#ЛабораторияИИ #эксперименты
25-этажная башня в 1 промпт

Новый эксперимент с генерацией 3д формы от нашей Лаборатории ИИ

#новое #unrealneural
На просторах новостной ленты наткнулся на только что вышедшие модели от Xiaomi.

Пишут, что основное предназначение - это решение математических задач, логические рассуждения и генерация кода.
Вот некоторые особенности модели MiMo-7B-Base:
- Обучение с нуля
- Использование синтетических данных для логического мышления
- Особый подход к предобработке данных и стратегии предобучения
- Внедрение метода Multiple-Token Prediction (MTP) — предсказание нескольких токенов одновременно для улучшения качества и скорости вывода

https://huggingface.co/XiaomiMiMo

#эксперименты
«Архитектурная примерочная» фасадов серия 1

#вкопилкуэрудита

Квантовое туннелирование — это процесс, при котором частица может пройти через барьер, на преодоление которого у нее обычно не хватает энергии. Это происходит потому, что частица имеет волновую природу и может существовать в суперпозиции состояний, то есть имеет ненулевую вероятность оказаться по ту сторону барьера. Квантовое туннелирование отвечает за ядерный синтез в звездах, радиоактивный распад и сканирующую туннельную микроскопию.

Anthropic анонсировали Интеграции: теперь к Claude можно присоединить любой источник ваших данных

Это работает так: вы присоединяете какое-то свое приложение (ну, например, базу знаний Confluence), и с этого момента во время поиска бот будет искать не только в Интернете, но и по вашей интеграции.

При этом, конечно, можно попросить поискать только в базе знаний, задать по ней любой вопрос, выгрузить оттуда код и поработать с ним и прочее и прочее и прочее, любые действия с этим контекстом.

По сути это верифицированные MCP внутри чат-бота. Сейчас в партнерах уже Atlassian, GitLab, Asana, PayPal, CloudFlare и еще с десяток сервисов. Их можно подсоединить в пару кликов. Если нужного вам сервиса среди них нет, то можно и свой добавить, но потребуется чуть больше времени и сил.

www.anthropic.com/news/integrations

#эксперименты
«Архитектурная примерочная» фасадов серия 2

#эксперименты
«Архитектурная примерочная» фасадов серия 3
Как поменять вид из окна 😏

#unrealneural
Как любое приложение превратить в MCP-хост

Новый компонент MCP
copilotkit позволит подключить свое приложение к любому серверу MCP, таким как Cursor или Claude Desktop.

https://docs.copilotkit.ai/guides/model-context-protocol

Google выкатил на весь США свой новый режим поиска «AI Mode» – это новая вкладка вроде картинок, карт, а внутри что-то вроде поиска в чатгпт или перплексити, с памятью, карточками товаров и тп, вы все это видели уже

Это гигантский шаг на встречу массовой адаптации LLM, с чем я всех нас и поздравляю

#вкопилкуэрудита
Парадокс Симпсона

Парадокс Симпсона (Simpson's Paradox) — это статистический феномен, который может проявляться в анализе данных, включая исследования, связанные с нейронными сетями, хотя он не специфичен для них. Он заключается в том, что тенденция, наблюдаемая в отдельных подгруппах данных, может исчезать или даже обращаться в противоположную при объединении этих подгрупп в общий анализ. Этот парадокс важен для понимания интерпретации данных, используемых для обучения или оценки нейронных сетей.

Сформулировали пример вместе с Grok:

Представьте, что нейронная сеть используется для диагностики диабета на основе медицинских данных. Данные разделены по возрастным группам: молодые (до 40 лет) и пожилые (старше 40 лет).

- Молодые (100 пациентов): Сеть правильно диагностирует диабет у 90% (90/100).
- Пожилые (1000 пациентов): Сеть правильно диагностирует диабет у 80% (800/1000).

Кажется, сеть лучше работает для молодых. Общая точность:
(90 + 800) / (100 + 1000) = 890 / 1100 ≈ 81%.

Теперь другая модель:
- Молодые (100 пациентов): Точность 85% (85/100).
- Пожилые (1000 пациентов): Точность 75% (750/1000).
- Общая точность: (85 + 750) / (100 + 1000) = 835 / 1100 ≈ 76%.

Парадокс: Первая модель точнее в обеих группах (90% против 85% для молодых, 80% против 75% для пожилых), но если в тестовом наборе пожилых пациентов гораздо больше, вторая модель может показать лучшую общую точность при другом распределении (например, если добавить ещё данных). Это реальная проблема в медицинских ИИ, где несбалансированные группы (по возрасту, полу) искажают метрики.

Источник: Подобные случаи описаны в исследованиях по справедливости ИИ, например, в статье "Fairness and Machine Learning" (Barocas et al., 2019).