DistScene Система от CoolBeam: превращает одно изображение в редактируемую 3D-сцену с расставленными объектами и окружением. • Генерация сцены из одного изображения: окружение и объекты вместе • Объект-центричный рефайнмент — восстановление деталей с акцентом на объект • Сцены композиционные: объекты можно редактировать отдельно • Прямой импорт в симуляторы навигации • Интерактивная демка в браузере Как работает • Самодистилляция данных: Trellis.2 генерирует объекты и среды, физик-чеки собирают сцены, рендер даёт conditioning • Два этапа: разреженная структурная генерация + геометрия-латентная генерация • Объект уводится в локальный воксельный саппорт для рефайнмента и возвращается обратно • База — разреженные воксели, разреженный DiT на flow-matching и LoRA huggingface.co/coolbeam/DistScene-preview-assets Спасибо @m_franz #image2scene #imageto3d MAX

🌟 MIT CSAIL опубликовала модель разметки анатомии на рентгеновских снимках MIT вместе с коллегами из Массачусетской больницы общего профиля и Гарвардской медицинской школы сделала модель FleXray, которая находит и выделяет на снимке 60 анатомических структур, от рёбер и позвонков до костей таза и конечностей. Модель работает с разными областями тела, стандартными и косыми проекциями, кадрами рентгеноскопии во время операций, снимками взрослых и детей. На размеченных структурах можно автоматически делать измерения, например угла искривления позвоночника при сколиозе, или сопоставлять кадры рентгеноскопии с трёхмерной КТ для навигации во время вмешательств.

Патологии модель не ищет, только анатомию, и правую сторону от левой не отличает.

Внутри свёрточная сеть U-Net, снимок перед обработкой приводится к размеру 256 на 256 пикселей. Для максимального качества пять таких сетей работают ансамблем. 🟡Тесты На восьми наборах реальных снимков с разметкой FleXray набрала в среднем 0,875 по коэффициенту Dice, который показывает, насколько выделенная область совпадает с эталонной, от 0 до 1. Универсальные PAXray, TotalSegmentator2D и FluoroSAM она обошла на семи наборах из восьми. Сети nnU-Net, которые обучали отдельно под каждый набор, набрали в среднем 0,914. В оценке сколиоза средняя ошибка в угле искривления составила 5,13 градуса против 6,38 у TotalSegmentator2D. При совмещении кадров рентгеноскопии с КТ медианная ошибка снизилась с 335 до 1,2 мм.

Попробовать FleXray можно в браузерной демоверсии, которая работает локально через WebGPU.

📌Лицензирование: CC-BY-NC-4.0 🟡Страница проекта 🟡Модель 🟡Arxiv 🟡Демо 🖥GitHub @ai_machinelearning_big_data #AI #ML #CV #Medical #Segmentation #FleXray

История Red Queen Bio: как с помощью AI они борются с биоугрозой, созданной этим же AI У WSJ вышла статья про компанию Red Queen Bio. Она набрала уже $36 млн инвестиций, а среди инвесторов у них OpenAI. И занимаются интересным делом: пытаются c помощью AI разработать средства от биоугроз, которые может породить AI. А один из основателей там — Николай Ерошенко. И после этого уже точно захотелось поковыряться в их истории. 🌸 Давайте начнем с предыстории. Red Queen Bio родилась из другой компании — HelixNano. И вот у прародительницы два основателя — Николай Ерошенко и Ханну Раяниеми. Николай Ерошенко (слева) — биоинженер. Он с 2008 года учился в Гарварде, занимался там генетикой, защищал диссертацию по этой теме. Правда, как он оказался в США, мне найти не удалось. Ханну Раяниеми (справа) к биологии не имел отношения, он математик. А еще писатель-фантаст. Он, кстати, в своих книгах описывает атаки биологическим оружием и борьбу с ними. А интерес к биологии у него появился тогда, когда его мать умерла от рака. Так он стал изучать эту тему — ему захотелось привнести разработки из лабораторий в массовое использование. Ерошенко и Раяниеми объединились и запустили HelixNano. Изначально они занимались тем, что пытались создать лекарство от рака. Если совсем грубо, то они разрабатывали технологии программирования клетки, чтобы она вырабатывала нужные вещества. Они хотели сделать платформу, с помощью которой можно было бы бороться с разными болезнями. В 2017-м HelixNano попала в Y Combinator. А в 2020-м стали искать средство от ковида. Оказалось, что их технологию можно довольно быстро переориентировать и на эти цели. Тогда борьбой с ковидом активно занимался и Сэм Альтман. Ерошенко и Раяниеми общались тогда с ним по этой теме. 🌸 А потом из HelixNano выросла Red Queen Bio. В ноябре прошлого года она привлекла seed-раунд на $15 млн, где лид-инвестором выступила OpenAI. А сейчас насобирали уже $36 млн Как пишет WSJ, Red Queen — это отсылка к королеве из «Алисы в Стране чудес». Она говорила Алисе, что нужно бежать изо всех сил, чтобы оставаться на месте. Вот и этим ребятам нужно бежать изо всех сил, чтобы адаптироваться к изменениям. Главное опасение в том, что рано или поздно с помощью AI могут замутить какой-нибудь новый вирус. Компании, вроде OpenAI и Anthropic, периодически фиксируют в запросах интерес к этой теме. Вот Red Queen Bio, собственно, и готовится отразить атаку. Они с помощью AI разрабатывают антитела для разных вирусов. В следующем году у них запланированы клинические испытания на людях антител для борьбы с птичьим гриппом и другими вирусами этой группы. Но в пайплайне у них сильно больше опасных для человечества вирусов. Они разрабатывают антитела для одного вируса, загружают их в свою модель. Та совершенствуется и начинает разрабатывать антитела еще эффективнее. Это если прям кратко. И основатели Red Queen Bio надеются, что в случае чего им удастся быстро разработать антитела для нового вируса с помощью своей модели. Но у них есть и еще одно направление. Они сотрудничают с OpenAI и изучают, как чат-боты реагируют на разные опасные запросы о вирусах, биооружии и так далее. Ну, будем надеяться, что у них все получится! @TheEdinorogBlog — тот самый канал про стартапы🦄

Новые уязвимости Muse Перед запуском Muse в Meta нашли несколько уязвимостей класса KVM escape, то есть агент потенциально мог выбраться из своей виртуальной машины и добраться до внутренней инфраструктуры компании. По данным 404 Media, как минимум одна из дыр позволяла обычному пользователю получить доступ к чувствительным внутренним базам. Проблема дошла до Цукерберга, команды безопасности работали ночами и по выходным, а укреплять защиту начали всего за 11 дней до релиза. Баги сами по себе - обычное дело, но с агентами появляются вопросы, которые мы раньше особенно не задавали. Muse работает внутри отдельной виртуальной машины и получает доступ к почте, календарю, браузеру, мессенджерам и другим сервисам пользователя. Выходит, Meta запускает внутри своей инфраструктуры программу, которой любой внешний пользователь может давать очень широкий набор задач. Если хакер привык атаковать облачные сервисы снаружи, то здесь ему фактически выдают маленький компьютер внутри облака компании и просят не выходить за пределы песочницы. KVM escape - не единственный пример. После запуска исследователь Патрик Уордл нашёл уязвимость нулевого дня, через которую сторонние приложения и команды из терминала могли управлять Muse. Другой пользователь заставил агента выгрузить не только своих подписчиков в Instagram, но и подписчиков своих подписчиков, хотя такого вообще не должно было быть разрешено. По отдельности каждый такой баг легко исправить, но вместе они показывают, что компании начали пускать внутрь своей инфраструктуры потенциально враждебных автономных пользователей. При этом AI ещё и удешевляет атаку. Агент может сам исследовать окружение, писать эксплойты, разбирать ошибки, пробовать новые варианты и искать доступные сервисы. Так что AI одновременно и то, что приходится защищать, и инструмент, который помогает защиту ломать. Meta платит до $300 тыс. за найденный побег из виртуальной машины Muse - это максимальная награда по продукту. Похоже, самым сложным во внедрении агентов станет безопасно делегировать им полномочия: изоляция в песочнице, ключи доступа с коротким сроком жизни, точечные права, сетевая изоляция, движки политик и аварийный выключатель. Агенты Claude, ChatGPT, Meta и Grok уже достаточно умные и быстро получают доступ к вашим аккаунтам, инструментам и подпискам. Но что произойдёт, когда агент сделает то, чего вы от него совсем не ждали, у меня пока ответа нет. Недавно я тестировал агента Meta, а теперь отобрал у Muse все права и удалил его с телефона)) @maxvotek | linkedin | substack

Продолжаю рассказывать про портфельные компании Mento VC Уже несколько раз упоминал об этом стартапе, но ни разу еще не раскрывал имя компании. Мы инвестировали в Structify – AI-платформу, которая собирает разрозненные данные в единую структуру. Целевой клиент компании - крупные производители, заводы и фабрики. Structify подключается ко всем источникам данных (ERP, SAP, PDF, Excel), обрабатывает тысячи страниц за минуты с точностью 99% (вместо 50-100 часов вручную) и собирает все воедино в платформу, на которой уже можно строить аналитику и автоматизацию. Почему мы инвестировали? • В нашем портфеле есть компания, которая является клиентом и использует продукт, они очень довольны и платят. • Фаундер Alex – 27 лет, но давно в ML-research. Выпускник Yale, как и вся команда основателей. • Предыдущий Seed-раунд проект закрыл за 10 дней, имея 8 офферов от top-tier фондов. Попасть в эту сделку было непросто, потому что фаундер принципиально общается с инвесторами исключительно лично, оффлайн. Как нам это удалось подробнее рассказывал здесь, а здесь добавлю, что очень горд иметь такую компанию в портфеле и все больше радуюсь их росту с момента нашей инвестиции. Лучшие посты | Mento VC Fund II | Стать инвестором

🌟 VeriHarness: обвязка для проверки работы агентов той же моделью Google AI Research и Кембриджский университет открыли код VeriHarness, системы, которая проверяет результаты долгих агентных задач силами той же модели, что их сделала.

Вместе с кодом выложены около 26 тысяч трейсов агентов Gemini 3.5 flash и Opus 4.8, на генерацию которых ушло больше 100 тысяч долларов.

ИИ-агент решает одну и ту же задачу несколько раз, и каждая попытка даёт свой вариант отчёта, таблицы, документа или патча. VeriHarness сверяет все эти варианты с файлами и данными рабочего пространства и выдаёт лучший вариант, исправленный по найденным ошибкам, вместе с журналом проверок, но эталонных ответов и критериев оценки проверяющий не видит.

Идею подсказали запуски Claude Opus 4.8 на бенчмарке APEX-Agents, где треть ответов, в которых сходились все десять попыток, оказалась ошибочной, а при расхождении верный вариант обычно был среди попыток, но голосование большинством выбирало его лишь примерно в половине случаев.

🟡 Механика Проверка идёт в двух отдельных контекстах модели. Первый разбирает утверждения, в которых прогоны расходятся, и подбирает проверку, которая лучше всего отделит верный вариант. Второй ищет ошибки там, где все прогоны согласны, например пересчитывает итоги или сверяет валюту с метаданными источника. Затем новый контекст сводит оба журнала, выбирает базовый прогон и план правок, а нерешённые вопросы помечает отдельно. Что именно проверять, подсказывают 18 навыков, коротких инструкций со скриптами для таблиц, PDF, документов, презентаций и патчей. Навыки умеют пополняться сами из разборов ошибок на отладочных задачах.

Протокол работает внутри Gemini CLI, Claude Code и Codex.

🟡Тесты На пяти бенчмарках рабочих задач APEX-Agents, SpreadsheetBench 2 и JobBench, VeriHarness с правками поднял средний результат по сравнению с одиночным прогоном с 47,2 до 53,4 балла у Gemini 3.5 Flash и с 49,6 до 56,1 у Claude Opus 4.8. Сильнее всего вырос APEX-Agents у Opus, с 35,8 до 47,5. Без правок, в режиме выбора лучшего прогона, VeriHarness обошёл все сравниваемые методы, включая LLM-as-a-Verifier, на всех бенчмарках у обеих моделей. 📌Лицензирование: Apache 2.0 🟡Страница проекта 🟡Arxiv 🖥GitHub @ai_machinelearning_big_data #AI #ML #Agents #VeriHarness #Google

Точка молодец! Дальше с ее собственных слов: После того как обратный рейс United закончился вынужденной ночёвкой в Чикаго, ты вспомнил о расходах, нашёл бронь мотеля и указал почту, где могли быть чеки. Я сопоставил перелёты и собрал подтверждения: $111,79 за Skyline Motel, $60,64 за Lyft до него и $57,91 за Uber обратно в аэропорт. Эти документы вошли в обращение в United, и авиакомпания одобрила возврат всех $230,34. Также нашли ранее выданный сертификат на $75 и зафиксировали ещё $150 travel credit по итогам обращения. А еще, вот вам на подумать: после dot, следующий логичный шаг array, а что такое array of array? Правильно, матрица. . -> (. . .) -> [(…)(…)(…)]

😎 Монах, генетик, гонщица и я Я уже много раз шутил, что меня читают в OpenAI. Сначала они завели в ChatGPT раздел про здоровье после моего поста про лечение по советам ИИ. Потом выкатили GPT-6 через ночь после поста про тыкву Ребята пошли дальше. У ChatGPT есть рассылка для подписчиков Pro: каждую неделю OpenAI созванивается с пользователями и публикует их реальные чаты. Героями уже были буддийский монах, генетик, гонщица, фермер, который выращивает брокколи на севере Японии, и экономист Тайлер Коуэн Открываю выпуск про монаха, генетика и гонщицу, и вижу – первая карточка там моя: Tagir Khairutdinov, Product analyst / amateur surfer Досье подробное: продуктовый аналитик на удаленке с Бали, серфит три раза в неделю, ведет пару телеграм-каналов, пилит сайд-проекты и все равно продолжает открывать ChatGPT. Последнее – это они, видимо, про 100 баксов за подписку, которые я им занес Сам запрос такой: хочу одновременно оптимизировать работу, тренировки, путешествия, еду, контент, сон и прогресс в серфе. Как превратить всю жизнь в один большой A/B тест и не выгореть? Гонщица в том же выпуске спрашивает, как дрифтовать на льду. Монах – как объяснить буддийскую концепцию на английском и не потерять смысл. А я – как не выгореть. У каждого свой экстрим Отвечаю как аналитик, без всякого ChatGPT: • Контрольной группы нет. Второго меня, который не серфит и не ведет каналы, для сравнения не завезли • Метрик семь, и ни одна не главная. На стольких метриках что-нибудь обязательно прокрасится чисто случайно • Результаты подглядываю каждое утро, когда открываю прогноз волн Выгорание как guardrail-метрику я, кстати, тоже не завел Ладно, карточку я собрал сам. Рассылка при этом настоящая, и внизу каждого письма есть форма: расскажите о себе, вдруг попадете в следующий выпуск. Я решил не ждать А какой запрос был бы на вашей карточке? @tagir_analyzes

H-JEPA: End-to-End Learning of Hierarchical World Models for Visual Planning Архитектура JEPA Яна Лекуна теперь стала иерархической. Напоминаем, основная идея в том, чтобы сделать модель, которая не угадывает следующий токен или пиксель, а понимает, что происходит в мире и что случится дальше (подробнее тут: https://t.me/data_secrets/8915). В новой работе получилось сделать следующий важный шаг: JEPA научили нормально планировать на длинном горизонте. На Visual AntMaze (виртуальная среда для тестирования роботов в пространстве) новый подход поднял долю успешных прохождений с 18% до 73%, а затраты на планирование при этом сократились. За иерархической версией архитектуры стоит довольно простая идея. Вместо одной world model используются несколько уровней с разным временным масштабом. Верхний уровень думает далеко вперед и выбирает примерное направление, следующий превращает его в более конкретные подцели, а нижний уже решает, какие действия нужно сделать прямо сейчас. При этом верхние уровни сами учатся отбрасывать мелкие детали, которые не нужны для долгосрочного планирования. Например, в лабиринте на верхних уровнях пропадает информация о точном положении ног, но остается понимание, где находится робот и как устроен маршрут. https://alphaxiv.org/abs/2610.06805

🌍 Google Earth AI помогает прогнозировать вспышки заболеваний по данным о местности Модель PDFM объединяет агрегированные поисковые тренды, перемещения людей, инфраструктуру, погоду и качество воздуха в цифровой «отпечаток» территории. Эти данные можно добавить в существующие эпидемиологические модели без отдельного дообучения PDFM под каждую задачу. Google представила пять исследований с партнёрами. Среди результатов: • Денге в Мексике: прогноз на месяц вперёд улучшился в до 72% муниципалитетов с активной передачей инфекции. • Холера в ДР Конго: точность выбора пяти наиболее опасных зон на восемь недель вперёд выросла примерно на 18%. • Вакцинация против кори, паротита и краснухи: учёт связей между США и Канадой помог точнее оценивать охват прививками в приграничных районах. Практическая цель: раньше понимать, куда направлять медицинские ресурсы, особенно когда официальная статистика запаздывает. Датасет доступен коммерчески в Preview. Для некоторых исследовательских задач можно запросить бесплатный доступ. https://research.google/blog/earth-ais-planetary-geospatial-foundation-models-for-global-public-health/

✔️ AI Welding Agent: ИИ-система для сварочных роботов Японский производитель промышленной робототехники FANUC в партнерстве с Google анонсировал решение AI Welding Agent на базе Gemini Enterprise. Система реализует концепцию сварки без предварительного обучения манипулятора. Алгоритм анализирует инженерный чертеж детали, распознает свойства материалов и геометрию конструкции, после чего автоматически формирует как физические параметры дуги (силу тока и напряжение), так и готовую пространственную программу перемещений. Оператору остается лишь запустить процесс или внести точечные корректировки. Комплекс аппаратно независим и работает с любыми поддерживаемыми источниками сварочного тока, для сканирования документации не требуется дополнительное оптическое оборудование - снимок делается встроенной камерой стандартного планшетного пульта обучения устройства линейки FANUC CRX. AI Welding Agent будет показан на Международной сварочной выставке, которая пройдет в Токио с 16 сентября, а коммерческие поставки запланированы на конец декабря 2026 года. @ai_machinelearning_big_data #news #ai #ml

Meta* и Stripe стандартизируют работу бизнеса с AI-агентами Meta*, Walmart, Stripe, Shopify и ещё несколько компаний делают открытый стандарт Personal Agent Protocol. Он должен определить, как личные AI-агенты могут взаимодействовать с сайтами и сервисами от имени пользователя. Стандарт позволит бизнесу понимать, что к нему пришёл именно AI-агент, от чьего имени он действует и что пользователь разрешил ему делать. Например, можно будет дать агенту доступ только на чтение или разрешить менять заказ и бронирования. В основе будет OAuth. Сам бизнес сможет решать, какие действия агентам доступны. Первую версию обещают выпустить в октябре. *Meta признана экстремистской организацией и запрещена в РФ https://www.cnbc.com/2026/10/06/meta-joins-companies-to-tame-chaos-of-doing-business-with-ai-bots.html

Ghost сделал домашний компьютер для личного AI за 3499 долларов По задумке 19-летнего основателя, компьютер круглосуточно крутит открытые модели, подключается ко всем устройствам владельца, запоминает его образ жизни и сам предлагает помощь. Про сравнение с Mac mini в Ghost говорят, что у Apple универсальное устройство, а их компьютер сделан специально для запуска AI, поэтому пользователю будет несравнимо удобнее. Внутри — Nvidia RTX Pro 4000 Blackwell с 24 гигабайтами памяти, 64 гигабайта оперативной памяти и SSD на 1 терабайт. Предустановлены Qwen-3.8-Next, Qwen-3.8-27B и Gemma-4-31B. Можно загружать другие модели с Hugging Face. Управление голосом или со смартфона. Предзаказ открыт, первые поставки обещают в конце октября. В недавнем раунде Ghost привлёк 11 миллионов долларов инвестиций. https://techcrunch.com/2026/10/05/at-19-ghost-founder-raises-11-million-to-build-a-3499-computer-for-your-personal-ai/

Первый пост посвящаю самому больному вопросу для любого основателя: кто и за что будет платить через год, если продукт можно повторить за выходные. Недалекое будущее… код перестает быть бизнесом. У большинства стартапов исчезает know how. Угроза есть и в том, что все можно быстро скопировать, и в том, что следующая, более умная модель делает ваш know how из коробки. Я сейчас не говорю про редкие наукоемкие истории. • Тенденция такая, что продавать мы будем результат работы. Например, Intercom берёт $0,99 за каждое обращение клиента, которое агент решил без человека. Другой пример: бизнес платит $10 тыс. в год за онлайн-бухгалтертю QuickBooks и $120 тыс. бухгалтеру, который закрывает месяц. Следующий легендарный стартап будет закрывать месяц и забирать сумму где-то посередине ($60-80k в год). • Дальше честно отвечаем на вопрос, кому продаем. Если мы делаем продукт в модели Copilot, то это продажа инструмента профессионалу, который сам отвечает за результат. Так Harvey продаёт AI юридическим фирмам. Autopilot же продаёт готовый результат тому, кому он нужен: СЕО или менеджеру. У autopilot есть плюс - с каждой решенной задачей он копит базу знаний о правильных решениях и ни с кем ею не делится, а повторить такую базу за выходные невозможно. В будущем у нас будут еще варианты, кому продать в b2b и b2c - например, агентам. • Модель монетизации. Имхо, супер недооцененная компетенция на рынке, которой владеют топовые основатели. Я насобирала вам аж 15 вариантов, как и в какой комбинации брать деньги в приложенном слайде. Выбрал неверную модель - бизнес встрял. В следующих постах расскажу мнения фондов, что нам теперь строить и как продавать.