DeepSchool Digest Собрали для вас материалы за август и сентябрь в одном посте. Если что-то пропустили, самое время наверстать.📚 Хорошие практики LLM-as-a-judge — разобрали шесть практик, которые помогают сделать LLM-оценку надёжнее. Всё — на реальном кейсе shopping-ассистента. Синтетика для зрения — рассказали, что диффузионные сети изменили в поддержке данных. Как VLM распознавать действия на видео без дообучения? — рассказали, что причина провалов VLM на видео не в нехватке знаний, а в потере мелких деталей при сжатии кадра. Как выжать максимум из модели детекции на видео — поделились 7 идеями, которые вы еще не пробовали. Flow Matching: обучение и дистилляция — рассказали, что такое Flow Matching и при чём тут поля 🌾, почему генерация требует большого числа шагов и почему это проблема, а также как дистиллировать уже обученную модель в одношаговый генератор и как с этим связаны игры. Многошаговый поиск в RAG — рассказали, как устроен агент-ретривер. Document Layout Reasoning — разобрали популярную тему в Document AI — Layout Reasoning, а также познакомились с эволюцией Document AI. LLM в продакшене: vLLM, SGLang и AI-разработка | Подкаст «Под Капотом» с Азером Шахвердиевым — обсудили с Азером Шахвердиевым, руководителем NLP-лаборатории Контура, как ML-модели живут в продакшене, а агенты меняют работу разработчика.

Flow Matching: обучение и дистилляция Flow Matching — один из главных подходов генерации изображений сегодня. Его используют такие семейства, как Stable Diffusion 3.5 и FLUX.2. Но у такой генерации есть и проблема: чтобы получить одну картинку, модель нужно запустить десятки или сотни раз! Сегодня разбираем внутрянку метода и быстрый способ дистиллировать модель в одношаговый генератор 🏎 В новой статье рассказываем: - что такое Flow Matching и при чём тут поля 🌾 - почему генерация требует большого числа шагов и почему это проблема - как дистиллировать уже обученную модель в одношаговый генератор и как с этим связаны игры 🎲 P.S. Много интуиции, математики и практических деталей обучения 🧠 Читайте статью по ссылке! 👈🏼

TriFlow: Новости с полей ИИ-ретопа. TriFlow: метод берёт уже существующую форму 3D-объекта и строит поверх неё более компактную и аккуратно организованную сетку из треугольников. https://derkleineli.github.io/triflow/ Код обещан, остальное есть. Авторы дерзко пишут: Compact 3D meshes with clean, artist-like triangle topology - structured connectivity you'd expect a human modeler to make (Компактные 3D-сетки с аккуратной, «художественной» топологией треугольников — структурированная связность, которую можно было бы ожидать от моделлера-человека) Им уже насували по сопатке моделлеры в твитторе. Это, конечно, не индустриальный ретоп, а скорее снижение poly count. Но сам метод интересный из-за аналогии с Flow Matching. Гики читают ниже, остальные ругаются в коментах. Метод: представьте, что поверхность модели покрыли множеством маленьких стрелок: 1. Для каждой точки поверхности стрелка показывает направление к ближайшей будущей вершине сетки. 2. Стрелки, направленные примерно в одно место, образуют одну «область влияния» вершины. 3. Границы между такими областями превращаются в рёбра. 4. Места встречи областей становятся вершинами, а пространство между ними — треугольниками. Это поле стрелок авторы называют Nearest-Vertex Vector Field — NVF. ИИ учится создавать его так, чтобы треугольники располагались равномерно и осмысленно, примерно как при ручной ретопологии. Главный трюк в том, что прежние генераторы часто описывали сетку последовательно: «первая вершина, вторая вершина, следующее ребро…» — почти как языковая модель пишет текст по одному токену. TriFlow вместо этого генерирует всё поле направлений параллельно с помощью flow matching, поэтому работает быстрее. Затем алгоритм группирует поверхность по направлениям стрелок и упрощает исходную плотную геометрию, сохраняя нужные границы. Упрощённая схема: форма объекта → поле стрелок → области будущих вершин → аккуратная треугольная сетка По результатам самих авторов, метод примерно в восемь раз быстрее сравниваемых подходов и точнее сохраняет исходную форму. @cgevent