Нейронавт | Нейросети в творчестве
رفتن به کانال در 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
نمایش بیشتر📈 تحلیل کانال تلگرام Нейронавт | Нейросети в творчестве
کانال Нейронавт | Нейросети в творчестве (@greenneuralrobots) در بخش زبانی روسی بازیگری فعال است. در حال حاضر جامعه شامل 13 227 مشترک است و جایگاه 2 668 را در دسته هنر و طراحی و رتبه 48 963 را در منطقه روسيا دارد.
📊 شاخص‌های مخاطب و پویایی
از زمان ایجاد در невідомо، پروژه رشد سریعی داشته و 13 227 مشترک جذب کرده است.
بر اساس آخرین داده‌ها در تاریخ 17 اکتبر, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر 280 و در ۲۴ ساعت گذشته برابر 0 بوده و همچنان دسترسی گسترده‌ای حفظ شده است.
- وضعیت تأیید: تأیید نشده
- نرخ تعامل (ER): میانگین تعامل مخاطب 12.00% است و در ۲۴ ساعت نخست پس از انتشار، محتوا معمولاً 9.14% واکنش نسبت به کل مشترکان کسب می‌کند.
- دسترسی پست‌ها: هر پست به طور میانگین 1 586 بازدید دریافت می‌کند. در اولین روز معمولاً 1 208 بازدید جمع‌آوری می‌شود.
- واکنش‌ها و تعامل: مخاطبان به‌طور فعال حمایت می‌کنند؛ میانگین واکنش به هر پست 14 است.
- علایق موضوعی: محتوا بر موضوعات کلیدی مانند гитхаб, assistant, claude, imageediting, параметр تمرکز دارد.
📝 توضیح و سیاست محتوایی
نویسنده این فضا را محل بیان دیدگاه‌های شخصی توصیف می‌کند:
“Канал про нейросети в компьютерной графике, в кино и вообще
В папках и запусках не участвую
для связи @Neuronauticus
РКН: https://hf.ru/link8e56d”
به لطف به‌روزرسانی‌های پرتکرار (آخرین داده در تاریخ 18 اکتبر, 2026)، کانال همواره به‌روز و دارای دسترسی بالاست. تحلیل‌ها نشان می‌دهد مخاطبان به‌طور فعال با محتوا تعامل دارند و آن را به نقطه اثرگذاری مهم در دسته هنر و طراحی تبدیل کرده‌اند.
13 227
مشترکین
اطلاعاتی وجود ندارد24 ساعت
+727 روز
+28030 روز
آرشیو پست ها
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
