Нам нужен свой суверенный искусственный интеллект  Че, не ждали такой пост? Так я пишу его с парковки, и здесь ловит…  Некоторые мысли про гонку нейросетевого вооружения. Представьте: я с ИИ делаю какой-то объём работы за час. Девочка без ИИ делает эту же работу за десять часов. Если нас поместить на график, где по оси Y будет наше финансовое и личное развитие, что мы увидим? Моя кривая будет стремиться в небо, а ее очень-очень медленно ползти ближе к оси X. Дело в том, что эффект от использования ИИ настолько мощный, что нейросети вполне можно приравнивать к оружию. А теперь представьте, что условная страна, которая держит это оружие в руках, берёт и ограничивает его использование гражданами другого государства. Или оставляет им только отсталые модели. В одной стране разработка, медицинские исследования, научные открытия, создание нового бизнеса — всё идет с ускорением ×10. А в другой — с ускорением ×2. Как быстро две страны можно будет поставить на одну систему координат и посмотреть, как они расходятся? Мы и так-то, мягко говоря, не форварды по какому угодно критерию в этом мире. А тут окончательно соснём. Поэтому разговоры про свой суверенный искусственный интеллект — это хорошие и правильные разговоры. Действительно должны быть свои нейросети, свои фундаментальные модели. Должно быть море стартапов, которые занимаются национальным ИИ, исследованиями, инфраструктурой, железом и всем остальным. И в это действительно надо вбухивать огромные деньги. Проблема только в том, что у нас в стране деньги имеют удивительную способность попадать в чёрную дыру, а на выходе мы видим то, что никто не будет юзать в здравом уме. Вторая проблема в том, что будет как с мессенджером на букву М. Всех научнут принудительно загонять в GoidaAI — сначала бюджетников, потом остальных. И будет также неприятно и бесяче, как с вышеупомянутым месседжером.  Так что пока встанем на колени и попросим западных предпринимателей не отключать нам доступы к их ИИ. Я делаю это с гордостью и патриотизмом если че.

MAI-Image-2.5-Pro Майкрософт ворвался в лидеры на t2i арене со своей Pro версией модели. Чаржат за генерацию по токенам: • $5 per 1M text input tokens, • $8 per 1M image input tokens • $106 per 1M image output tokens Выходит ~$108.5 за тысячу 1024x1024 картинок. Что дает нам понять, что одна 1024x1024 картинка это примерно 1024 токенов (32x32), то есть у них используется автоэнкодер с 16x сжатием по кадой стороне. Для сравнения MAI-Image-2.5 чтоит $48 за 1к картинок, а Image-2.5-Flash $20. Черипики от арены меня не очень впечатлили - кмк разница с GPT-Image-2 минимальная. Что по сути говорит о том, что арена все менее имеет какой-то вес, т.к. там тестируют модель обычные рандомы из интернета на абсолютно любых промптах вроде "нарисуй собаку, сделай красиво". Среди топ-10 моделей различия можно найти только с специфичных кейсах, а в среднем модели очень близки друг к другу по качеству. У Microsoft кстати еще неделю назад вышла MAI-Image-2.6-Preview - трудно понять, в чем различие с 2.5-Pro, но к 2.6, и тестили ее только на другой арене (arena.ai), где она уступает GPT-Image-2. Но в любом случае респект парням из команды MAI (ex Meta GenAI team 💪), что так внезапно ворвались в топ по генерации картинок, ведь Microsoft особо SOTA моделей не выдавал до этого момента вообще. >> Потыкать модели можно в их плейграунде (абсолютно убогом) @ai_newz

ByteDance обучает гигантскую AI-модель на 10 триллионов параметров Это примерно втрое больше, чем у Kimi K3 — крупнейшей китайской модели на сегодня. Точный размер определят позже. Предварительное обучение займёт 3-6 месяцев. Для сравнения, размер моделей Anthropic официально не раскрывается, но отраслевые оценки приписывают Mythos 5 около 8 триллионов параметров, а Fable 5 — около 5 триллионов. При этом само количество параметров ещё не гарантирует качество: многое зависит от данных, архитектуры и обучения. Источники FT утверждают, что ByteDance сознательно старается не дистиллировать чужие модели, а разрабатывать всё самостоятельно. Это замедляет прогресс, но руководство считает, что только так можно обогнать американские лаборатории. https://www.ft.com/content/9b8383b1-a28d-4940-8c4e-2f0cd21556ef

Как беспилотный трактор видит препятствия, ориентируется без GPS и толкает корм в коровнике Три независимых источника зрения: нейросеть детектит людей и технику, семантическая сегментация размечает проезжую зону, сырой лидарный поток ловит всё, что нейросеть проморгала. Машина с таким набором сенсоров в коровнике, по логике, должна прежде всего уверенно видеть корову. А отдельного детектора «корова» в системе попросту нет. Трактор катается вдоль кормового стола, набитого животными, и ни одна нейросеть не размечает то, что перед ней, как корову. При этом никто не оказывается под колёсами. Узнаем, как система выкручивается без класса, который вроде бы напрашивался первым.

#Нейропрожарка “Exquisitely Empty” Автор: @BaroVilgotsky Музыкальный клип для группы OMEGA DARK на песню “Exquisitely Empty” с альбома ‘Anhedonia’ (2026). Жанр - darkwave/industrial. Клип выдержан в стилистике horror/arthouse (не совсем для слабонервных) Генерация изображений - NanoBanana 2, NanoBanana Pro Генерация видео - Seedance 2.0 Монтаж - Movavi Video Editor Музыка - FL Studio 21, доработка в Suno Запись вокала - Cockos Reaper. Липсинк - встроенный в Seedance 2.0 В целом работа над клипом заняла около двух недель, с учётом того, что велась она нерегулярно. Бюджет ~ 3500 рублей. Ссылка на клип на YouTube: https://youtu.be/EkbxN5afefs Альбом ‘Anhedonia’ на VK Music: https://vk.com/music/album/-2000269457_28269457_e2b0b5f24aa699ae59 Альбом ‘Anhedonia’ на Яндекс.Музыке: https://music.yandex.ru/album/42823842 @cgevent

/Как ИИ уже заменяет фрилансеров - свежие данные/ Последние годы мы много рассуждали, «кого на самом деле заменит ИИ», а теперь на данных видим, как он меняет целые форматы работ. Например, фриланс-рынок труда превращается в песочные часы. Раньше спрос на фрилансеров был распределен близким образом к нормальному - много запросов умеющим делать миддловые задачи - вроде уже и с опытом, но вроде и руками и без грандиозных амбиций на захват мира. А теперь вот эта середина, наоборот, исхудала в распределении. С одной стороны остаются простые и дешевые задачи, которые либо делает ИИ, либо человек с ИИ делает почти мгновенно. С другой — дорогие специалисты, которым платят за экспертизу, решения и ответственность. Цифры такие: после появления ChatGPT спрос на копирайтинг снизился на 33%, на переводы минус 19%, на клиентскую поддержку минус 16%. При этом спрос на видеомонтаж и видеопроизводство вырос на 39%, AI-видео на 329%, интеграцию нейросетей на 178%. [источник] И гланый критерий риска предельно простой: можно ли целиком описать вашу задачу словами? Чем лучше задача помещается в промпт и чем проще проверить результат, тем меньше причин иметь между постановщиком задачи и нейросетью отдельного человека. Поэтому в целом уже бессмысленно обсуждать, какая профессия исчезнет. Скорее исчезают конкретные куски работы внутри профессий. А вот вам все чаще надо понять плохо сформулированную проблему, выбрать между несколькими нормальными решениями и отвечать за результат, тем больше ИИ становится не конкурентом, а экзоскелетом. Неприятный, но гипер важный вопрос для рефлексии: за что конкретно мне платят деньги? За производство результата? За скорость? За знание инструмента? Может быть за энергию или связи? Или за то, что я могу зайти туда, где никто толком не понимает, что происходит, разобраться и решить, что вообще нужно делать. Если вы ждали бесплатных карьерных советов - надо постепенно делать свою работу менее описываемой одним хорошим промптом.

⚡️ Liquid AI выжала почти BF16-качество из 4-битных моделей Компания выпустила новые Q4_0-чекпоинты для LFM2.5-230M, 350M, 1.2B и 2.6B, обученные через Quantization-Aware Distillation. Суть QAD простая: высокоточная модель выступает учителем для уже квантованной 4-битной версии. В итоге сохраняются низкое потребление памяти и высокая скорость Q4_0, но заметно возвращается качество, потерянное после обычной квантизации. По тестам Liquid AI новые модели сохраняют примерно 96,5–97,4% качества BF16. Для младших моделей QAD закрывает больше 70% разрыва между обычным Q4_0 и BF16. При этом скорость инференса остается на уровне обычного Q4_0, потому что формат GGUF, layout тензоров и runtime не меняются. Тестировали в том числе на MacBook Pro с M5 Max, Galaxy S26 Ultra и Raspberry Pi 5. https://liquid.ai/blog/qad

Dflash2 тпшнулся и теперь продаёт курсы на скиллбокс?! Да да боже опять дифлеш… лорд Айм уан, лорд айм ту, начинали год как бодрый новичок с плюс минус новым подходом в спекдеке, даже обещали выложить пайплайн обучения, и вот конец года - тяжёлый люкс, эйай блог в тёмных тонах, пишите в Директ скинем модельки 💅 Из изменений: докинули конволюцию (стак мор лейерс) и газанули на дспарк из-за рекуррентности, хотя сами не лучше со своим path finder’ом. Замерились опять на каких то доходягах типа meta muse glimmer это че блеск для глаз, и опять под раздачу попала КраснаяШляпаЭйАй, до отстаньте вы от них да делают средние драфт модели, да за один день, да бесплатно, но издеваться то зачем? это какая то груша для битья на все случаи жизни? если Канье Веста заменят домиником джокером в саже - пойду красной шляпе дизов насую на хф, ну чтобы знали Крч, китайцы срубили бабла, даже им нужен один залетевший рилз, гад блес зем https://inco.ai/blog/dflash2/

🛠️ Метод По существу предлагается не так уж много: - 📐 Берем квадратичное разложение. Вместо полного Гессиана (матрицы Фишера) берем диагональ, а ее оцениваем через статистики Адама (которые у нас и так есть). - ⚖️ Диагональ Фишера используем для подбора оптимальных скейлов при заданных квантованных значениях (кодах). Перебирая общий скейл-фактор, находим оптимальные коды. - 🔢 В основном фокусируются на INT2/3/4, но еще рассматривают и NVFP4, где скейлы перебираются по FP8-сетке. Дальше много всякой теоретической лабуды, которой я не читал. 🧪 Эксперименты Для валидации метода рассматривают QAD (дистилляцию на логитах исходной модели) предобученных Qwen3-4B-Thinking-2507 и Llama-3.1-8B-Instruct, а также SFT Qwen3-4B-Base. По бенчам в 2 битах оно заметно лучше QAT/PTQ-бейзлайнов, в 3 и 4 битах разница не столь существенна. Лосс на обучении ниже и стабильнее. Ablation показывает, что все компоненты дают пользу: - 🧠 Hessian-aware взвешивание - 🔍 Поиск скейлов Итоговый оверхед якобы небольшой — замедление шага обучения всего на 1,5% против стандартного QAT со STE. 🧾 Выводы Вроде бы несложная модификация STE, потенциально улучшающая качество. Но эффект провалидирован только на небольших моделях (обучение без FSDP, по всей видимости). Для больших моделей аншардирование статистик Адама может приводить к нетривиальному замедлению. Кроме того, нынче модно учить с Мюоном, а там аналога такой кривизны просто нет. При этом Мюон со STE может быть и не хуже Адама с прибамбасами, кто знает. Но для лечения GGUFов тема вполне рабочая.

QUASAR: Lowering the Loss Floor of Quantization-Aware Training with Loss-Aware Reconstruction 📄 Статья 💻 Кода нет Когда PTQ (Post-Training Quantization) не выдает желаемого качества при целевой степени сжатия или модель нужно адаптировать по ходу дела, неизбежно приходится переходить к QAT (Quantization-Aware Training). Наивный STE (проброс градиента) может работать сносно, но расходится на низких битностях и вообще не очень стабилен. По факту градиент считается не из той точки, где в данный момент находится вес. Кроме того, существующие техники не учитывают кривизну при оптимизации в STE. И данная работа предлагает сравнительно недорогой способ сделать STE точнее и более адаптивным под геометрию.

#Нейропрожарка 🥩 RIBEYE INFERNO - реклама стейка 👤 Автор: Артур Шатихин @artsabai Группа в тг: @artkolpro   💡 Идея Главная задача была - не обычно показать стейк, добавив немного провокации. 🎬 Производство Большая часть проекта была создана через Magnific. Картинки делал в GPT image и seedream pro. Особенно интересно показал себя Seedream 5 pro, который в Magnific доступен безлимитно. Правда, иногда модель приходилось буквально умолять надеть на женщину лифчик. 😄 В некоторых генерациях она категорически отказывалась одеваться. Для эротических сцен использовал Grok. Он срабатывал далеко не с первого раза, но при правильно составленном промпте позволял создавать лёгкую эротику и естественные движения. Все что связано с едой, было сделано в seedance 2.0. 🔊 Работа со звуком Музыку создавал в Suno. За основу взял одну из композиций Limp Bizkit, и переделал ее. По своему звучанию трек получился очень близким к Limp Bizkit — тяжёлым, жёстким, грязным и энергичным. Мне понравилось, как эта музыка легла на видеоряд. Тяжёлый гитарный рифф хорошо сочетается с огнём, жаркой стейка, движениями девушки и общей атмосферой ролика. 💰 Стоимость Основным расходом стала подписка на Magnific, которая стоит чуть больше $30. В Suno потрачено минимум кредитов, поэтому не считаю. GPT тоже не считаю, постоянно использую 🚀 Итог В результате получилась концептуальная реклама, в которой гастрономия соединяется с эротикой. @cgevent

Йакреведко от Алибаба После того как Ворнеры пожрали Udio и дожирают Suno, все бросились делать генераторы музла. Чуют, что свято место пусто не бывает. Minimax Music, Pika Music, Treblo (про всех писал), и вот теперь Алибабищенко. В зоопарке щасливых коней и устриц появилась Креведко: HappyShrimp 1.0 - модель генерации полноценных песен. И да, Креведко - это тот самый Lucky Dolphin, который до раскрытия Alibaba анонимно болтался на Artificial Analysis и забрался примерно на 2-3 место Music Arena. Кто ничего не понял про конец и устриц: HappyHorse - видео генерация: https://happy-horse.ai/ HappyOyster - модель мира https://happyoyster.cn/ HappyShrimp - новоиспечённая мужика: https://www.happyshrimp.ai/ Подход здесь отличается от Suno. Сначала большая ~8B модель планирует песню и ее длинную структуру, маленькая ~0.4B добивает музыкальные токены, а затем отдельный FullDiT на flow matching рендерит всё это в аудио, причем с контекстом всей песни, а не последовательно кусочками. Для гикоа есть технический отчет: https://arxiv.org/abs/2607.20253 На вход HappyShrimp принимает обычный текстовый промпт, lyrics и довольно подробные музыкальные инструкции: жанр, BPM, тональность, инструменты, тип вокала, структуру и настроение. Есть instrumental. Заявлены также reference audio, генерация по референсу и перенос музыкального стиля. Главная ставка - не просто сделать красивый 20-секундный кусок, а удерживать мелодию, аранжировку и развитие целой песни. В этом отличие от Суно. И это уже третий музыкальный проект от Alibaba. Рядом существует Qwen-Music с другим подходом - single-codebook tokenizer и Melody-CoT, обученный на заявленных 5+ млн часов музыки. А в Alibaba Cloud уже есть Fun-Music / fun-music-v1 с API для генерации песен и инструменталов. Еще одна интересная вещь: В день запуска Alibaba объявила стратегическое партнерство с Taihe Music Group, крупным китайским музыкальным холдингом. Они говорят о совместной AI-music платформе, работе с музыкантами и индустриальной экосистеме. Интересно, это справка-отмазка для Ворнеров? Пробовать: https://www.happyshrimp.ai/ Техотчет Lucky Dolphin: https://arxiv.org/abs/2607.20253 Qwen-Music: https://arxiv.org/abs/2607.11699 Fun-Music: https://help.aliyun.com/zh/model-studio/fun-music/ Август просто развесёлый получаеццца. Думал отдохну в отпуске, типа август у всех тихий будет, время отпусков. Но все обезумели вместо этого. @cgevent

Marionette Игровая модель мира от Alaya Lab. Учится предсказывать что будет дальше в сцене но не рисует все подряд нейросетью - геометрию считает формулой, а ИИ доверяет только внешний вид. Поэтому персонажи не рассыпаются на долгих роликах. • Основа внешности - Wan2.2-Fun-5B-Control, VideoX-Fun • Генерация игрового мира по одному референс-кадру и паре стартовых поз • Управление действиями персонажа • Прямое задание траектории - развороты, направление и скорость ходьбы • Качество кадра на уровне пиксельных моделей, но с реальной управляемостью • Пока косячит на долгих прогонах - персонажи уходят за край карты, внешность плывёт Гитхаб HF Демо #world #interactive VK | MAX