Forwarded from Machinelearning
Open-source инструмент от исследователей из Stanford, который превращает статические статьи в интерактивных AI-ассистентов.
📌 Как это работает:
- Paper2MCP анализирует статью и её код( если есть), извлекает ключевые методы и превращает их в инструменты внутри MCP-сервера.
- Agent layer подключает этот сервер к чат-агенту (например, Claude Code или Chatgpt).
Поле чего, у каждой статьи появляется свой ИИ-ассистент, который:
- объясняет папиру на простом языке;
- запускает код без ручного копания в репозиториях, зависимостях и API-ключах;
- объединяет данные и пайплайны из разных работ.
Каждый MCP-сервер включает:
- Tools — функции (например, прогноз изменения экспрессии генов).
- Resources — текст, код, датасеты.
- Prompts — шаблоны для пошаговых сценариев.
Фактически Paper2Agent помогает конвертировать научные работы в полноценные рабочие инструменты.
Чтобы повторить методы их статьи, приходилось вручную ставить окружения, импортировать десятки модулей и гадать с входными данными. Paper2Agent позволяет это сделать через диалоговый интерфейс.
@ai_machinelearning_big_data
#ai #ml #aiagent
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥6✍1⚡1
Forwarded from Уставший техдир
Новые паттерны для создания GenAI-продуктов
Один из уважаемых мной старых дедов классической разработки программного обеспечения — Мартин Фаулер (автор книг "Рефакторинг", "Шаблоны корпоративных приложений", а еще соавтор Аджайл Манифеста и популяризатор кучи правильных вещей, за что ему низкий поклон), написал большую работу, где структурировал базовые новые паттерны разработки приложений на основе генеративного искусственного интеллекта
Читаю его труд и кайфую, как он приятно и наглядно излагает свои мысли. Очень советую всем, кто только начинает с разбираться с созданием приложений на GenAI:
1) Direct Prompting, как базовый слой приложения
2) Зачем нужен этап Evaluation
3) Что такое Embedding'и
4) RAG на дефолнтом векторном поиске
5) Hybrid Retriever для дополнения векторного поиском по подстроке
6) Query Rewriting для улучшения запросов от человека
7) Reranking для отсечения мусора в результатах поиска
8) Guardrails для безопасности — валидация инпута, верификация аутпута
9) Fine Tuning, для крайних случаев, когда остальные не дают роста eval-метрик
А еще, как же он прав:
https://martinfowler.com/articles/gen-ai-patterns/
П.С. А дальше, поверх этих паттернов нужно делать когнитивную архитектуру, с планировщиками, постановщиками задач, сервисами вызова тулинга и рефлексией, но это — уже другая история)
Один из уважаемых мной старых дедов классической разработки программного обеспечения — Мартин Фаулер (автор книг "Рефакторинг", "Шаблоны корпоративных приложений", а еще соавтор Аджайл Манифеста и популяризатор кучи правильных вещей, за что ему низкий поклон), написал большую работу, где структурировал базовые новые паттерны разработки приложений на основе генеративного искусственного интеллекта
Читаю его труд и кайфую, как он приятно и наглядно излагает свои мысли. Очень советую всем, кто только начинает с разбираться с созданием приложений на GenAI:
1) Direct Prompting, как базовый слой приложения
2) Зачем нужен этап Evaluation
3) Что такое Embedding'и
4) RAG на дефолнтом векторном поиске
5) Hybrid Retriever для дополнения векторного поиском по подстроке
6) Query Rewriting для улучшения запросов от человека
7) Reranking для отсечения мусора в результатах поиска
8) Guardrails для безопасности — валидация инпута, верификация аутпута
9) Fine Tuning, для крайних случаев, когда остальные не дают роста eval-метрик
А еще, как же он прав:
LLM — это такой джун-исследователь: начитан, умеет красиво излагать, но в деталях плавает, а самоуверенности хоть отбавляй — вместо «не знаю» предпочитает с умным видом выдумать что-то правдоподобное. RAG в этой картине — это когда мы задаём этому джуну вопрос и при этом подсовываем ему папку с нужными документами, строго намекая: «Прочитай это, прежде чем снова начать фантазировать».
https://martinfowler.com/articles/gen-ai-patterns/
П.С. А дальше, поверх этих паттернов нужно делать когнитивную архитектуру, с планировщиками, постановщиками задач, сервисами вызова тулинга и рефлексией, но это — уже другая история)
✍5 4⚡3❤2👍2👨💻2🔥1🫡1🆒1
Forwarded from Code Learning
This media is not supported in your browser
VIEW IN TELEGRAM
Wan2.2-Animate-14B — нейросеть, которая превратит вас в персонажа мультфильма.
Закидываете свое видео и фотку персонажа, а на выходе получаете анимированный ролик, в котором мультяшный герой повторяет ваши движения.
Самое крутое: модель сразу выпустили в опенсорс.
⤷ Ознакомиться на сайте
CodeLearning
Закидываете свое видео и фотку персонажа, а на выходе получаете анимированный ролик, в котором мультяшный герой повторяет ваши движения.
Самое крутое: модель сразу выпустили в опенсорс.
⤷ Ознакомиться на сайте
CodeLearning
👍9🔥7
Media is too big
VIEW IN TELEGRAM
Едем загружать мозги на Подмосковных Вечерах 2025
https://pv2025.4cio.ru/
Увидимся! :)
#pv2025 #mind #upload
———
@tsingular
https://pv2025.4cio.ru/
Увидимся! :)
#pv2025 #mind #upload
———
@tsingular
🔥14❤2⚡1💯1👾1
🏆 Gemini 2.5 берёт золото на соревнованиях программистов в Азербайджане
Google DeepMind заявили о "историческом прорыве": их Gemini 2.5 стал первым ИИ, выигравшим золотую медаль на международном конкурсе программирования (ICPC).
Что произошло:
- за 30 минут решил задачу с бесконечным числом возможностей (распределение жидкости через сеть каналов)
- лучшие программисты из России, Китая, Японии — не справились
- 2 место из 139 сильнейших команд мира
- Провалил только 2 из 12 задач
Техническая начинка:
- Специально тренированная версия для сложных задач кодинга/математики
- Глубокое абстрактное мышление + креативность
- Синтез новых решений для неизвестных проблем
- производительность на уровне топ-20 кодеров мира
Событие по масштабу сопоставимо с победой Deep Blue в шахматах в 1997 или AlphaGo в Го в 2016.
Только теперь ИИ решает реальные задачи, а не только игровые комбинации.
Правда, Google пишет, что модель не только специально обучена, но и явно мощнее Про версии за $250/месяц, которая доступна обычным пользователям.
#Gemini #ICPC #AGI #Google
———
@tsingular
Google DeepMind заявили о "историческом прорыве": их Gemini 2.5 стал первым ИИ, выигравшим золотую медаль на международном конкурсе программирования (ICPC).
Что произошло:
- за 30 минут решил задачу с бесконечным числом возможностей (распределение жидкости через сеть каналов)
- лучшие программисты из России, Китая, Японии — не справились
- 2 место из 139 сильнейших команд мира
- Провалил только 2 из 12 задач
Техническая начинка:
- Специально тренированная версия для сложных задач кодинга/математики
- Глубокое абстрактное мышление + креативность
- Синтез новых решений для неизвестных проблем
- производительность на уровне топ-20 кодеров мира
Событие по масштабу сопоставимо с победой Deep Blue в шахматах в 1997 или AlphaGo в Го в 2016.
Только теперь ИИ решает реальные задачи, а не только игровые комбинации.
Правда, Google пишет, что модель не только специально обучена, но и явно мощнее Про версии за $250/месяц, которая доступна обычным пользователям.
#Gemini #ICPC #AGI #Google
———
@tsingular
🔥6❤2🏆2
Мы тут вчера вечером на Подмосковных дошли до обсуждения регуляторики для ИИ.
И несмотря на то, что собрались ИИ практики и ИТ директора, - не смогли договориться о том, а как вообще можно создать законодательство для ИИ вообще в принципе.
Ну т.е. с моей точки зрения, - это невозможно и бессмысленно.
Сама суть наказания для цифрового алгоритма это больше как игра людей в наказание, а не то, что могло бы заставить ИИ страдать (зачем?)
Т.е. единственный, кто может нести ответственность по закону, - человек, поставивший задачу или написавший алгоритм.
И пока это не изменится, - ни о какой свободе воли у ИИ можно даже не заикаться. Все это будет лишь симуляция.
В том числе это касается и цифровых министров по примеру Албании.
А вы как считаете? Напишите в комментах, добавим к обсуждению на сессиях.
#мысли
———
@tsingular
И несмотря на то, что собрались ИИ практики и ИТ директора, - не смогли договориться о том, а как вообще можно создать законодательство для ИИ вообще в принципе.
Ну т.е. с моей точки зрения, - это невозможно и бессмысленно.
Сама суть наказания для цифрового алгоритма это больше как игра людей в наказание, а не то, что могло бы заставить ИИ страдать (зачем?)
Т.е. единственный, кто может нести ответственность по закону, - человек, поставивший задачу или написавший алгоритм.
И пока это не изменится, - ни о какой свободе воли у ИИ можно даже не заикаться. Все это будет лишь симуляция.
В том числе это касается и цифровых министров по примеру Албании.
А вы как считаете? Напишите в комментах, добавим к обсуждению на сессиях.
#мысли
———
@tsingular
🔥9🤨5👏4⚡2❤2🤔1
Приехал на TechFounders.
Рассказывают про ИИ агентов для стартапов.
Внимательно слушаю :)
Все стратапы теперь будут с ИИ.
Без вариантов :)
#techfounders #доклады
------
@tsingular
Рассказывают про ИИ агентов для стартапов.
Внимательно слушаю :)
Все стратапы теперь будут с ИИ.
Без вариантов :)
#techfounders #доклады
------
@tsingular
🔥6⚡4✍2😁2💯1
Формула стартапа теперь включает не людей, а агентов.
#агенты #стартапы #techfounders
------
@tsingular
#агенты #стартапы #techfounders
------
@tsingular
✍11🤣9⚡2💯1
Forwarded from Анализ данных (Data analysis)
🚀 Хотите ускорить обучение в PyTorch в несколько раз?
У DataLoader есть два плохих дефолта, которые тормозят процесс.
Исправив их, я получил почти 5x ускорение.
❌ Проблема
-
- Пока GPU считает - CPU ничего не делает.
- Пока CPU готовит данные — GPU простаивает.
⚡ Решение
Нужно заставить CPU и GPU работать параллельно:
- В
- При переносе данных используй
- Добавь
✅ В итоге CPU готовит следующий батч, пока GPU занят текущим.
Так исчезают простои, и обучение идёт заметно быстрее.
У DataLoader есть два плохих дефолта, которые тормозят процесс.
Исправив их, я получил почти 5x ускорение.
❌ Проблема
-
.to(device) переносит данные на GPU. - Пока GPU считает - CPU ничего не делает.
- Пока CPU готовит данные — GPU простаивает.
⚡ Решение
Нужно заставить CPU и GPU работать параллельно:
- В
DataLoader укажи pin_memory=True - При переносе данных используй
.to(device, non_blocking=True) - Добавь
num_workers в DataLoader для фоновой загрузки. ✅ В итоге CPU готовит следующий батч, пока GPU занят текущим.
Так исчезают простои, и обучение идёт заметно быстрее.
✍9❤1🔥1
Огромная честь получить награду от сообщества читателей канала из клуба 4CIO.
Спасибо всем.
Без вас не было бы ни канала ни хрустального ежа.
#4CIO #хрустальныйёж #pv2025
------
@tsingular
Спасибо всем.
Без вас не было бы ни канала ни хрустального ежа.
#4CIO #хрустальныйёж #pv2025
------
@tsingular
8🔥53👏32❤10🫡5❤🔥4⚡2
Forwarded from Сергей Пименов
Media is too big
VIEW IN TELEGRAM
Тут роботы ещё немного натренировались.
⚡15🔥11😢7👾3👍1
NVIDIA инвестирует $100 млрд в инфраструктуру OpenAI
Инвестиция до $100 миллиардов позволит построить дата-центры мощностью 10 гигаватт - эквивалент 4-5 миллионов GPU.
Датацентр площадью до 2.8 кв км обеспечит работой 14 тысяч строителей.
Начало стройки запланировано на 2026 год.
В основе датацентра будут чипы нового поколения Vera Rubin.
После анонса акции NVIDIA выросли на 3,9%.
Уроборос прирастает.
#NVIDIA #OpenAI
———
@tsingular
Инвестиция до $100 миллиардов позволит построить дата-центры мощностью 10 гигаватт - эквивалент 4-5 миллионов GPU.
Датацентр площадью до 2.8 кв км обеспечит работой 14 тысяч строителей.
Начало стройки запланировано на 2026 год.
В основе датацентра будут чипы нового поколения Vera Rubin.
После анонса акции NVIDIA выросли на 3,9%.
Уроборос прирастает.
#NVIDIA #OpenAI
———
@tsingular
😁7🤨4⚡1👀1
🚀 Qwen3-Omni-30B: Нативная омни-модальная модель от Alibaba
Алибаба продолжает рвать шаблоны, - впервые end-to-end обработка текста, изображений, аудио и видео.
Архитектура MoE Thinker-Talker:
- Thinker — модуль рассуждений с chain-of-thought
- Talker — генерация естественной речи в реальном времени.
Мультимодальные возможности:
119 текстовых языков
19 языков для голосового ввода (включая русский)
10 языков речевого вывода (тоже с русским)
Обработка видео до 120 секунд
Поддержка смешанного контента (аудио/видео/текст)
Эффективность:
- SOTA на 22 из 36 аудио/видео бенчмарков
- Сравнимо с Gemini 2.5 Pro в понимании речи
- Без деградации текстовых и визуальных возможностей
Qwen3-Omni-30B-A3B-Instruct — полная версия с аудио выходом
Qwen3-Omni-30B-A3B-Thinking — только рассуждения, текстовый вывод
Qwen3-Omni-30B-A3B-Captioner — специализация на детальном описании аудио
Требования к железу:
- 78-144 GB GPU память (BF16, зависит от длины видео)
- Поддержка vLLM и Transformers
- FlashAttention 2 для оптимизации
Особенность: модель понимает связь между аудио и видео — то есть соотносит то, что происходит на экране с тем, что звучит.
Apache 2.0 лицензия.
Карточка модели: huggingface.co.
#Qwen #Qwen3 #Omni #AliBaba
———
@tsingular
Алибаба продолжает рвать шаблоны, - впервые end-to-end обработка текста, изображений, аудио и видео.
Архитектура MoE Thinker-Talker:
- Thinker — модуль рассуждений с chain-of-thought
- Talker — генерация естественной речи в реальном времени.
Мультимодальные возможности:
119 текстовых языков
19 языков для голосового ввода (включая русский)
10 языков речевого вывода (тоже с русским)
Обработка видео до 120 секунд
Поддержка смешанного контента (аудио/видео/текст)
Эффективность:
- SOTA на 22 из 36 аудио/видео бенчмарков
- Сравнимо с Gemini 2.5 Pro в понимании речи
- Без деградации текстовых и визуальных возможностей
Qwen3-Omni-30B-A3B-Instruct — полная версия с аудио выходом
Qwen3-Omni-30B-A3B-Thinking — только рассуждения, текстовый вывод
Qwen3-Omni-30B-A3B-Captioner — специализация на детальном описании аудио
Требования к железу:
- 78-144 GB GPU память (BF16, зависит от длины видео)
- Поддержка vLLM и Transformers
- FlashAttention 2 для оптимизации
Особенность: модель понимает связь между аудио и видео — то есть соотносит то, что происходит на экране с тем, что звучит.
Apache 2.0 лицензия.
Карточка модели: huggingface.co.
#Qwen #Qwen3 #Omni #AliBaba
———
@tsingular
🔥12❤1
Media is too big
VIEW IN TELEGRAM
👍4👀2🔥1👾1