Научные статьи теперь можно читать без боли — и для этого не придётся скачивать PDF или мучить нейронку промптами 😮

Открываем нужную работу на arXiv и меняем в адресе arxiv на quickarxiv — cервис превратит академическое полотно в аккуратную страницу с понятным объяснением, иллюстрациями и короткой выжимкой главного.

Идеальный чит-код для студентов 👌

🐠Sakana AI представила PC-ALM - метод обучения глубоких нейросетей без классического обратного распространения ошибки.

Главный результат: PC-ALM смог обучать нейросети глубиной до 1000 слоёв, используя только локальные взаимодействия между соседними слоями.

Обычное глубокое обучение почти полностью опирается на backpropagation: ошибка считается на выходе сети, после чего градиенты передаются назад через все слои.

PC-ALM работает иначе.

Каждый слой рассматривается как локальная динамическая система, которая пытается уменьшить собственную ошибку предсказания. Вместо глобального прохода градиента используются:

- локальные ошибки предсказания
- множители Лагранжа
- расширенный лагранжиан
- локальная динамика состояний
- PI-регуляция внутри каждого слоя

Метод вырос из predictive coding — подхода, популярного в NeuroAI. В predictive coding каждый слой постепенно корректирует своё состояние так, чтобы уменьшать рассогласование с соседними слоями.

Проблема в том, что в очень глубоких сетях такие сигналы плохо распространяются: информация об ошибке с выхода сети затухает раньше, чем достигает внутренних слоёв.

PC-ALM добавляет специальные двойственные переменные — по сути дополнительные нейроны, представляющие множители Лагранжа. Они помогают передавать сигнал ошибки через большое число слоёв.

Авторы связывают этот подход с классической работой Яна Лекуна 1988 года, где множители Лагранжа для многослойной сети можно связать с градиентами функции потерь.

В результате получается обучение, где глобальная задача оптимизации раскладывается на множество локальных динамических процессов.

Особенно хорошо PC-ALM показал себя на очень глубоких и узких сетях, где обычный predictive coding начинает ломаться.

Помимо NeuroAI, подход может быть интересен для нейроморфного железа: там локальные вычисления и физическая динамика потенциально дешевле классического backpropagation на GPU.

Блог: https://pub.sakana.ai/pc-alm/

Статья: https://arxiv.org/abs/2605.31022

Код: https://github.com/SakanaAI/pc-alm

Привет!

Рады сообщить, что 🦜 ODS совместно с Международным университетом информационных технологий запустили соревнование по написанию кода ИИ-агентами - SWE MERA Challenge.

Соревнование пройдет в три этапа:
✅ на первом этапе участникам с помощью любых агентов предстоит решить представленные задания на своей стороне;
✅ на последующих этапах то же самое нужно будет делать уже в изолированном окружении.

⭐️Для Топ-3 участников будет дана возможность представить свою работу на конференции по программной инженерии ICSE 2027!

Присоединяйтесь к соревнованию по 🔗ссылке!

🤖 Робот сначала ошибается в симуляции, а потом исправляет движение до попытки в реальном мире.

Sakana AI и Токийский университет представили SAIL.

Модель получает несколько примеров выполнения задачи и предлагает траекторию.

Её проверяют в симуляторе, другая модель смотрит видео и отмечает, где робот перестал продвигаться к цели. Затем система меняет неудачный участок и пробует снова. На физический манипулятор отправляют только выбранную траекторию.

В симуляции робот выполнял шесть разных задач. Одна попытка выбрать движение приводила к успеху в 25% случаев. Когда SAIL могла проверить и улучшить до 45 вариантов, успех вырос до 73%. Затем метод испытали на настоящем роботе: в одной задаче он справился 5 раз из 6.

Пока это проверка на одной физической задаче, но идея наглядная: дать модели больше попыток *до* движения робота, не переобучая её.

Блог - https://pub.sakana.ai/sail/
Статья - https://arxiv.org/abs/2603.08269

@ai_machinelearning_big_data

#Sakana

Ночное-полезное: разбираемся с Arduino прямо в браузере — нашел бесплатный интерактивный тренажёр для изучения 😒

В Learn Arduino можно собирать виртуальные схемы, подключать датчики, моторы и светодиоды, писать код и сразу смотреть, как всё работает. При этом сам проект собрали с помощью Claude Opus 5.5.

Красота 🤩

🟥Diffusion Week 2026: предварительное расписание

Хотим напомнить про наше новое мероприятие — Diffusion Week 2026!

Это серия онлайн-лекций о диффузионных моделях от DLS, которая пройдет с 29 октября по 6 ноября, в рамках которой мы разберём основы и углубимся в актуальные направления исследований: видеодиффузия, world models, интерпретируемость и ускорение диффузионных моделей. Полное расписание уже доступно на сайте.

🔵 Среди спикеров — команды и исследователи Kandinsky и AIRI. Все лекции проходят по вечерам в онлайн-формате!

🔵Как участвовать?

Вступайте в чат Diffusion Week и подключайтесь к трансляциям!

🔵А соревнование будет?

Да! Параллельно мы запустим соревнование по мультиконцептной персонализации.

Задача: научить модель генерировать несколько заданных объектов на одном изображении, не смешивая их между собой. Соревнование пройдёт в трёх треках, все детали опубликуем чуть позже 🙏

🎉 Готовьтесь к увлекательному погружению в латентное пространство диффузионных моделей, и до встречи! В скором времени мы выложим дополнительную подборку которы можно посмотреть до начала 🍸