Mellum. Как закалялась сталь
Человек купил в магазине ящик елочных игрушек. На следующий день приносит его обратно:- Ваш товар бракованный.- Что, игрушки битые?- Нет, целые.- Не блестят?- Блестят.- Так в чем же дело?- НЕ РАДУЮТ! Автодополнение всегда было силой и гордостью современных IDE. Сравнивая IDEA, VSCode и Eclipse, мы смотрим — оно вообще адекватные вещи пишет в выпадающей менюшке? Знает про Spring, про Next.js, про свежие апдейты в Питоне?Но в последнее время, детерминированные алгоритмы больше не являются предметом хайпа. В мире IDE появился новый царь горы — AI, который обязан быть везде. Старые игрушки продолжают работать, но уже не радуют.
Mellum. Быстрая, миниатюрная модель для дополнения кода в редакторе
Человек купил в магазине ящик елочных игрушек. На следующий день приносит его обратно:- Ваш товар бракованный.- Что, игрушки битые?- Нет, целые.- Не блестят?- Блестят.- Так в чем же дело?- НЕ РАДУЮТ! Автодополнение всегда было силой и гордостью современных IDE. Сравнивая IDEA, VSCode и Eclipse, мы смотрим — оно вообще адекватные вещи пишет в выпадающей менюшке? Знает про Spring, про Next.js, про свежие апдейты в Питоне?Но в последнее время, детерминированные алгоритмы больше не являются предметом хайпа. В мире IDE появился новый царь горы — AI, который обязан быть везде. Старые игрушки продолжают работать, но уже не радуют.
Как мы запускали мониторинг-пилот для Новатэка: испытание холодом, логистикой и бюрократией
Многие из вас хотели бы реализовать какую-то часть компьютерных игр в реальности: системы прокачки, уровни репутации, борьба добра со злом — не зря же мы проходим через геймификацию всего на свете.Моей же страстью были стратегии. Сплю и вижу, как управляю огромными армиями, выстраиваю цепочки снабжения и контролирую ситуацию с высоты птичьего полёта. Именно эта мысль и легла в основу моего проекта.
Как мы разработали LLM-модель, которая генерирует описания товаров для пользователей Авито
Привет! Я Сергей Кляхандлер, senior DS-инженер в команде LLM Авито. В статье рассказываю, как мы разработали ML-модель, которая автоматически генерирует описания для объявлений из категории Одежда и Обувь. Поделюсь, откуда мы брали данные для обучения, какую архитектуру использовали и как тренировали модель. А в конце расскажу про важную часть работы — фейлы.Статья будет полезна DS-инженерам, которые работают с мультимодальными LLM-моделями.
В Google Voice появилась поддержка трёхсторонних звонков
Google Voice получил поддержку трёхсторонних звонков и улучшенный пользовательский интерфейс во время звонка, сообщили в Google.
Stable Diffusion WebUI Forge: Шаг 8. Txt2img. Скрытые возможности Hires.fix
Как мы с вами усвоили из прошлого урока, основная задача функции Hires.fix – не увеличение разрешения изображения, а улучшение качества мелких деталей финального изображения без изменения композиции.Важно отметить, Hires.fix работает более эффективно, если с улучшением деталей вы одновременно увеличиваете разрешение изображения.Но у Hires.fix есть и некоторые скрытые возможности, которые могут помочь изменить какую-то важную деталь нашего исходного изображения.Давайте узнаем, как нам это сделать.Для этого:· Переходим на закладку «Settings».· Находим слева в списке раздел «UI alternatives».
Мне надоело заполнять Word формы и теперь это делает ИИ
Привет, Хабр! Сегодня расскажу про автоматизированную технологию заполнения Word форм используя ИИTLDR: Весь исходный код здесьВведение
OLMo: (Миниатюрная) Открытая Языковая Модель
OLMo — моделька от AI2, разработанная учёными для учёных. Если вы занимаетесь экспериментами над нейронками, это идеальный вариант: весь код и данные, необходимые для тренировки, открыто лежат на GitHub
ИИ-агенты против живых юзеров: кто лучше тестирует интерфейсы?
Представьте: вы хотите протестировать новую кнопку «Купить», но для статистически значимых выводов нужны тысячи пользователей и недели анализа. А теперь забудьте об этом. В статье
Геометрия ландшафта потерь и «понимание» нейросети
ВведениеКогда нейросеть обучается, ее функция потерь образует сложный ландшафт в пространстве параметров – с вершинами (области высокой ошибки) и долинами (области низкой ошибки). Свойства этого ландшафта – его кривизна, форма минимальных долин, спектр матрицы Гессе и пр. – могут многое рассказать о том, насколько модель усвоила закономерности данных. Идея состоит в том, что не все минимумы одинаковы: одни могут быть «плоскими» (широкими и неглубокими), другие «острыми»
