ИИ

#LTX25 #lora civitai.red/models/2989229/ltx-ripple - Редактируешь и заменяешь первый кадр, а модель сама прокидывает изменение через всё видео с контекстом huggingface.co/CQdesign/LTX-2.5-CQ-Freeform-Motion-Transfer-LoRAs - перенос любого движения на другого персонажа/объект в LTX 2.5. До ~30 сек, дальше консистентность падает. Промпт сильно влияет на результат #upscale #optimization civitai.com/models/2857731 - ReDetail 2.0: апскейл LTX 2.5 до 4K через Refine-Details IC-LoRA — возвращает мелкие детали, сохраняя лица и монтаж. Тайлами на 24GB, 768p→4K за 14 мин на 5090. Пик 52GB RAM github.com/Bambushu/redetail github.com/Gavr728/ComfyUI-Spectrum-LTX - Spectrum для LTX 2.5 base: комфортное тестирование базовой модели от @kiticatmur sepgen.github.io - у каждого звука своя дорожка. Генерация и разделение одним прогоном: видео, общий микс и каждый звук отдельно. Те же веса разделяют звуки готового видео. huggingface.co/collections/AviadDahan/sepgen MAX

#LTX25 #lora civitai.red/models/2989229/ltx-ripple - Редактируешь и заменяешь первый кадр, а модель сама прокидывает изменение через всё видео с контекстом huggingface.co/CQdesign/LTX-2.5-CQ-Freeform-Motion-Transfer-LoRAs - перенос любого движения на другого персонажа/объект в LTX 2.5. До ~30 сек, дальше консистентность падает. Промпт сильно влияет на результат #upscale #optimization civitai.com/models/2857731 - ReDetail 2.0: апскейл LTX 2.5 до 4K через Refine-Details IC-LoRA — возвращает мелкие детали, сохраняя лица и монтаж. Тайлами на 24GB, 768p→4K за 14 мин на 5090. Пик 52GB RAM github.com/Bambushu/redetail github.com/Gavr728/ComfyUI-Spectrum-LTX - Spectrum для LTX 2.5 base: комфортное тестирование базовой модели от @kiticatmur sepgen.github.io - у каждого звука своя дорожка. Генерация и разделение одним прогоном: видео, общий микс и каждый звук отдельно. Те же веса разделяют звуки готового видео. huggingface.co/collections/AviadDahan/sepgen MAX

⚡ Для решения «куда отправить запрос» не всегда нужна модель, которая пишет целый ответ. Decision 3.0 от команды vLLM Semantic Router: семейство открытых моделей размером от 0,6B до 27B, работающих с текстом, изображениями и видео. На входе задаёте контекст и вопросы. На выходе получаете: • выбор из предложенных вариантов; • ответ «да / нет»; • оценку по заданной шкале; • вероятности вариантов. Без генерации текста. Например, можно определить отдел для обращения, проверить наличие товара на приложенном чеке и оценить срочность. По внутренней оценке команды, старшая d3 занимает первое место в их сравнении на текстовом и визуальном Jev Decision Index 0.3.1. Заявленная медианная задержка: 55 мс для текста и 273 мс с изображением на AMD MI325X. Лицензия Apache 2.0. Любопытный вариант для маршрутизации, классификации и узких решений внутри агентных систем. https://huggingface.co/vllm-sr/d3

#мнение Многим надоело быть программистами Про это почему-то особо не говорят, полагаю тут также не найдет отклика, но мне интересно, поэтому подниму странную тему Вокруг меня все больше разработчиков осознают как скучно и невыносимо писать код руками. Как это долго. Как скучно. У меня есть примеры около 20 синьоров, друзей, которые ни за что не вернуться к написанию кода руками, потому что это буквально вгоняет их в ужас. Нет они отупели, они узнали намного больше, стали брать на себя больше ответственности и их кругозор сильно расширился Однако как лаборанта в лаборатории моей матери приведет в состояние шока требование писать результаты анализов руками на бланки, так и их крайне раздосадует руками набирать DTO Я из того поколения, что до сих пор помнит и может отруки написать "public class Main { public static void main(String[] args) { System.out.println(Hello, World!); } }". Но я это запоминал не потому что было действительно нужно, а потому что не было альтернативы и потому что на собесе с меня спрашивали написать от руки на листочке классы для отображения списка покупок Но мне это не нужно и я как Гомер симпсон стримительно замещаю эти знания другими, более полезными Я не говорю что разработчики не нужны и что не нужно знать фундаментальную базу. Но просто задумайтесь, насколько больше стало людей, которым также уныло набирать руками код и помнить маловажные вещи За прошлую неделю я пообщался с 8 знакомыми и все как один заявляют "если на собесе будет лайфкодинг, без ИИ, то я скорее всего откажусь" Время вайбкодинга как баловства или осторожних экспериментов закончилось. Все больше инженеров занимаются именно инженерией, а не интерпретацией в другие лингвистические конструкции команд, ради перекладывания JSON и формошлепства "Я за год не читал ни строчки кода" звучит гордо. Но звучит так именно от инженера, если его работа имеет энтерпрайз-грейд и не имеет запаха. Таких примеров все больше

⚡️ Sakana AI научила модель учиться у собственной команды агентов Sakana AI вместе с UC Berkeley представила MASS (Multi-Agent Self-Supervision). Это способ рекурсивного самоулучшения модели без людей и без внешнего учителя. Идея такая. Одна модель играет сразу три роли: исполнителя, оптимизатора воркфлоу и судьи. Сначала она решает задачу командой виртуальных сабагентов, затем сама ищет лучшую схему их взаимодействия и сама выбирает победителя. Лучшие прогоны команды становятся данными для дообучения, и после LoRA-тюна модель запоминает коллективный опыт своих агентов уже без подсказок про воркфлоу. Затем цикл повторяется. Эксперимент проводили на Qwen3.6-27B и синтетических открытых исследовательских задачах. После двух циклов показатель «очки на выходной токен» вырос в 1,2-1,6 раза относительно базы: 1,6x на MLR-Bench, 1,35x на DSBench, 1,28x на AstaBench и 1,2x на ScienceAgentBench. На Terminal-Bench 2.0 и SWE-bench Verified прироста не было. Модель учили только решать задачи, но при этом у неё заодно выросли навыки оптимизатора и судьи. Мультиагентные траектории оказались эффективнее одиночных: 68% побед над базой при примерно 31% меньшем объёме данных. И скорость улучшения упирается в оптимизатор, а не в судью. Авторы честно называют главный риск. Когда модель сама себя оценивает, её слепые зоны могут засчитываться как прогресс и закрепляться обучением. Если ИИ будет развиваться выше уровня человеческой экспертизы, нужно уметь вовремя замечать такие сбои и вмешиваться. Блог: https://pub.sakana.ai/mass/ Статья: https://arxiv.org/abs/2610.12176 Код: https://github.com/SakanaAI/mass @ai_machinelearning_big_data #Sakana

Деды из-за AI взбунтовались. Ну или, если более серьёзно, заметное число действительно сильных математиков высказалось по поводу AI в очень, скажем так, настороженном смысле. Высказывание заслуживает внимания, и я вставлю свои 5 копеек. Надысь я читал лекцию и упомянул в конспекте про гипотезу Кёте о нильрадикалах. Отправил ребятам конспект и на следующий же день получил сообщение от студента, что гипотезу раскололи буквально пару недель назад (при помощи AI, разумеется), построив к ней контрпример. Про решённую гипотезу Якобиана все слышали, а про гипотезу о «Навье — Стоксе» соцсети гудят прямо сейчас. И это хорошо: многие люди, не отличающие синус от косинуса, узнают, что математика — это не только про решение квадратных уравнений. А две недели назад, к примеру, один из моих учеников (тоже при помощи AI) нашёл решение одной моей личной проблемы, показав, что у диаграмм сопряжённости бывает сколько угодно концов (и это замечательно). Пару слов о скептиках. Про тех, кто считает, что AI — грех против природы и вообще ужас ужасный, или что он вообще не нужен, я ничего говорить не буду (как вежливый кролик). Более содержательные возражения такие: (раз) массовое закрытие открытых проблем понижает интерес к математике и в целом негативно сказывается на учебном процессе; (два) построение контрпримеров не закрывает проблемы содержательно; и, главное, (три) люди в математике будут играть такую же декоративную роль, как люди в шахматах. Все понимают, что Stockfish не напрягаясь разнесёт любого шахматиста? Моя позиция такая. Закрытие многочисленных «именных» проблем — скорее плюс. По большей части они мало интересны сами по себе. В математике вообще обычно доказать нечто куда проще, чем задать правильный вопрос. А в том, чтобы ставить вопросы и искать взаимосвязи, важную роль играет чувство прекрасного и та самая «красота» математики. А с этим у AI пока неустранимые проблемы. Хорошая (на мой взгляд) математика — про то, как, используя новые термины, описывать известные структуры. Это совсем не то же самое, что искать контрпримеры к известным вопросам. Как говаривал мой шеф: «Зачем вы приносите мне контрпримеры? Что в поставленном виде ответ на вопрос отрицательный — я и сам понимаю. Разберитесь лучше, как поставить вопрос, чтобы ответ был положительным». Не вся математика такая, и многие разделы по сути закрываются, особенно те, что завязаны на контрпримерах или изощрённых вычислениях. Есть другие проблемы с AI. Хоть пока и не такие острые. О них сейчас и скажу. Первая. Многие математические институции становятся ненужными (сиречь заменимыми). Вроде как — поговори с ИИ, и он сам всё тебе расскажет. Почему это не так — напишу в другой раз. Вторая. Эффективность научных изысканий во многом теперь (и отныне) будет завязана на доступ к современным и качественным AI. Потому как без оного почти любой результат можно легко и быстро улучшить, уточнить или дать более короткое доказательство. То есть отныне математика завязана не на «кто умнее», а на «кто богаче». Это раньше математикам нужны были только карандаши, ластики и бумага (а философам даже ластики не нужны). Ну вот теперь мы будем в том же положении, что и физики-экспериментаторы или биологи. У них без нужного оборудования и соответствующего долгосрочного финансирования мало чего можно добиться. Вот и у нас теперь тоже. Что по итогу. Да, математика как наука снова оказалась перед серьёзным кризисом. Не первый раз: благодаря Гёделю математику тряхнуло тоже основательно. Но пересобрать себя, понять, что мы и кто мы, — придётся. В шахтах были канарейки — как сигнализация об угарном газе. У нас в этой роли бухтящие деды. Ну какая шахта, такая и канарейка. #AI

после прошлого поста про возможности для бизнеса много спрашивали про конкретику. (я считаю что конкретика не помогает действовать и ментальные модели ценнее, но все же) огромное количество бизнесов построено вокруг того, что интеллектуальный труд дорогой, а информация несимметрична. нужно найти специалистов, обучить их, распределить работу, потом все собрать, проверить и согласовать. если значительную часть исполнения берет на себя AI, меняется вся эта конструкция. человек больше занимается постановкой задачи, проверкой и ответственностью за результат. поэтому я бы сейчас заново посмотрел практически на любую индустрию: как бы мы организовали эту работу, если бы строили компанию с нуля? возьмем любой контентый бизнес - кино, книги, игры, рилсы. создание контента падает в цене в десятки раз, локализация почти бесплатна, менеджмент прав и дистрибуции не требует людей, аналитика насколько ты хочешь глубока и программируема вместо «вайбчека». медиакомпания с живыми авторами и редакторами больше не имеет смысла, но люди не перестанут читать новости, а значит есть возможность построить империю уровня NYT но на новых рельсах. возьмем рынок образования: контент и тьюторинг делается уже не человеком, администрирование сильно дешевле, стоимость продаж растет. возьмем профессиональные услуги: юристов, бухгалтеров, комплаенс. всю жизнь там продавали часы людей. теперь можно продавать сам результат по фиксированной цене. агенты готовят документы, проверяют их и ищут ошибки, а человек ставит задачу, проверяет и подписывается своим именем. продукт - услуга, а маржа почти как у софта. например, AI-native юрфирма под M&A и коммерческую недвижимость. за первые 5 недель у них 16 клиентов и $700k гонораров. возьмем скучные индустрии, куда стартаперы никогда не ходили: экспедирование грузов, опасные отходы, энергосети, коммерческое кредитование. там тонны бумаги, почты, PDF, ручного ввода и сверок. агент сам разбирает входящие, считает квоты, заполняет формы и пинает контрагентов. конкурентов почти нет, потому что никто не хотел разбираться в этом. например, платформа для рынка опасных отходов с $800k+ законтрактованного ARR и 5 из 7 крупнейших операторов в клиентах. или делает то же самое для экспедиторов и дошел от демо до $400k ARR за 7 недель. возьмем операционку: управление недвижимостью, сопровождение пациентов, работа с дебиторкой. раньше на каждые сто объектов, пациентов или счетов нужен был человек. теперь это AI-сотрудник, который отвечает жильцам, вызывает мастеров, спорит со страховой и напоминает о платежах. возьмем то, что раньше было доступно только богатым: личного ассистента, финансового советника, адвоката, консьержа, chief of staff для семьи. теперь это стоит как подписка на нетфликс, и рынок внезапно вырос в сто раз. вопрос тут не в рынках, которые можно дизраптить (ответ - все!), а в том как сделать лучший продукт, продать и сделать не то, что считалось идеальным результатом в мире до ИИ, а тем что считалось абсолютно невозможным - и дать это пользователям и клиентам.

DST Global Юрия Мильнера инвестировал в американский ИИ-стартап Sabi. Раунд на $50 млн возглавил Khosla Ventures при участии Accel, Initialized Capital, Collaborative Fund, Ascend, а также экс-директора по продукту OpenAI Кевина Вейла.  Sabi был основан в 2024 году. В апреле этого года стартап вышел из стелс-режима. В компании разрабатывают неинвазивные интерфейсы “мозг-компьютер”, предназначенные для преобразования внутренней/воображаемой “речи” пользователя в текст на экране компьютера либо команду для ИИ-ассистента. Первый продукт выглядит как обычная бейсболка. В компании используют метод электроэнцефалографии [ЭЭГ], то есть исследования активности мозга с помощью сенсоров. В каждой кепке установлены датчики размером от 1 до 5 мм, созданные на базе разработанного Sabi чипа ЭЭГ. Датчики считывают нейронные сигналы при контакте с волосами человека. По собственной информации Sabi, чип стартапа более чем в 50 раз энергоэффективнее аналого-цифрового преобразователя Texas Instruments ADS1299.  DST Global был запущен в 2009 году. Фонд инвестирует в компании поздней стадии, которые работают в области ИИ, финтеха, e-commerce, логистики. @rusven