PixVerse представила модель V5 для генерации видео
Сервис PixVerse выпустил обновлённую модель V5
В 3,2 раза быстрее конкурентов: Apple запустила FastVLM
Apple выпустила новую линейку FastVLM — это ультраскоростные VL-модели с гибридным энкодером FastViTHD, который уменьшает количество визуальных токенов и ускоряет их обработку.
Ученые научились «расшифровывать» внутренний голос человека. Приватности конец?
Представьте, что ваши мысли, которые вы проговариваете про себя, переводятся в текст на экране. Без единого слова и движений губ — просто сигналы мозга, пойманные и расшифрованные. Как-то не по себе, не так ли? Между тем это не сюжет фантастического фильма, а реальность, созданная учеными из Стэнфордского университета: они разработали нейроинтерфейс, способный услышать «внутренний голос».
Нейросеть — это?
Доброго времени суток, «Хабр»! На дворе век технологий, которые внедряются уже буквально повсюду. С одной стороны, подобное упрощает нам жизнь, с другой — всё это простые механизмы, которыми нужно уметь пользоваться и понимать, что в любой момент мы можем остаться без них.Сегодня мы поговорим об искусственном интеллекте, а я постараюсь ответить на вопрос: что же такое эти ваши нейросети?
Как улучшить сходимость в физически-информированных нейронных сетях
Physics-Informed Machine Learning — одно из перспективных направлений в ML. Здесь ключевую роль играют физически-информированные нейронные сети (Physics-Informed Neural Networks, PINNs). Однако процесс их обучения сопряжён с рядом трудностей. В этой статье кратко обсудим, как можно решить эти проблемы и повысить эффективность обучения PINNs.Классическая постановка задачи для PINNsPhysics-Informed Neural Networks
ИИ внедряется в наш язык: люди стали копировать слова ChatGPT
Учёные из Университета штата Флорида пришли к выводу, что искусственный интеллект начал напрямую влиять на то, как разговаривают люди. В рамках исследования
Обзор математики для начинающего ML-инженера
Этот текст содержит доступное объяснение основных частей высшей математики, которые могут потребоваться ML‑щику разного грейда в рабочих сценариях — без дотошных доказательств и с обилием визуальных и численных примеров.Предвосхищая возможные вопросы: я ставлю целью рассказать про минимальный набор знаний, с которым можно будет уже самостоятельно погружаться в более интересные и прикладные сценарии. Я не планирую рассмотрение в этих постах более упоротных разделов и деталей — с такой глубиной можно не на один год увязнуть при знакомстве с математикой для ML
