Machinelearning

🐋 DeepSeek только что выпустила еще одну модель ИИ с открытым исходным кодом, Janus-Pro-7B. Она мультимодальная и выигрывает у OpenAI DALL-E 3 и Stable Diffusion на бенчмарках GenEval и DPG-Bench. https://huggingface.co/baichuan-inc/Baichuan-M1-14B-Base #ai #deepseek #opensource

⚡️ Мл сообщество активно обсуждает успехи Китая и DeepSeek-R1, в частности, в гонке за доминирование на рынке ИИ. Релиз даже вызвал падения акций американских ИТ-гигантов на бирже NASDAQ. Но помимо R1 в этом месяце разработчики из Китая выпустили еще очень много интересных моделей 🔥 Давайте посмотрим на список самых ярких релизов за январь: LLM: ✨ InternLM3-8B-Instruct ✨ MiniMax-Text-01 ✨ RWKV-7 RNN + трансформер 👀 ✨ Собственно сам DeepSeek-R1 ✨ Baichuan-M1-14B медицинский LLM 🩺 ✨ Qwen2.5-Math-PRM от Alibaba ✨ Qwen2.5 -1M Модели кодинга: ✨ Tare от BytedanceTalk TTS модели синтеза и генерации речи: ✨ T2A-01-HD от MiniMax AI ✨ LLaSA МЛЛМ: ✨ Kimi k1.5 от Moonshot AI ✨ MiniCPM-o-2_6 от OpenBMB ✨ Sa2VA-4B от ByteDanceOSS ✨ VideoLLaMA 3 от Alibaba DAMO ✨ LLaVA-Mini от Китайской академии наук ✨Hunyuan-7B от TXhunyuan ✨ Hunyuan 3D 2.0 ИИ-агенты: ✨ UI-TARS от ByteDanceOSS ✨ GLM-PC Датасеты: ✨ Fineweb-Edu-Chinese-V2.1 ✨ Multimodal_textbook от Alibaba ✨ MME-Finance от Hithink AI ✨ GameFactory от KwaiVGI 📌 Полный список Релизов

💰 Банк Китая выделит 1 триллион юаней (137 миллиардов долларов) в течение 5 лет для противостояния США в гонке искусственного интеллекта. Это прямой ответ на проект «Звездные врата». Евросоюз: максимум, что мы можем сделать, — это выделить 10 миллиардов на ИИ решулирлвание. #ai #news #stargate #llm

💥Релиз Qwen2.5-1M! Теперь модель поддерживает контекст длиной 1 МИЛЛИОН ТОКЕН токенов 🔥 ⭐️ Доступны 2 модели: Qwen2.5-7B-Instruct-1M и Qwen2.5-14B-Instruct-1M. Доступен подробный технический отчет о серии Qwen2.5-1M! 📊 📖 Технический отчет: https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen2.5-1M/Qwen2_5_1M_Technical_Report.pdf 📄 Блог: https://qwenlm.github.io/blog/qwen2.5-1m/ 🚀 Потестировать можно здесь: https://chat.qwenlm.ai 🤗 Huggingface: https://huggingface.co/collections/Qwen/qwen25-1m-679325716327ec07860530ba ▪ Modelscope: https://modelscope.cn/collections/Qwen25-1M-d6cf9fd33f0a40 @bigdatai

📕 Think Stats: Бесплатная книга по статистике. Think Stats - это введение в теорию вероятностей и статистику для Python программистов и датасаентистов. Каждая глава доступна в виде блокнота Jupyter ноутбука, в которой можно запускать код и решать упражнения ✔ ⭐️ Книга доступна по лицензии Creative Commons, что означает, что вы можете свободно читать, копировать и распространять при условии указания ссылки на источник и не использования в коммерческих целях. ▪ Книга ▪Github #freebook #ml #probability #book #opensource #practice #книганедели

🌍 WebRover – это автономный ИИ-агент , предназначенный для взаимодействия с элементами веб-страниц и выполнения пользовательских запросов. Агент построен на базе LangChain и LangGraph и в первую очередь создан, чтобы освободить пользователей от рутины, связанной с поиском и сбором информации. Благодаря глубокому пониманию контекста и способности автоматически определять нужные элементы, WebRover эффективно справляется даже со сложными задачами. Основные возможности WebRover включают: - самостоятельную навигацию по сайтам, управление состоянием через LangGraph и автоматизированное взаимодействие с браузером посредством Playwright. - агент способен анализировать содержимое страниц, делать скриншоты и формировать структурированные ответы и парить информацию. Особенности 🤖 Навигация на основе GPT-4 для понимания контекста и интеллектуальной навигации по веб-сайтам 🎯 Интеллектуальное обнаружение элементов: Автоматически идентифицирует и взаимодействует с любыми элементами сайтов 📸 Визуальная обратная связь: Визуализация процесса навигации в реальном времени 🔄 Автономная работа: Самокорректирующаяся навигация со стратегиями обратного хода git clone https://github.com/hrithikkoduri18/webrover.git cd webrover cd backend ▪ Github @ai_machinelearning_big_data #aiagents #ai #ml #opensource

🖤 Open R1 Разработчики с Hugging Face повторил полный цикл разработки DeepSeek - от сбора данных до обучения! 🔥 Цель этого репозитория - объяснить все части конвейера создания R1 таким образом, чтобы каждый мог повторить его или построить поверх него свой проект. Из чего состоит проект: - src/open_r1 содержит скрипты для обучения и оценки моделей, а также для генерации синтетических данных: - grpo.py : обучение модель с помощью GRPO - sft.py: простой SFT - evaluate.py: оценка модели на основе тестов R1. - generate.py: генерация синтетических данных с помощью Distilabel. Makefile содержит простую в выполнении команду для каждого шага конвейера R1. ▪ Github @ai_machinelearning_big_data #opensource #DeepSeekR1 #huggingface #OpenR1

⚡️ Китай продолжает выпускать новые МОЩНЫЕ и ДЕШЕВЫЕ модели искусственного интеллекта! Материнская компания Tik-Tok, ByteDance, выпустила Doubao-1.5-pro.: 🔸На бенчмарках с GPT-4o они идут рука об руку 🔸Экономичная цена: - 0,022 доллара за миллион кэшированных токенов - 0,11 доллара за миллион токенов - 0,275 доллара за миллион выходных токенов 🔸Преимущество в стоимости: - в 5 раз дешевле, чем DeepSeek - Более чем в 200 раз доступнее, чем OpenAI o1 🔸Особенности: - контекстное окно размером 32k + 256k ✅Архитектура: Для повышения эффективности используется MoE ✅ Влияние на рынок: Этот шаг является частью широкой китайской инициативы в области искусственного интеллекта от ByteDance и DeepSeek для доминировали на ИИ рынке https://team.doubao.com/zh/special/doubao_1_5_pro #Doubao #llm #ml #ai #release

На фоне роста ипотечной ставки и изменения курса $ россияне по рассрочке скупают объекты в ОАЭ. Рассрочка беспроцентная, дается на срок от 2 до 8 лет с первым взносом в 10% от стоимости. Например, можно взять квартиру у моря с террасой и бассейном, чтобы жить или сдавать в аренду. Доход здесь в валюте и не облагается налогом. Подписывайтесь на самый большой канал о рынке недвижимости Эмиратов от аналитика Андрея Негинского (он на фото) и скачивайте в закрепе каталог из 20 таких проектов с описанием и ценами.

🖥 Cuda-120-Days-Challenge Гайд 120-дневной программы обучения CUDA для всех, кто хочет углубиться в программирование на GPU. Это структурированный, ежедневный план, охватывающий потоки, управление памятью, параллелизм и отладку и многое другое. Урок на каждый день включает в себя: - Разбор основной темы занятии - Практическое упражнение / мини-проект Разбор ошибок при отладке кода - Рекомендованные ресурсы ▪Github ▪CUDA C Programming Guide ▪CUDA Toolkit Reference ▪CUDA Best Practices Guide ▪ Бесплатный 12-ти часовой курс по CUDA от freeCodeCamp @machinelearning_interview - материалы для мл собеса #cuda #nvidia #freecourse #opensource #tutorial

🔸 Gated DeltaNet: гибридная архитектура нейронных сетей с управлением памятью. Gated DeltaNet - экспериментальная архитектура, разработанная NVIDIA для управления памятью в контексте линейных трансформеров, которая может решить проблемы с забыванием в моделях, обрабатывающих длинные последовательности данных. Gated DeltaNet предлагает использовать одновременно дельта-правило и гейтинг. Дельта-правило обновляет память модели, заменяя устаревшую информацию на новую, а механизм гейтинга удаляет ненужную информацию из памяти, чтобы она не мешала модели работать эффективно. Архитектура Gated DeltaNet была разработана на основе алгоритма, который параллелит вычисления дельта-правила с использованием представления WY и оптимизирует работу с GPU на уровне тензорных ядер. Перфоманс-тестирование Gated DeltaNet проводилось на бенчмарках языкового моделирования, ризонинга, контекстного извлечения, экстраполяции длины и понимания объемного контекста. Модель Gated DeltaNet превзошла Mamba2 и DeltaNet на всех этих тестах. Например - улучшенная точность на задачах S-NIAH-2 и S-NIAH-3, где Gated DeltaNet показала более эффективное управление памятью по сравнению с DeltaNet и Mamba2 и превосходство в задачах ризонинга. Гибридные архитектуры, сочетающие слои Gated DeltaNet с вниманием скользящего окна или слоями Mamba2 повысили эффективность обучения и производительность моделей. Тестовые GatedDeltaNet-H1 и GatedDeltaNet-H2 дали еще более высокие результаты, используя комбинации Gated DeltaNet + SWA и Mamba2 + Gated DeltaNet + SWA соответственно. Gated DeltaNet показала самые низкие показатели перплексии при экстраполяции на длинные последовательности до 20 тыс. токенов и продемонстрировала превосходные способности в извлечении информации, обучении в контексте и отслеживании состояния в задачах LongBench. 🔸Практическая реализация обучения Gated DeltaNet на Pytorch доступна в репозитории на Github 📌Лицензирование: 🟢Некоммерческое использование: Nvidia Source Code License-NC 🟠Коммерческое использование: по запросу через форму NVIDIA Research Licensing 🟡Arxiv 🟡GitHub @ai_machinelearning_big_data #AI #ML #LLM #NVIDIA #GatedDeltaNet

⚡️Легкий способ получать свежие обновления и следить за трендами в разработке на вашем языке. Находите свой стек и подписывайтесь: Data Science: t.me/data_analysis_ml МАШИННОЕ ОБУЧЕНИЕ: t.me/machinelearning_interview C++ t.me/cpluspluc Python: t.me/pythonl Linux: t.me/linuxacademiya Хакинг: t.me/linuxkalii Devops: t.me/DevOPSitsec Javascript: t.me/javascriptv C#: t.me/csharp_ci Java: t.me/javatg Базы данных: t.me/sqlhub Python собеседования: t.me/python_job_interview Мобильная разработка: t.me/mobdevelop Docker: t.me/DevopsDocker Golang: t.me/Golang_google React: t.me/react_tg Rust: t.me/rust_code ИИ: t.me/vistehno PHP: t.me/phpshka Android: t.me/android_its Frontend: t.me/front Big Data: t.me/bigdatai Собеседования МЛ: t.me/machinelearning_ru МАТЕМАТИКА: t.me/data_math Kubernets: t.me/kubernetc Разработка игр: https://t.me/gamedev Haskell: t.me/haskell_tg Физика: t.me/fizmat 💼 Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy Папка FRONTEND: https://t.me/addlist/mzMMG3RPZhY2M2Iy 😆ИТ-Мемы: t.me/memes_prog 🇬🇧Английский: t.me/english_forprogrammers 🧠ИИ: t.me/vistehno 🎓954ГБ ОПЕНСОРС КУРСОВ: @courses 📕Ит-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy

🤖 Quantum Swarm Quantum Swarm (QUARM) - это мощная мультиагентная система, которая обрабатывает запросы с помощью скоординированного роя специализированных ИИ-агентов. Каждый агент играет уникальную роль в анализе и ответе на запросы пользователей, предоставляя свой вариант ответа на поставленную задачу. ✨ Особенности Сложные запросы обрабатываются несколькими специализированными агентами: - Система Query Triage: Определяет сложность каждого запроса - Интерпретатор запросов: Разбирает и анализирует запросы - Специалист по исследованиям: Определяет ключевые области для исследования - Критический анализатор: Оценивает информацию и выявляет пробелы - Творческий исследователь: Генерирует новые варианты решения задачи Синтезатор информации: - Объединяет идеи в последовательные ответы 🚀 Поддерживает различные интерфейсы: - Поддержка CLI - Простая Интеграция с Telegram-ботми - RESTful API с поддержкой потоковой передачи данных - Поддержка веб-интерфейса 🚨 Расширенные возможности: - Потоковая передача ответов в реальном времени - Память диалогов с автоматической очисткой - Настраиваемые параметры агента - Поддержка нескольких LLM-провайдеров (OpenAI, Groq, Heurist) - Поддержка CORS для веб-интеграции Установка: git clone https://github.com/QuarmFW/Quarm.git cd quarm ▪ Github @ai_machinelearning_big_data #python #ai #ml #aiagents #agents #aiswarm

⭐️ OpenAI представили своего AI агента. Operator — это ИИ-агент, который умеет работать с браузером, заказывать продукты, бронировать билеты и столики в ресторанах искать данные и тп. Вам нужно просто описать свою задачу, а затем наблюдать в реальном времени, как оператор выполняет её за вас. Доступ пользователям Pro уже открыт, для остальных обещают в ближайшем времени: ▪operator ⭐️ Open Operator В преддверии релиза OpenAI Operator разработчики начали собирать некоторые ресурсы, связанные с Operator и другими подобными решениями для автоматизации задач: ▪Github ⭐️ Новый лидер на Text-to-Image Arena! Imagen 3 от Google DeepMind✨ Imagen 3 дебютирует на первом месте, обойдя Recraft-v3 с впечатляющим отрывом в +70 очков! Imagen 3 доступен на сайте . ⭐️ "Последний экзамен человечества" Это тщательно собранный датасет с 3 000 вопросов, разработанный при участии сотен профильных экспертов, чтобы отразить границы человеческих знаний. Лучше всех справляется с ним DeepSeek R1 от, достигая 9.4%, у o1 отставание с 9.1%. ▪Dataset ⭐️ Можем ли мы генерировать изображения с помощью цепочки мыслей CoT? Давайте проверим и улучшим генерацию изображений шаг за шагом. Авторегрессионная генерация изображений + масштабирование выводов приводят к существенному улучшению генерации изображений на нескольких бенчмарках. ▪Github ▪Статья ▪HF ⭐️ Pika 2.1 Крутейший генератор видео уже на подходе 😁 Движение в реальном времени стало намного лучше! Здесь, можно подать заявку на ранний доступ: ▪Доступ ⭐️ o3-mini станет бесплатной — работать с моделью скоро смогут все желающие! ▪Новость @ai_machinelearning_big_data #news #ai #ml #machinelearning #deeplearning #openai #pika #chatgpt #Imagen #cot

🌟 SmolVLM: набор компактных VLM от HuggingFace - Base, Synthetic и Instruct. SmolVLM - серия компактных VLM отличающихся высокой эффективностью использования памяти и могут быть развернуты на локальных устройствах с ограниченными ресурсами. Только что были выпущены SmolVLM (256M и 500M), которым требуются GPU <1GB для запуска. 🤗 SmolVLM-256M – это cамая маленькая VLM в мире! Модели настолько маленькт, что могут работать 100% локально в вашем браузере на WebGPU! 📌Лицензирование:  Apache 2.0 ⭐️ Smolervlm: https://huggingface.co/blog/smolervlm 🤗 Модели: https://huggingface.co/collections/HuggingFaceTB/smolvlm-256m-and-500m-6791fafc5bb0ab8acc960fb0 #AI #ML #SmallVLM #Huggingface

🔎 Depth Anything — это передовая технология оценки глубины, использующая монокуляр (одну камера). Однако у этой технологии есть проблема с временной несогласованности в видео, что значительно ограничивает её практическое применение. 😩Существующие методы могут улучшить согласованность видео, но они применимы к коротким видео (менее 10 секунд) и требуют компромисса между качеством и эффективностью съёмки. 🤗 Video Depth Anything — модель, которая обеспечивает высококачественную и последовательную оценку глубины видео без ущерба для их эффективности. Она построена на основе Depth Anything V2 и обладает мощным пространственно-временным управлением. 🍪 Разработанная на основе совместного набора данных о глубине видео и дешевых немаркированных изображений, эта модель представляет эффективную стратегию оценки длинного видео на основе ключевых кадров. Ограничения на градиенты глубины устраняют необходимость в дополнительных предварительных данных. 🖥 Эксперименты показали, что Video Depth Anything обрабатывает видео любой длины без потери качества, последовательности, что устанавливает новый уровень в оценке глубины видео с нулевой съемкой. Доступны модели различных масштабов, при этом самая маленькая из них обеспечивает производительность в реальном времени со скоростью 30 кадров в секунду 🔥👍 Начало работы: git clone https://github.com/DepthAnything/Video-Depth-Anything cd Video-Depth-Anything pip install -r requirements.txt ✅ Лицензирование: Apache 2.0 ▪GitHub ▪Paper ▪Model Small ▪Model Large ▪Demo @ai_machinelearning_big_data #DepthAnything #opensource #ml #depthestimation #videodepth

🚀rStar-Math от Microsoft - техника, которая позволяет улучшать небольшие модели, такие как Qwen-7B и Phi3-mini, позволяя им работать на уровне OpenAI o1 и выше в решении математических задач. Ключевые моменты: 🔗Пошаговое рассуждение (Monte Carlo Tree Search ): Модель симулирует глубокое мышление, анализируя каждый шаг решения для повышения точности. Проверка решений через код: На каждом шаге генерируется текстовое объяснение и код на Python, который автоматически проверяется, чтобы отсеивать ошибки. Самообучение: Модели улучшают друг друга за счет итеративного обучения в 4 итерации, что значительно повышает их росту производительности на тестах. Обучение на основе предпочтений: Модель вознаграждения процессов (PPM) сравнивает шаги рассуждения, чтобы улучшать их без ручного вмешательства, выбирая лучшие траектории. Большие данные для обучения: Используется 747 000 математических задач с проверенными решениями для тренировки модели. 📊 Результаты: 🤯Точность Qwen2.5-Math-7B на тесте MATH выросла с 58,8% до 90,0%. 🤯🤯Phi3-mini-3.8B улучшилась с 41,4% до 86,4%. 🤯🤯🤯Модель решает 53,3% задач USA Math Olympiad, что соответствует уровню топ-20% среди старшеклассников. Технология сочетает глубокое рассуждение, автоматическую проверку и самообучение для достижения высоких результатов. ◾️GitHub @ai_machinelearning_big_data #rstar #microsoft #mah

🚀 Хотите стать экспертом по машинному обучению в будущем? Тогда не теряйте время и начинайте развивать профильные навыки уже сейчас! Если вам от 13 до 20 лет, вы знаете основы Python и любите математику, у вас есть шанс присоединиться к крутой программе по машинному обучению! Пройти её можно в Яндекс Лицее 🌟 Вас ждут 3 месяца бесплатных онлайн-занятий и лекций от экспертов из индустрии. Все знания вы будете применять на практике, получая реальный опыт: от использования ML‑алгоритмов в компьютерном зрении до построения нейронных сетей 🌐🤖 Набор открыт также на онлайн-программы по веб-разработке на Go и Django, анализу данных, большим данным. Не упустите шанс — подайте заявку до 29 января!

⚡️ IBytedanceTalk только что выпустили UI-TARS модели (+ приложение для ПК / Mac OS) для взаимодействия с интерфейсами. ИИ-агенты, которые объединяют возможности рассуждений и действий в единой vision-language model для комплексной автоматизации задач на вашем пк на уровне человека. 3️⃣ Доступны в 3-х размерах: 2B, 7B и 72B ⭐ Обученные на базе Qwen2-VL с поддержкой SOFT & DPO ⭐ Версия 72B показывает 82,8% на VisualWebBench (опережая GPT-4 и Claude). ✅ SOTA: Достигает самых высоких результатов на 10 +бенчмарках ▪Модели: https://huggingface.co/bytedance-research/UI-TARS-72B-DPO ▪Статья: https://huggingface.co/papers/2501.12326 ▪Code: https://github.com/bytedance/UI-TARS ▪Приложения: https://github.com/bytedance/UI-TARS-desktop https://pic.x.com/pevF7Umtx7 @ai_machinelearning_big_data

🧠Миграция парсера YQL с ANTLR3 на ANTLR4 Выпускник ШАда рассказал, как перевёл парсер YQL с ANTLR3 на ANTLR4. 🔥Почему это важно? Новый парсер открыл возможности для автодополнения, синтаксической подсветки и генерации парсеров на Go, TypeScript и C++. Решение задачи упростило поддержку YDB и расширило его функционал. ⚙️ Ключевые моменты: - Миграция потребовала глубокого изучения работы ANTLR3, ANTLR4 и структуры парсинга в YDB - В процессе пришлось адаптировать систему парсинга, которая использует protobuf для описания синтаксического дерева. В итоге удалось внедрить решение, сохранив стабильность системы. 📌 Читайте подробности о процессе, нюансах ANTLR и реализации парсинга в YQL в статье на Хабре. @ai_machinelearning_big_data