User
Некоторые изменения в законодательстве и инцидент с Алексеем Вишней заставили многих пользователей соц.сетей тщательно почистить свои странички от старых публикаций. Но удаляются ли на самом деле крамольные высказывания с серверов или хранятся вечно и при запросе заинтересованных людей могут быть приобщены к делу?
Всем привет! Наша команда в Sber AI занимается генеративными моделями и сегодня мы расскажем про очень важный этап разработки моделей для генерации фотореалистичных изображений и видео — процесс сбора и фильтрации данных. Про этот этап очень редко подробно рассказывают разработчики и исследователи таких известных генеративных моделей как DALL-E 3, Stable Diffusion, MidJourney или SORA. Генеративные модели уже многих впечатлили своими возможностями создавать максимально реалистичные изображения и видеоролики, а качественные данные — далеко не последняя причина, по которой такого качества генераций удалось достичь.
На прошедшей неделе вышло сразу несколько новых Open Source LLM. Разбираемся, что в них особенного, а также как и зачем их запускать локально.
Привет, чемпионы!
Часто ли вы обращаетесь к Midjourney или Stable Diffusion, чтобы нарисовать фантастический арт? Я да - нравится позалипать пару минут на фантастический арт. Давайте сегодня учиться генерировать подобные пикчи за пару кликов:
ПЛИС-культ привет, FPGA хабрунити.
На днях состоялся анонс уже второго номера народного FPGA журнала FPGA-Systems Magazine :: № BETA (state_1). В нем 200+ страниц и 20+ статей и небольших заметок по направлениям FPGA / RTL / Verification (ПЛИС сегодня это не только про знание HDL и Vivado c Quartus'ом). Журнал бесплатный и распространяется в виде pdf-ки.
Стеллажные системы позволяют круглый год выращивать свежую зелень и цветы. Здесь вполне можно обойтись без полноценной автоматизации, используя реле времени.
Но как быть, если у тебя 480 ярусов и несколько десятков культур салатов, микрозелени и съедобных цветов? И для каждой нужно создать свои оптимальные условия?
Мы посетили как раз такую стеллажную систему Greenery.City в Гатчине и поделимся опытом автоматизации из первых рук. Интересно? Ныряйте под кат.
В ноябре прошлого года наша команда представила свою первую разработку в области генерации видео по тексту – модель Kandinsky Video, основанную на модели генерации изображений Kandinsky 3.0, по которой мы недавно выпустили обновление – версию 3.1 (о чем можно почитать здесь). Первая видеомодель уже обладала весьма достойным качеством, сравнимым с лучшими мировыми решениями на тот момент. Нам удалось прокачать скорость генерации и моделирование динамики, но главное – мы вступили в новую для себя область генеративного искусственного интеллекта и быстро достигли в ней заметных результатов. Тогда, полгода назад, о подобных моделях знали в основном лишь те, кто так или иначе интересуется областью генеративного искусственного интеллекта. Сегодня же ситуация изменилась – благодаря значительному росту качества генерации видео за последний период, о существовании подобных моделей не слышал только ленивый. Разумеется, такой вход новых технологий в нашу жизнь стал возможным именно благодаря тем исследованиям, которые сообщество проводило за последние полтора года и в которые исследователи из нашей команды включились практически сразу.
Сегодня мы представляем следующую версию нашей модели генерации видео по тексту – Kandinsky Video 1.1. Мы учли последние тенденции в области разработок видеомоделей и сделали нашу технологию еще более впечатляющей, проведя собственные исследования в области архитектур, обработки данных и замере показателей качества, которые мы опишем ниже.
Всем привет!
На волне популярности различных нейросетевых моделей, позволяющих генерировать связный текст, отвечающих на вопросы и позволяющих вести беседы, хотелось бы рассмотреть вопрос о том, а что вообще происходит внутри таких сетей.
Например, мы хотим научить нейронную сеть отличать кошек от собак или может яблоко от апельсина. Тогда мы просто говорим ей, что есть что, и на основе представленных данных, такая нейронная сеть особенным образом находит закономерности и строит самое обычное уравнение, которое в зависимости от подаваемого ей набора данных, пытается классифицировать изображение. Если мы хотим научить сеть предсказывать какие-то значения (погода, курс валют, отток клиентов банка), то мы понимаем, что ей надо предоставить выборку прошлых лет на основе которой она сможет найти закономерности, также сформировать уравнение и спрогнозировать результат.
С генерацией текста фактически тоже самое. Только здесь нейронная сеть учиться предсказывать всего лишь одно слово на основе представленного ей текста.
Ведь вы так стараетесь, рассказываете только полезную инфу, заплатили за монтаж с всякими переходиками, мемами, а счетчик просмотров все равно двузначный? Как вообще работают эти алгоритмы?
|Если вам лень читать, в этом видео пересказал всю статью!|
Начнем с того, что ютуб вообще никому не дает просмотры. Ютубу абсолютно фиолетово, мистер Бист вы, или школьник, у которого 2 подписчика, мама и собака. Ютуб дает показы ВСЕМ.
Да, вы не ослышались, дает всем показы их видео и вот как он это делает.
В наши дни термин «Мультивселенная» можно услышать всё чаще и чаще. К сожалению, большинство людей узнают о нём из кино, которое играет важную роль в популяризации этой идеи, но вместе с тем и дискредитирует её. Проблема в том, что в кино, как правило, альтернативные варианты развития событий и параллельные реальности пересекаются, что противоречит самой идее Мультивёрса, по крайней мере с точки зрения физика. Если между параллельными вселенными есть причинная связь, то они по определению являются одной вселенной. Также создаётся путаница между воображаемыми мирами с другими законами физики, космологической Мультивселенной и параллельными мирами Эверетта. Ну а для эзотериков идея Мультивёрса становится универсальным способом обоснования магии и паранормальных явлений. Например, в «Трансёрфинге» Вадима Зеланда Мультивселенная преподносится как некое «пространство вариантов» с альтернативными «линиями жизни», которые можно выбирать силой мысли. Что же, пора разобраться, насколько все эти представления соответствуют научной теории Мультивёрса.
Эта статья будет короткая, но по делу. Есть множество разных способов разрешения спора внутри команды. Кому-то подойдут одни методы, кому-то - совершенно другие. Я хочу рассказать про метод, который мне больше всего понравился.
Представим такую ситуацию. Вы - геймдизайнер. К вам приходит программист, дизайнер, неважно, член вашей команды. И начинает предлагать что-то изменить в проекте. Например, дизайнер хочет, чтобы у дракона было не одна голова, а три. У вас начинается дискуссия, которая переходит в спор. Не будем углубляться в подробности, почему это может произойти и к чему это может привести. Что случилось - того не изменить. Вы говорите, как самый лучший геймдизайнер: "Хорошо, поступим таким образом". И начинаете рисовать таблицу, как на рисунке 1.
В данном посте я расскажу о том, как запускать модели StableDiffusion, в том числе тысячи их производных на видеокарте Nvidia с помощью Docker.
Многие люди просто играют в игру почти не уделяя времени оптимизации своей стратегии, мы не будем повторять их ошибок! Прежде чем начинать играть мы приложим все усилия чтобы найти наиболее оптимальную стратегию развития виртуального государства. Основой всего в этом вопросе является, конечно, экономика, на неё мы и обратим внимание в первую очередь.
Важно осознать что оптимизация это дело серьезное и ответственное, мы никак не можем полагаться на чей либо опыт или мнение. Нам необходимо провести собственные исследования! Краеугольным камнем в этом вопросе является проверяемость результата оптимизации.
Верный путь ясен как день, это путь обратной разработки!
Всем привет! С вами Ш. Сергей и я продолжаю разрабатывать видеоадаптер. В прошлой статье я рассказывал о возможности создания одного из простейших видеоадаптеров.
В этой статье будет задета возможность вывода символов на наш виртуальный монитор.
Использовать будем Logisim Evolution 3.8.0.
Как-то раз Бобу поручили построчно обработать текстовый файл. Боб решил решить эту задачу на C++, так как известно, что мало найдётся языков, которые могли бы потягаться с C++ в скорости. Поскольку C++ для Боба — дело новое, неосвоенное, он решил погуглить спросить ChatGPT, какой способ построчного считывания файла на C++. Для этого потребовалось немного затравочного кода, зато не пришлось пролистывать бесконечные страницы документации по стандартной библиотеке C++.
Боб — джун с большими амбициями. Он всерьёз относится к своему ремеслу и репутации, поэтому ему важно убедиться, что код у него получается аппетитным — быстрым, элегантным и лучшим в своём роде.
💡
После этого Боб выложил окончательную версию кода на GitHub в файле TextFileReader.h, и вы смело можете использовать его в ваших проектах.
