Media is too big
VIEW IN TELEGRAM
Grok Bot 1.0 is out, and its bots are now built to work like colleagues. A whole team can share one bot and talk to it in Slack, Microsoft Teams or a video call, where it takes part through the chat.
It's meant to spot work on its own: a deadline coming up, a task left unfinished, new research that points away from the team's plan. Then it offers to take it on, and brings in a person when a decision needs human judgment.
When one person teaches it a better way to do a task, everyone who uses it can benefit. The company says the bots respect each person's permissions and ask before sensitive actions.
Elon Musk told people to hire it as a colleague and give it their hardest tasks. Shared bots come with the Team and Enterprise plans, meetings with Team, Enterprise and Ultra.
@aipost
• Sent via TeleFeed
Please open Telegram to view this post
VIEW IN TELEGRAM
Все никак не привыкну, что точка это твой персональный хастлер - я не знал что консьержа в отеле можно напрягать бронями (я из рабоче-крестьянских), а она знала, пошла и задачу поставила кожаному столик забронировать господину своему (мне)
Реально, единственное приложение ради которого я держу все время включенный в США VPN - все поездки и брони теперь только через нее делаю
Сумасшедший по привыканию продукт, как выйдет везде – с меня список советов
• Sent via TeleFeed
Реально, единственное приложение ради которого я держу все время включенный в США VPN - все поездки и брони теперь только через нее делаю
Сумасшедший по привыканию продукт, как выйдет везде – с меня список советов
• Sent via TeleFeed
Zyphra бахнула открытую модель Zonos3-Mini: 100M-генератор речи с клонированием голоса на 43 языках и работой в браузере
Zonos3-Mini - поддержка высокоточного клонирования голоса по короткому аудиосэмплу, способный работать в реальном времени на смартфонах и ноутбуках прямо внутри браузера через WebGPU. Русский есть? Да.
Несмотря на компактный размер всего в 100 млн активных параметров, Zonos3-Mini реализует гранулярное акустическое управление голосовыми характеристиками. Пользователи могут на лету моделировать возраст спикера, акцент, тембральную окраску и эмоциональный окрас, а также управлять темпом и интонационными ударениями вплоть до отдельных слов. Система обеспечивает естественное звучание без металлического роботизированного призвука, характерного для легковесных моделей.
Архитектура поддерживает 43 языка из коробки, включая русский, английский, испанский, китайский, японский, арабский и ключевые европейские и азиатские наречия. Ключевым нарядным достижением релиза стала полная кроссплатформенная автономия: Zonos3-Mini компилируется под стандарты GGUF и Safetensors, а также нативно исполняется на локальном GPU через WebGPU без необходимости установки Python, CUDA или обращения к серверным API.
Открытые веса модели выложены на Hugging Face, исходный код и веб-рантайм опубликованы в репозитории проекта, а для высоконагруженных продакшн-систем инженерам доступен бессерверный инференс через платформу Zyphra Cloud.
На итоге:
Источники:
huggingface.co
zyphra.com
cloud.zyphra.com
@cgevent
• Sent via TeleFeed
Zonos3-Mini - поддержка высокоточного клонирования голоса по короткому аудиосэмплу, способный работать в реальном времени на смартфонах и ноутбуках прямо внутри браузера через WebGPU. Русский есть? Да.
Несмотря на компактный размер всего в 100 млн активных параметров, Zonos3-Mini реализует гранулярное акустическое управление голосовыми характеристиками. Пользователи могут на лету моделировать возраст спикера, акцент, тембральную окраску и эмоциональный окрас, а также управлять темпом и интонационными ударениями вплоть до отдельных слов. Система обеспечивает естественное звучание без металлического роботизированного призвука, характерного для легковесных моделей.
Архитектура поддерживает 43 языка из коробки, включая русский, английский, испанский, китайский, японский, арабский и ключевые европейские и азиатские наречия. Ключевым нарядным достижением релиза стала полная кроссплатформенная автономия: Zonos3-Mini компилируется под стандарты GGUF и Safetensors, а также нативно исполняется на локальном GPU через WebGPU без необходимости установки Python, CUDA или обращения к серверным API.
Открытые веса модели выложены на Hugging Face, исходный код и веб-рантайм опубликованы в репозитории проекта, а для высоконагруженных продакшн-систем инженерам доступен бессерверный инференс через платформу Zyphra Cloud.
На итоге:
• Компактные 100M параметров: инференс речи в реальном времени на мобильных процессорах и потребительских видеокартах
• Нативный запуск через WebGPU: генерация аудио и клонирование голоса прямо во вкладке браузера без сервера
• Поддержка 43 языков: качественный многоязычный синтез с точным сохранением акцентов и естественных интонаций
• Полный Open Source под Apache 2.0: открытые чекпоинты на Hugging Face и готовые квантования GGUF
Источники:
huggingface.co
zyphra.com
cloud.zyphra.com
@cgevent
• Sent via TeleFeed
Media is too big
VIEW IN TELEGRAM
NVIDIA Research бахнула открытую модель Déjà View для трехмерной реконструкции по неразмеченным фотографиям
Держите, опенсорсеры и метаверсеры.
NVIDIA, ETH Zurich и Университета Торонто выложили в открытый доступ модель и кодовую базу Déjà View (DVLT - Looping Transformers for Multi-View 3D Reconstruction). Архитектура решает фундаментальную задачу Structure-from-Motion (SfM) и плотной 3D-реконструкции: по неупорядоченному набору RGB-снимков или видеоряду нейросеть одновременно восстанавливает 3D-геометрию сцены, карту глубин и точные позиции камер (внешние и внутренние параметры).
Главный прорыв Déjà View заключается в кардинальном пересмотре вычислительной парадигмы. Современные трансформеры прямой подачи для 3D-реконструкции (VGGT, Depth Anything 3, MapAnything, Pi3) разрастаются до миллиардов параметров, выполняя на разных слоях однотипные итеративные операции уточнения. Авторы Déjà View заменили глубокий стек уникальных слоев рекуррентным циклическим блоком трансформера (weight-tied transformer block) с разделяемыми весами, совмещающим покадровое и глобальное внимание с дискретной индексацией глубин.
В результате размер модели сократился всего до 117 млн параметров - это почти на порядок меньше конкурирующих моделей (в 8-10 раз компактнее базовых сетей). Несмотря на компактный объем, Déjà View на равных конкурирует или превосходит тяжелые 1B+ трансформеры на пяти признанных бенчмарках трехмерной реконструкции (включая ScanNet++, интерьерные и уличные сцены), требуя сопоставимого или значительно меньшего объема вычислений.
Циклическая природа архитектуры превратила число шагов рекуррентного прогона K в непрерывный регулятор вычислений (inference-time compute knob) прямо на этапе инференса. Модель обучается один раз, после чего разработчик может динамически варьировать число шагов K без необходимости переобучения или подгрузки отдельных чекпоинтов: от минимальных K для быстрого потокового трекинга в реальном времени до углубленного прогона (K=12..16) для субмиллиметровой резкости геометрии и прецизионной калибровки камер.
NVIDIA полностью открыла исходный код, пайплайн предобработки, скрипты визуализации на базе Rerun и веса модели nvidia/dvlt на Hugging Face под свободной лицензией, готовые к запуску через библиотеку Hugging Face Accelerate в режиме BF16.
На итоге:
Источники:
Репозиторий nv-tlabs/dvlt на GitHub
Веса модели на Hugging Face
Научная статья на arXiv (2605.30215)
Страница проекта NVIDIA Research
@cgevent
• Sent via TeleFeed
Держите, опенсорсеры и метаверсеры.
NVIDIA, ETH Zurich и Университета Торонто выложили в открытый доступ модель и кодовую базу Déjà View (DVLT - Looping Transformers for Multi-View 3D Reconstruction). Архитектура решает фундаментальную задачу Structure-from-Motion (SfM) и плотной 3D-реконструкции: по неупорядоченному набору RGB-снимков или видеоряду нейросеть одновременно восстанавливает 3D-геометрию сцены, карту глубин и точные позиции камер (внешние и внутренние параметры).
Главный прорыв Déjà View заключается в кардинальном пересмотре вычислительной парадигмы. Современные трансформеры прямой подачи для 3D-реконструкции (VGGT, Depth Anything 3, MapAnything, Pi3) разрастаются до миллиардов параметров, выполняя на разных слоях однотипные итеративные операции уточнения. Авторы Déjà View заменили глубокий стек уникальных слоев рекуррентным циклическим блоком трансформера (weight-tied transformer block) с разделяемыми весами, совмещающим покадровое и глобальное внимание с дискретной индексацией глубин.
В результате размер модели сократился всего до 117 млн параметров - это почти на порядок меньше конкурирующих моделей (в 8-10 раз компактнее базовых сетей). Несмотря на компактный объем, Déjà View на равных конкурирует или превосходит тяжелые 1B+ трансформеры на пяти признанных бенчмарках трехмерной реконструкции (включая ScanNet++, интерьерные и уличные сцены), требуя сопоставимого или значительно меньшего объема вычислений.
Циклическая природа архитектуры превратила число шагов рекуррентного прогона K в непрерывный регулятор вычислений (inference-time compute knob) прямо на этапе инференса. Модель обучается один раз, после чего разработчик может динамически варьировать число шагов K без необходимости переобучения или подгрузки отдельных чекпоинтов: от минимальных K для быстрого потокового трекинга в реальном времени до углубленного прогона (K=12..16) для субмиллиметровой резкости геометрии и прецизионной калибровки камер.
NVIDIA полностью открыла исходный код, пайплайн предобработки, скрипты визуализации на базе Rerun и веса модели nvidia/dvlt на Hugging Face под свободной лицензией, готовые к запуску через библиотеку Hugging Face Accelerate в режиме BF16.
На итоге:
• Компактность 117M параметров: в 8-10 раз меньше тяжелых аналогов (VGGT, Depth Anything 3, Pi3)
• Рекуррентный трансформер: один блок с разделяемыми весами вместо глубокого стека слоев
• Полная 3D-реконструкция: одновременное предсказание карты лучей, карты глубин и поз камер
• Гибкий инференс-регулятор K: динамическая настройка точности и скорости без переобучения
• Открытый исходный код, чекпоинт nvidia/dvlt на Hugging Face и инструменты визуализации Rerun
Источники:
Репозиторий nv-tlabs/dvlt на GitHub
Веса модели на Hugging Face
Научная статья на arXiv (2605.30215)
Страница проекта NVIDIA Research
@cgevent
• Sent via TeleFeed
Media is too big
VIEW IN TELEGRAM
В Meta FAIR* придумали алгоритм, который обгоняет k-means
Давненько не выходили такие громкие статьи по классическому ML. Разбираемся.
k-means – это простейший алгоритм кластеризации, но при этом один из самых используемых. Он используется для векторного поиска и RAG, кластеризации эмбеддингов, чистки и балансировки датасетов, квантизации весов и KV-кэша, создания кодбуков для токенов изображений и аудио, анализа данных, поиска аномалий и тд и тп.
В общем, уже десятки лет k-means является золотым стандартом. Работает он так: берет набор точек данных, случайно размещает среди них K пробных центров, относит каждую точку к ближайшему центру, а затем сдвигает каждый центр в среднее положение своих точек и повторяет так несколько эпох, пока центры не перестанут двигаться (см картинку).
Понятно, что на миллиардах векторов каждый такой проход очень дорогой, поэтому, конечно же, в индустрии уже придумали много способов удешевлять k-means. Например, есть мини-батч k-means, который обновляет центры чаще, по маленьким кусочкам данных. Такие штуки работают быстрее, НО сходятся к заметно худшему качеству.
Однако авторы этой статьи утверждают, что их алгоритм способен достичь качества классического k-means всего за 1.4-2.6 эпохи. Против Flash-KMeans (сильно оптимизированный GPU k-means) ускорение по времени получается от 9.5x до 45.5x.
Они предлагают пересчитывать центры экспоненциальным скользящим средним по батчам. Для каждого кластера хранится, сколько в нем точек и чему равна их сумма, а с каждым новым батчем эти значения обновляются так, что свежие данные весят больше, а старые постепенно забываются. Центр кластера при этом остается обычным средним, то есть суммой, деленной на количество.
Благодаря такому подходу центры начинают двигаться уже после первых батчей, а не после полного прохода по данным, а размер батча и шаг обновления считаются по готовым формулам, поэтому никакие гиперпараметры подбирать вручную не нужно.
В итоге e-means достигает качества классического k-means в разы быстрее и даже с чуть меньшим лоссом. На самом большом тесте, 10 миллиардах эмбеддингов и 16 миллионах кластеров, ему понадобилось почти в 9 раз меньше GPU-часов.
Представьте, что это значит для тех же RAG-систем на огромных базах, где построение индексов съедает тысячи часов работы видеокарт.
Статья | Код | Проект
• Sent via TeleFeed
Давненько не выходили такие громкие статьи по классическому ML. Разбираемся.
k-means – это простейший алгоритм кластеризации, но при этом один из самых используемых. Он используется для векторного поиска и RAG, кластеризации эмбеддингов, чистки и балансировки датасетов, квантизации весов и KV-кэша, создания кодбуков для токенов изображений и аудио, анализа данных, поиска аномалий и тд и тп.
В общем, уже десятки лет k-means является золотым стандартом. Работает он так: берет набор точек данных, случайно размещает среди них K пробных центров, относит каждую точку к ближайшему центру, а затем сдвигает каждый центр в среднее положение своих точек и повторяет так несколько эпох, пока центры не перестанут двигаться (см картинку).
Понятно, что на миллиардах векторов каждый такой проход очень дорогой, поэтому, конечно же, в индустрии уже придумали много способов удешевлять k-means. Например, есть мини-батч k-means, который обновляет центры чаще, по маленьким кусочкам данных. Такие штуки работают быстрее, НО сходятся к заметно худшему качеству.
Однако авторы этой статьи утверждают, что их алгоритм способен достичь качества классического k-means всего за 1.4-2.6 эпохи. Против Flash-KMeans (сильно оптимизированный GPU k-means) ускорение по времени получается от 9.5x до 45.5x.
Они предлагают пересчитывать центры экспоненциальным скользящим средним по батчам. Для каждого кластера хранится, сколько в нем точек и чему равна их сумма, а с каждым новым батчем эти значения обновляются так, что свежие данные весят больше, а старые постепенно забываются. Центр кластера при этом остается обычным средним, то есть суммой, деленной на количество.
Благодаря такому подходу центры начинают двигаться уже после первых батчей, а не после полного прохода по данным, а размер батча и шаг обновления считаются по готовым формулам, поэтому никакие гиперпараметры подбирать вручную не нужно.
В итоге e-means достигает качества классического k-means в разы быстрее и даже с чуть меньшим лоссом. На самом большом тесте, 10 миллиардах эмбеддингов и 16 миллионах кластеров, ему понадобилось почти в 9 раз меньше GPU-часов.
Представьте, что это значит для тех же RAG-систем на огромных базах, где построение индексов съедает тысячи часов работы видеокарт.
Статья | Код | Проект
• Sent via TeleFeed
Расширения для Hermes теперь можно искать в одном месте
У Hermes появился официальный маркетплейс: навыки, плагины и MCP-коннекторы, то есть подключения к внешним инструментам. Есть поиск, категории и отметки авторства, чтобы отличать разработки Nous Research от работ сообщества.
Полистала каталог, вот что там есть👇️️️️️️
🪼 Memory Wiki - просмотр памяти и записей агента в отдельной панели.
🪼 Blender - подключение к программе для работы с 3D. Сам Blender и дополнение тоже понадобятся, одной установки плагина недостаточно.
🪼 Telegram Business - агент готовит ответы клиентам и присылает тебе на согласование. По описанию, без нажатия "Отправить" клиент ничего не получит.
🪼 Claude Subscription - экспериментальное подключение Claude Pro/Max через установленный Claude Code. Расходует лимиты подписки, а не дает бесплатный безлимит. НО ЧЕСТНО, я пока не советую, особенно если впс нестабильный, могут быть проблемы с входом потом + лучше сейчас пока не навлекать лишнего внимания
Ну и по традиции, не спешите устанавливать все подряд, начните с одной конкретной задачи. В каталоге смотрите на автора, какие доступы нужны и куда уходят данные. И обратите внимание, что внешние сервисы могут оплачиваться отдельно.
@NeuralProfit
• Sent via TeleFeed
У Hermes появился официальный маркетплейс: навыки, плагины и MCP-коннекторы, то есть подключения к внешним инструментам. Есть поиск, категории и отметки авторства, чтобы отличать разработки Nous Research от работ сообщества.
Полистала каталог, вот что там есть
Ну и по традиции, не спешите устанавливать все подряд, начните с одной конкретной задачи. В каталоге смотрите на автора, какие доступы нужны и куда уходят данные. И обратите внимание, что внешние сервисы могут оплачиваться отдельно.
@NeuralProfit
• Sent via TeleFeed
Please open Telegram to view this post
VIEW IN TELEGRAM
Еще интересное наблюдение, которое понравится тревожникам – с точкой возникает ощущение, что вы все контролируете и успеваете
Если ее начать использовать как todo для заметок, подключить к ней почту и другие источники, количество потерянных бытовых и рабочих задач сильно упадет
Мне кажется, это особенно важно миллениалам, так как мы входим в пик нагрузки по количеству обязанностей в жизни
Так будет с любым always on агентом, не только точкой – мне кажется для кукухи очень полезный продукт, если вы из тревожных – вам надо
• Sent via TeleFeed
Если ее начать использовать как todo для заметок, подключить к ней почту и другие источники, количество потерянных бытовых и рабочих задач сильно упадет
Мне кажется, это особенно важно миллениалам, так как мы входим в пик нагрузки по количеству обязанностей в жизни
Так будет с любым always on агентом, не только точкой – мне кажется для кукухи очень полезный продукт, если вы из тревожных – вам надо
• Sent via TeleFeed
The US Army has a new self-contained Pacific command built for a complex fight
The Army combined maneuver forces and weapons across cyber, space, electronic warfare, and fires into a new one-of-a-kind command.
Read Full Story 🔹 Subscribe
#AI ⚡️ #ArtificialIntelligence ⚡️ #Tech
• Sent via TeleFeed
The Army combined maneuver forces and weapons across cyber, space, electronic warfare, and fires into a new one-of-a-kind command.
Read Full Story 🔹 Subscribe
#AI ⚡️ #ArtificialIntelligence ⚡️ #Tech
• Sent via TeleFeed
This media is not supported in your browser
VIEW IN TELEGRAM
NVIDIA Announces CEO Transition
Позицию СЕО временно займет Colette Kress, Финансовый директор Nvidia
• Sent via TeleFeed
Позицию СЕО временно займет Colette Kress, Финансовый директор Nvidia
• Sent via TeleFeed
Дженсен Хуанг покидает NVIDIA
Совет директоров объявил, что Хуанг покидает посты гендиректора и президента компании, а также выходит из совета директоров. Решение вступает в силу немедленно.
Временно NVIDIA возглавит финансовый директор Колетт Кресс. Компания будет искать нового гендиректора среди своих сотрудников и внешних кандидатов.
Хуанг руководил NVIDIA с момента ее основания в 1993 году.
https://nvidianews.nvidia.com/news/nvidia-announces-ceo-transition
• Sent via TeleFeed
Совет директоров объявил, что Хуанг покидает посты гендиректора и президента компании, а также выходит из совета директоров. Решение вступает в силу немедленно.
Временно NVIDIA возглавит финансовый директор Колетт Кресс. Компания будет искать нового гендиректора среди своих сотрудников и внешних кандидатов.
Хуанг руководил NVIDIA с момента ее основания в 1993 году.
https://nvidianews.nvidia.com/news/nvidia-announces-ceo-transition
• Sent via TeleFeed
CoreWeave targets $9 billion in pre-payments
🚀 CoreWeave plans to secure $9 billion in customer deposits and pre-payments over the next quarter to expand AI compute capacity.
This move allows the firm to reduce reliance on high-interest unsecured debt while financing its infrastructure growth directly through client contracts.
#CoreWeave ⚡ #CloudInfrastructure ⚡ #ArtificialIntelligence
Subscribe
• Sent via TeleFeed
🚀 CoreWeave plans to secure $9 billion in customer deposits and pre-payments over the next quarter to expand AI compute capacity.
This move allows the firm to reduce reliance on high-interest unsecured debt while financing its infrastructure growth directly through client contracts.
#CoreWeave ⚡ #CloudInfrastructure ⚡ #ArtificialIntelligence
Subscribe
• Sent via TeleFeed
This media is not supported in your browser
VIEW IN TELEGRAM
NVIDIA Announces CEO Transition
Позицию СЕО временно займет Colette Kress, Финансовый директор Nvidia
• Sent via TeleFeed
Позицию СЕО временно займет Colette Kress, Финансовый директор Nvidia
• Sent via TeleFeed
Please open Telegram to view this post
VIEW IN TELEGRAM
Media is too big
VIEW IN TELEGRAM
Fable 5.2 конечно удивителен для симуляций миров – сделал мне за 8 часов древний Вавилон, 600 лет до нашей эры
Сам нашел документы, чертежи, сравнивал там что-то по пикселям и тп
Вот тут можете покрутить сами:
https://claude.ai/artifact/CTjrZXVdUgKJ6qJXrvvr28
• Sent via TeleFeed
Сам нашел документы, чертежи, сравнивал там что-то по пикселям и тп
Вот тут можете покрутить сами:
https://claude.ai/artifact/CTjrZXVdUgKJ6qJXrvvr28
• Sent via TeleFeed
Хуанга уволили с поста генерального директора.
Вы, наверное, обратили внимание, что я ничего не писал про историю с Хуангом.
Наверное, стоит высказаться. Я смотрю на всё это происходящее, и всё это мне напоминает Чёрное зеркало, серии про социальный рейтинг, и вот про это вот всё.
Лицемерие. Удивительно, как всё-таки оно правит миром. Чувак гений. Из говна и палок и гаража сделал самую богатую компанию мира. И какая разница, сколько у него там романов и с кем эти романы. Если это романы со шпионкой, то это косяк службы безопасности и разбираться с этим тоже должна служба безопасности, защищая его, а не давая повода на него нападать.
Но в нашем странном мире, в нашем странном лицемерном мире, ты сначала должен быть хорошим мальчиком, с хорошими оценками, с хорошими рейтингами, чтобы акции твоей компании не падали, а тебя самого не выперли из совета директоров. И получается, всё то, что ты сделал за все эти годы, это ничто по сравнению с твоими оценками в глазах ничего не понимающих в этом кожаных мешков.
Я искренне ему сочувствую.
И в этом смысле мой кумир — это Илон Маск. Он делает то, что хочет, и срать он хотел на всех этих журналистов, расследователей, аналитиков и хранителей скрижалей общественного мнения. И никто его ни откуда не смещает.
@cgevent
• Sent via TeleFeed
Вы, наверное, обратили внимание, что я ничего не писал про историю с Хуангом.
Наверное, стоит высказаться. Я смотрю на всё это происходящее, и всё это мне напоминает Чёрное зеркало, серии про социальный рейтинг, и вот про это вот всё.
Лицемерие. Удивительно, как всё-таки оно правит миром. Чувак гений. Из говна и палок и гаража сделал самую богатую компанию мира. И какая разница, сколько у него там романов и с кем эти романы. Если это романы со шпионкой, то это косяк службы безопасности и разбираться с этим тоже должна служба безопасности, защищая его, а не давая повода на него нападать.
Но в нашем странном мире, в нашем странном лицемерном мире, ты сначала должен быть хорошим мальчиком, с хорошими оценками, с хорошими рейтингами, чтобы акции твоей компании не падали, а тебя самого не выперли из совета директоров. И получается, всё то, что ты сделал за все эти годы, это ничто по сравнению с твоими оценками в глазах ничего не понимающих в этом кожаных мешков.
Я искренне ему сочувствую.
И в этом смысле мой кумир — это Илон Маск. Он делает то, что хочет, и срать он хотел на всех этих журналистов, расследователей, аналитиков и хранителей скрижалей общественного мнения. И никто его ни откуда не смещает.
@cgevent
• Sent via TeleFeed
Институт AIRI и Сколтех разработали систему для анализа научных трендов Drift Inspector
С ее помощью команда исследователей уже обработала 118 тысяч статей с главных конференций по машинному обучению, компьютерному зрению и обработке языка за 2018–2026 годы.
Drift Inspector извлекает из аннотации только утверждения о научном вкладе и объединяет похожие в одну тему. В отличие от простого подсчёта ключевых слов, такой подход позволяет группировать разные формулировки одной идеи и разделять случаи, когда одно и то же слово используется в разных значениях.
Для анализа динамики каждой темы система рассчитывает долю статей за год, в которых встречается хотя бы одно утверждение из соответствующей группы. Кластеризацию также оценивали с помощью внешней таксономии, а качество извлечения проверяли с помощью валидированного ИИ-судьи.
https://hamyrappy.github.io/drift-inspector-acl/
• Sent via TeleFeed
С ее помощью команда исследователей уже обработала 118 тысяч статей с главных конференций по машинному обучению, компьютерному зрению и обработке языка за 2018–2026 годы.
Drift Inspector извлекает из аннотации только утверждения о научном вкладе и объединяет похожие в одну тему. В отличие от простого подсчёта ключевых слов, такой подход позволяет группировать разные формулировки одной идеи и разделять случаи, когда одно и то же слово используется в разных значениях.
Для анализа динамики каждой темы система рассчитывает долю статей за год, в которых встречается хотя бы одно утверждение из соответствующей группы. Кластеризацию также оценивали с помощью внешней таксономии, а качество извлечения проверяли с помощью валидированного ИИ-судьи.
https://hamyrappy.github.io/drift-inspector-acl/
• Sent via TeleFeed