#unrealneural #врежимеожидания
PolyDiff: диффузионная модель для генерации 3D-сеток

PolyDiff — первая диффузионная модель, способная напрямую создавать реалистичные и разнообразные трёхмерные полигональные сетки. В отличие от методов, использующих неявные представления, PolyDiff работает непосредственно с сеточной структурой, учитывая как геометрию вершин, так и топологию граней. Модель рассматривает сетки как «треугольные супы», постепенно искажённые категориальным шумом, и обученный трансформер-шумоподавитель восстанавливает исходную структуру. На этапе генерации сетки формируются из полностью зашумлённых данных с последовательным устранением шума. Подход обеспечивает улучшение метрик качества: среднее снижение FID на 18,2 и JSD на 5,8 по сравнению с современными методами.
https://arxiv.org/abs/2312.11417

#unrealneural #ЛабораторияИИ #AILAB #Эксперименты
Вайб-проектирование

LLM для работы в Revit
Продолжаем эксперименты с Revit и LLM, которая по текстовым запросам моделирует внутри программы. Система тестируется под рабочими названиями Text2BIM, RevitMCP, RevitAI и Revit Copilot. Потенциал — автоматизация любых операций, включая оформление.

Cursor на 28% улучшили фичу Tab с помощью RL

Для тех, кто не пользуется: Tab предсказывает, какое действие пользователь собирается сделать далее. Когда вы перемещаете курсор или начинаете писать какой-то код, Tab пытается понять, что вам нужно и, если она достаточно уверена в своем предсказании, то предлагает вам продолжение (чаще всего завершение кода).

Отличная фича, но часто предлагала шум. В общем, Cursor решили что-то с этим делать.

В других редакторах (например, в Copilot) подобную проблему пытались бороть обычными фильтрами: язык, были бы предыдущие предложения приняты или нет и тд.

Звучит в целом норм, но Cursor выбрали путь сложнее и интереснее, потому что они использовали RL с двумя сильными составляющими:

1. Сложная reward модель. Политика на каждом шаге предсказывает вероятности разных исходов + вероятность того, что предложение будет принято. Reward, исходя из этих вероятностей, поощряет принятые предложения и штрафует отклонённые. Например, если вероятность принятия ≥ 25%, accepted даёт +0.75, rejected — −0.25, если ничего не показывается – 0. Вот модель и решает, как ей лучше себя вести. Также в награде учитывается длина оффера, общее количество офферов и др.

2. On-policy data. То есть данные, на которых училась политика, собраны в реальной работе модели уже после её обновления. Получили новый чекпоинт -> задеплоили -> собрали данные (это занимает пару часов) -> учим дальше. Это чтобы не было distribution shift и градиент обновлялся правильно. Реализовать такое, конечно, мега запара.

Итог: в новой версии на 21% меньше предложений, но на 28% выше доля принятия.

Мало того, что это огромный скачок метрики, это еще и качественно другой результат: тут accept rate растет не за счет костыльной фильтрации шумных предсказаний, а за счет того, что сама модель стала более прагматичной и предлагает меньше ерунды.

Good job

cursor.com/blog/tab-rl

#unrealneural
Китай представил первую в мире модель искусственного интеллекта, подобную мозгу, SpikingBrain1.0

До 100 раз быстрее, при этом обучение проводится на менее чем 2% обычно необходимых данных.

Разработанный для имитации работы человеческого мозга, он потребляет гораздо меньше энергии. Новая парадигма эффективности и аппаратной независимости.

Ознаменовывает значительный отход от текущих архитектур ИИ

В отличие от таких моделей, как GPT и LLaMA, которые используют механизмы внимания для параллельной обработки всех входных данных, SpikingBrain1.0 использует локализованное внимание, концентрируясь только на наиболее релевантном недавнем контексте.

Возможные области применения:

- Среды реального времени с низким энергопотреблением
- Автономные дроны и периферийные вычисления
- Носимые устройства, требующие эффективной обработки
- Сценарии, в которых потребление энергии имеет решающее значение

Этот проект является частью более масштабного научного исследования в области нейроморфных вычислений, целью которого является воспроизведение удивительной эффективности человеческого мозга, потребляющего всего около 20 Вт мощности.

https://arxiv.org/abs/2509.05276

#unrealneural

Tencent представила SRPO — метод прямого согласования траекторий диффузии с человеческим текстом. Модель FLUX1dev прошла тонкую настройку с оптимизированным шумоподавлением и онлайн-регулировкой вознаграждения, что повысило реалистичность и эстетическое качество более чем в 3 раза по оценкам пользователей.

https://huggingface.co/spaces/akhaliq/SRPO

Neuralink 2025 презентация Илона Маска
Он показал, как имплант сможет вернуть зрение слепым, восстановить речь, передавать мысли напрямую (телепатия), давать «сверхзрение», подключать новые органы чувств и даже расширять мозг за пределы человеческих возможностей...

В этой презентации - демонстрация участников эксперимента, подробности работы чипа, реальные примеры и то, как технологии изменят жизнь в ближайшие годы.

📺 Полный перевод и разбор презентации Neuralink 2025 на YouTube

#unrealneural
SpatialVID: новый огромный набор видеоданных для трехмерного пространственного анализа

Он имеет решающее значение для обучения моделей нового поколения и содержит более 7000 часов разнообразного видеоматериала, снятого в естественных условиях, с подробными аннотациями, такими как позы камеры, карты глубины и динамические маски.
https://huggingface.co/datasets/SpatialVID/SpatialVID-HQ

#unrealneural
Nanobrowser

Расширение Chrome с открытым исходным кодом для веб-автоматизации на базе искусственного интеллекта.

Запускает многоагентные рабочие процессы с использованием вашего собственного ключа LLM API. Альтернатива OpenAI Operator.

Гибкие варианты LLM — подключение к выбранным источникам LLM и выбор разных моделей для разных агентов.

github.com/nanobrowser/nanobrowser