка молекул Alpha Fold3 генерирует их общую трехмерную структуру, показывая, как они сочетаются друг с другом. Программа моделирует крупные биомолекулы, такие как белки, ДНК и РНК, а также небольшие молекулы, также известные как лиганды. Кроме того, Alpha Fold3 может моделировать химические модификации этих молекул, которые контролируют здоровое функционирование клеток, нарушение которых может привести к различным заболеваниям. https://blog.google/technology/ai/google-deepmind-isomorphic-alphafold-3-ai-model/ @ai_machinelearning_big_data

🚀 На Хабре вышел гайд о том, как внедрять YandexGPT API в свои продукты Команда AllSee показала, как они реализовали SDK для быстрой интеграции YandexGPT в python-приложение. Попутно показали, что модель даёт похожий на ChatGPT результат по метрикам, но при этом её дешевле использовать в своих проектах. Пользуйтесь ) ▪️ Habr: https://habr.com/ru/articles/812979/ @ai_machinelearning_big_data

🔉 AudioSeal is the state of art audio watermarking model Audio Seal - это SOTA для добавления метаданных на аудио и распознавания их, предназначенная для разработанный специально для локального распознавания речи, сгенерированной искусственным интеллектом. Инструмент прост в настройке и работает молниеносно. Audioseal обеспечивает самые современные характеристики распознавания как естественной, так и синтетической речи, обеспечивает незначительное изменение качества сигнала и устойчив ко многим типам редактирования аудио. Audioseal значительно превосходит существующие модели по скорости обнаружения.

pip install audioseal

▪Github: https://github.com/facebookresearch/audioseal ▪Paper: https://arxiv.org/abs/2401.17264 ▪Colab: https://colab.research.google.com/github/facebookresearch/audioseal/blob/master/examples/colab.ipynb ▪HF: https://huggingface.co/facebook/audioseal #audio @ai_machinelearning_big_data

🌟 Introduction to Granite Code Models IBM выпустили Granite Code Models: семейство моделей Open Foundation для интеллектуального анализа и генерации кода Все модели Granite Code выпущены под лицензией Apache 2.0. Модели Granite превосходят модели с открытым исходным кодом по всем параметрам. На рисунке показано, как Granite-8B-CodeBase превосходит Mistral-7B, LLama-3-8B и другие модели с открытым исходным кодом в трех задачах кодинга. Полные оценки можно найти здесь. Модели отлично справляются с задачами генерации кода, исправления багов объяснения кода, генерации документации к кода. - Размер моделей варьируется от 3B до 34B параметров - Обученных на 3-4 тыс. токенах, полученных из 116 языков программирования ▪Github: https://github.com/ibm-granite/granite-code-models ▪Paper: https://arxiv.org/abs/2405.04324 ▪HF: https://huggingface.co/collections/ibm-granite/granite-code-models-6624c5cec322e4c148c8b330 #llm #codegeneration @ai_machinelearning_big_data

➡ Новости: теперь вы можете публиковать свои модели прямо из Keras API с Kaggle или hugging! Вот руководство по началу работы на любой из платформ → https://developers.googleblog.com/en/publish-your-keras-models-on-kaggle-and-hugging-face/ @ai_machinelearning_big_data

Эффективный метод быстрого освоения ChatGPT. Обучение нейронной сети и создание правильных промптов – это длительный процесс, который требует значительного времени. Здесь разработан краткий курс из 5 уроков по ChatGPT. После его завершения вы сможете создать 9 нейронных сетей, которые помогут вам: - находить ошибки и оптимизировать код - генерировать посты в Телеграме - создавать заголовки для рекламы - делегировать рутинные задачи нейронке Вы также сможете разработать своих собственных нейро-помощников для продаж, маркетинга и других целей. Бесплатный доступ предоставляется сразу после регистрации. Реклама. ООО "ТЕРРА ЭЙАЙ". ИНН 9728019395. erid: LjN8K921a

💥 New tools to help researchers study content authenticity by OpenAi OpenAi запускает для тестов новый классификатор, который поможет идентифицировать контент, созданный DALLE 3. В этом году они уже начали добавлять метаданные CPAN ко всем изображениям, созданным и отредактированным DALE 3, в ChatGPT и OpenAI API. Они также планируют интегрировать метаданные C2PA для Sora, когда модель будет выпущена. ▪ Почитать подробнее можно здесь #openai @ai_machinelearning_big_data

🌟 TrustLLM для оценивания ответов LLM TrustLLM — инструмент на Python для комплексного исследования ответов от LLM. TrustLLM рассматривает 6 аспектов ответов: правдивость, безопасность, этичность, соблюдение конфиденциальности и другие. В этом документе подробно объясняется, как использовать инструмент для оценки эффективности собственных моделей.

pip install trustllm

▪GitHub ▪Arxiv ▪Docs ▪Project @ai_machinelearning_big_data

🔥Machine learning Interview Questions Вопросы и ответы с собеседований. Большая, подборка вопросов и ответов с собеседований по ML, Data Science,Ai, статистике, теории вероятностей python, SQL. ML ▪100 вопросов c собесов по машинному обучению 2024 ▪Сборник ответов с собесов по машинному обучению от FAANG, Snapchat, LinkedIn. ▪Facebook. Вопросы по машинному обучению 2024 год ▪Google руководство по прохождению собеса в 2024 году ▪ Подготовка к собеседованию по ML: ответы на основные вопросы ▪ 14 типичных вопросов с собеседования по ML ▪ Вопросы для собеседования на позицию ML-инженера ▪ Решения вступительных испытаний в ШАД ▪ Решения вступительных испытаний в ШАД архив ▪AI Interviews at Apple, OpenAI, Bloomberg & JP Morgan – What to Expect ▪Apple Machine Learning Engineer (MLE) Interview Guide ▪Junior ML-инженер | Выпуск 1 | Собеседование ▪Успешное собеседование в Яндекс ▪Как я проходил собеседования на Machine Learning Engineer NLP ▪100 вопросов и ответов для интервью по NLP ▪Топ-50 вопросов собеседований NLP ▪ Вопросы по NLP 2024 года DS ▪Материалы для подготовки к интервью data science ▪ Вопросы/ответы DS ▪100 вопросов для подготовки к собесу Data Science ▪Временные ряды. Топ 50 вопросов Python ▪100 вопросов для подготовки к собесу Python ▪ 50 вопросов по PyTorch ▪45 Вопросов с собеседований Pandas ▪400 самых популярных вопросов-ответов для Python-разработчика. ▪100 вопросов видео ▪LeetCode Pandas AI ▪30 вопросов промпт инжинирингу ▪ 15 вопросов по LLM и AI ▪27 Вопросов по Chatgpt Math ▪ Вопросы с собеседований по статистике ▪ Вопросы по теории вероятности ▪ LeetCode: разные решения с кодом ▪Top 75 Statistics Interview Questions ▪40 вопросов по статистике с собеседований на должность Data Scientist ▪Statistics Interview Questions & Answers for Data Scientists SQL ▪Задачи с собеседований SQL @ai_machinelearning_big_data

⚡️OpenDevin OpenDevin — это open-source проект, цель которого - воспроизвести Devin, автономного AI-программиста, способного выполнять сложные инженерные задачи и активно сотрудничать с пользователями в проектах по разработке ПО. OpenDevin стремится повторить, улучшить и усовершенствовать Devin. Запуск OpenDevin с помощью Docker:

# The directory you want OpenDevin to modify. MUST be an absolute path!
export WORKSPACE_BASE=$(pwd)/workspace

docker run \
    --pull=always \
    -e SANDBOX_USER_ID=$(id -u) \
    -e WORKSPACE_MOUNT_PATH=$WORKSPACE_BASE \
    -v $WORKSPACE_BASE:/opt/workspace_base \
    -v /var/run/docker.sock:/var/run/docker.sock \
    -p 3000:3000 \
    --add-host host.docker.internal=host-gateway \
    ghcr.io/opendevin/opendevin:0.5

▪GitHub ▪Страничка OpenDevin @ai_machinelearning_big_data