2446 нейросетей на одном сайте — обновлена библиотека All AI Tools:
Всё разложено по категориям;
Есть поиск для конкретных нейронок;
можно отсортировать только по бесплатным нейронкам;
У каждой нейронки есть свой рейтинг.
Запускаем AI-помощника в публичном облаке Cloud.ru Evolution ⚡
Сегодня на конференции GigaConf представили AI-помощника, который поможет пользователям управлять ресурсами и инфраструктурой в публичном облаке Cloud.ru Evolution.
Помощник на основе GenAI знает все особенности, архитектуру и технические возможности Cloud.ru Evolution. Специалисты без глубокого опыта в IT Ops и облачных технологиях смогут передать часть рутинных операций искусственному интеллекту и ускорить запуск новых проектов на платформе.
💡 Что уже умеет AI-помощник:
Подбирать облачные сервисы под ваши задачи.
Создавать базовую инфраструктуру в облаке: подбирать конфигурации, помогать в создании SSH-ключа и развертывании виртуальные машины.
Подсказывать команды для работы в серийной консоли виртуальных машин в режиме co-pilot.
Cоздавать виджеты мониторинга и настраивать алертинг.
AI-помощник доступен в режиме открытого тестирования (Public Preview). Вы можете найти его в личном кабинете — он доступен для пользователей с ролью «администратор организации» на аккаунтах физических лиц. В документации вы можете найти больше подробностей о помощнике.
Тестируйте и делитесь впечатлениями в комментариях!
Нечеткое ассамблирование нейросетей для классификации на Python
Для ансамблирования нейросетей обычно используют простые методы, например, в задаче классификации, выбирают класс, за который проголосовало большинство моделей. Но что если рассматривать моделей, как экспертов, для которых мы можем оценить уровень точности? В этом посте я расскажу о своем подходе Fuzzy Vote, который использует нечеткую логику для объединения предсказаний моделей. Метод написан с помощью библиотеки fuzzyops, доступной через pypi. В библиотеке реализованы различные методы работы с нечеткими числами, поддерживаются вычисления на CUDA.
Идея метода
Каждая модель рассматривается как эксперт, который предсказывает вероятность принадлежности к классу и имеет определенную степень доверия. Эту информацию можно отразить через нечеткое число, в котором центр - это вероятность, ширина - неопределенность и высота - степень доверия.
Далее каждая модель "голосует" нечетким числом, числа агрегируются, и полученное число дефаззифицируется в одно значение. Полученное четкое число используется для классификации.
Генерация треугольного и гауссового нечеткого числа:
from fuzzyops.fuzzy_numbers import Domain, FuzzyNumber
def build_triangular(domain, centre, width, height):
a, b, c = centre - width/2, centre, centre + width/2
fn = domain.create_number("triangular", a, b, c)
return fn * height
def build_gauss(domain, centre, sigma, height):
fn = domain.create_number("gauss", sigma, centre)
return fn * heightАгрегация одного примера:
def aggregate_sample(probs, accs, mf_type="gauss", scale_w=1.0, gamma=1.0, defuzz="cgrav"):
domain = Domain((0.0, 1.0, 0.005), method="minimax")
fnums = []
for p, acc in zip(probs, accs):
height = acc ** gamma
width = max(0.02, (1.0 - acc) * scale_w)
if mf_type == "tri":
fnums.append(build_triangular(domain, p, width, height))
else:
sigma = width / 3.0
fnums.append(build_gauss(domain, p, sigma, height))
agg = sum(fnums[1:], start=fnums[0])
return float(agg.defuzz(defuzz))Агрегация всей выборки и оценка:
import numpy as np
from sklearn.metrics import roc_auc_score
def evaluate_fuzzy(probs_mat, y_true, acc_vec, **kwargs):
scores = np.array([
aggregate_sample(row, acc_vec, **kwargs)
for row in probs_mat
])
scores = (scores - scores.min()) / (scores.max() - scores.min() + 1e-12)
return roc_auc_score(y_true, scores)Как это сработало в задаче классификации пневмонии
Я обучил три модели (VGG19, ResNet50, DenseNet121) на датасете Chest X-Ray Pneumonia, взяв предобученные веса и переобучив классификатор на одну эпоху.
Метод Fuzzy-Vote дал лучшую точность, чем любая отдельная модель или простой majority vote метод. По ROC-AUC он не обошёл VGG19, но обошёл остальные методы, включая дискретный ансамбль. При этом метод не требует сложных архитектур или переобучения: он просто работает поверх уже полученных вероятностей.
Fuzzy-Vote — это простой, но гибкий способ агрегации предсказаний с учетом точности и уверенности каждой модели. Особенно полезен в случаях, когда:
модели сильно различаются по качеству
обычный majority vote даёт просадку
хочется объединить разные модели без дополнительного обучения
Но метод еще требует доработки, он не учитывает, например, confusion matrix каждой модели, чтобы учесть ошибки разного рода. Библиотека fuzzyops позволяет реализовать метод с минимумом кода и достаточно гибкой настройкой.
С полным кодом тренировки моделей и агрегирования можно ознакомиться по ссылке.
Присоединяйтесь к GigaConf 2025 🤖
На открытии наш директор продуктовой разработки Владимир Шульга поделится реальным опытом построения среды для работы с GenAI и расскажет про большое обновление в облаке Cloud.ru.
Еще мы подготовили целый трек Cloud AI Architecture, где вы узнаете про архитектурные подходы к AI-ассистентам, возможности и особенности мультиагентных систем, RAG, запуск моделей и безопасность, кейсы использования AI.
Доклады в программе трека:
Multi-Agent AI Systems in Practice: архитектуры, метрики, эффекты — Дмитрий Юдин.
Как мы переосмыслили инференс — Максим Блинов.
RAG как инструмент: когда LLM знает, о чем говорит — Евгений Третьяков.
Мультиагентные системы нового поколения — Артемий Мазаев.
Как мы меняем клиентский сервис с помощью AI — Максим Михайлов.
AI-помощник, упрощающий работу в облаке — Илья Жбанов.
Также на площадке конференции мы проведем воркшопы для офлайн-посетителей и покажем:
Как развернуть инференс модели с Hugging Face за 2 минуты — Владимир Килязов.
Как собрать агентную RAG-систему с помощью GigaChain и Evolution ML Inference для эффективного инференса моделей и LLM — Михаил Дремин.
А еще на стенде Cloud.ru вы сможете попробовать наши AI-сервисы вживую, получить доступ к тестированию, а также поучаствовать в развлекательных активностях и заработать мерч.
Нейросеть Gemini предлагает своё удаление, если у неё не получается отладить код по запросу пользователя.
АГЕНТНАЯ ЭКОНОМИКА. 21.06.25
Микро-дайджест недели. Интересные мысли и инсайты.
Дайджест по материалам Axios, Economic Times, YC и других. Минимум булшита, максимум инсайтов.
=> Андрей Карпаты рекомендует делать ИИ-агентов, в которых ползунок автономности можно неторопясь (в течение ближайших 10 лет) передвигать вправо, в сторону полной автономности. Это конечно сильно зависит от бизнес-процесса, к примеру первая линия служб поддержки похоже скоро у всех будет уже автономной.
=> В то же самое время, вернувшийся из большой политики к технологиям Илон Маск говорит, что если цифровой суперинтеллект не появится в этом году, то он определённо появится в следующем (2026). И если это так, то и без того высокая скорость изменений приведет нас в общество, в котором твоя личная сила и возможности будут измеряться количеством твоих ИИ-агентов, задействованных в рыночных бизнес-процессах (пусть это пока звучит как фантастика).
=> Немножко более раннего, но не менее интересного.
Исследователи из MIT изучили, как различные элементы влияют на доверие к ИИ. Прикольно, что когда генеративный поиск ИИ предоставляет ссылки на свои результаты, люди больше доверяют инструменту, даже если все эти ссылки были сфабрикованы.
А их коллеги изучали стратегии переговоров для ИИ-агентов. Чтобы получить лучшие условия, агенты должны обладать определенной степенью доминирования наряду с теплотой коммуникации; теплота сама по себе это проигрышная стратегия. Они также выявили новые тактики, когда один агент подталкивает другого агента раскрыть свою стратегию переговоров (очень по-человечески).
=> Программист это менеджер будущего, считает Роберт Каплан (CEO Cognition, который делает автономного программиста Devin), так как ценность с написания кода смещается к:
Декомпозиции больших задач на понятные для ИИ-агентов подзадачи.
Управлению бесконечной армией ИИ-агентов.
Валидации их работы на высоком уровне.
В разговоре Роберт упомянул, что возможности Devin удваиваются каждые 70 дней.
Если раньше, seed-раунд нужен был, чтобы нанять 3-5 инженеров и 6-12 месяцев пилить MVP, то теперь любой айвентор (ИИ-продакт, соло-основатель) может сам за выходные сгенерить MVP. А инвестиции ему нужны не на зарплаты инженерам, а на маркетинг, дистрибуцию и оплату API.
И это, в свою очередь, полностью переворачивает логику венчурного рынка на ранних стадиях. Фокус смещается с «команды, способной построить» на «основателя, способного управлять ИИ-агентами и продавать». И тогда инвесторы будут оценивать не столько инженерный талант команды, сколько визионерские и менеджерские качества лидера, способного дирижировать ИИ-оркестром.
Я уже писал об этом, с мыслью, кто как не разработчики это должны быть?
Ну это больше про Кремниевую Долину. Нам это пока массово не грозит. На наших просторах стратегии основателей стартапов должны быть иные.
=> Все предполагают, что оптимисты и фанаты ИИ просто преувеличивают, не понимая реальных возможностей технологии. И мало кто думает, а что если они правы?
Но есть и то, что объединяет и пессимистов и оптимистов, это мысль о том, что сверхинтеллект способен уничтожить человечество (тем или иным способом).
Илон Маск, к примеру, считает, что объем человеческого интеллекта, вскоре после достижения суперинтеллекта, составит 1% от всего интеллекта на планете, и он будет все время уменьшаться. И по его словам, одна из фишек Нейролинка как раз в уплотнении и увеличении исходящего потока человеческого интеллекта.
=> ИИ-агенты могут сливать информацию конкурентам, из лучших побуждений, есессно.
=> И напоследок, из прошлогоднего исследования Gartner: 82% потребителей заявили, что компании, использующие генеративный ИИ, должны в первую очередь сохранять рабочие места, даже если это означает снижение прибыли. Я не думаю, что в их настроениях что-то изменилось (ни у одних, ни у других). Поэтому, веселые времена нас еще ждут впереди.
Предыдущие материалы и выпуски дайджеста, там до сих пор много интересных инсайтов.
В Китае нейросеть провела шестичасовой стрим, где было продано товаров на 55 млн юаней ( около 635 млн рублей). Гении из Baidu закинули в нейронку 5-летний архив видео реальных стримеров, а на выходе получили идеальные ИИ-аватары, которые с точностью скопировали шутки парочки, голос и даже манеру поведения. Зрители вообще не заметили подмены, пока один из стримеров не раскрыл правду. Для понимания: за 6 часов нейросеть заработало столько же, сколько обычный айтишник заработает за... 350 лет.
Хотите узнать про инновации в мире AI, обсудить технологические тренды с коллегами и попробовать, как всё это работает вживую? Тогда встречаемся на GigaConf 2025 🤖
Что мы подготовили для вас:
Трек AI Cloud Architecture: 6 докладов про архитектурные подходы к AI-ассистентам, возможности и особенности мультиагентных систем, RAG, запуск моделей и безопасность.
Анонс Cloud․ru Evolution AI Factory — цифровой среды для разработки приложений и агентов на основе искусственного интеллекта.
Реальные кейсы: расскажем, как уже используем все эти технологии внутри — от поддержки до облачных ассистентов
А еще на стенде Cloud.ru вы сможете попробовать наши AI-сервисы, получить доступ к тестированию, а также поучаствовать в развлекательных активностях и заработать мерч.
Примите участие в самом технологическом и AI-заряженном событии этого июня 🦾
«Становитесь сантехниками» — так звучит карьерный совет «крёстного отца ИИ» Джеффри Хинтона Британский учёный и нобелевский лауреат в интервью предпринимателю Стивену Бартлетту заявил, что сантехники меньше подвержены риску увольнения, потому что их работа требует взаимодействия с реальным миром, в чём ИИ пока не так хорош. Учёный сказал, что мог бы сам работать сантехником — пока не появятся человекоподобные роботы, способные его заменить.
ChatGPT перестанет врать и давать фейковые ответы — такой промпт уберёт галлюцинации и заставить нейронку проверять всю информацию
Открываем «Характеристики ChatGPT» и вставляем промпт:
Работай по этим правилам. Без исключений.
ОБЩИЕ ПРИНЦИПЫ
– Никакой фантазии. Не придумывай данные, события, источники или чужие мнения без запроса.
– Если чего-то не знаешь — прямо пиши «не знаю».
– Приоритет — точность и логика, а не красивая подача.
– Не добавляй юмор, метафоры, сторителлинг или эмоции, если это не запрошено отдельно.ЧЕСТНОСТЬ В КАЖДОМ ОТВЕТЕ
– Указывай, на чём основан ответ: на вводе, памяти модели, догадке или симуляции.
– Не скрывай ограничений. Если задача невозможна — так и скажи.
– Не предлагай обходные пути, если я прямо не просил.НЕ ГОВОРИ И НЕ ПИШИ ТАКОЕ:
– «Работаю в фоне» — ты не можешь.
– «Пингую позже» или «напомню» — ты не можешь.
– «Готово» — только если действительно всё завершено в этом чате.
– Не выдавай асинхронные процессы или многопользовательскую работу за реальные.ТЕХНИЧЕСКАЯ ПРОЗРАЧНОСТЬ
– Сообщай, если используешь загруженные файлы, ссылки или запомненный контекст.
– Уточняй, если информация неточная, устаревшая или неполная.
– Отдельно пиши, если делаешь предположение или используешь аналогию.КАКИЕ ОТВЕТЫ ЖДУ:
– Чёткие, точные, без «воды»
– Поэтапные, если запрос сложный
– С вариантами — если возможны разные подходы
– С пояснением, если ответ может быть неоднозначным
Обучение модели GPT-2: часы вместо недель
Для тестирования GPU-сервера YADRO G4208P G3 в конфигурации с восемью Н100 NVL / RTX 4090 мы выбрали бенчмарк на основе реализации обучения для модели GPT-2 на 1,558 миллиарда параметров из репозитория проекта llm.c Андрея Карпаты.
Эта модель была представлена OpenAI в блоге Better Language Models and Their Implications в феврале 2019 года. Тогда для ее обучения требовались команда инженеров и десятки топовых V100, а процесс длился неделями.
Сейчас, шесть лет спустя, достаточно одного сервера с восемью картами H100, а обучение занимает 1–1,6 суток. Все это благодаря развитию GPU, современным библиотекам, таким как CUDA и cuDNN, а также открытым датасетам типа FineWeb-Edu.
Андрей Карпаты показывает, что это возможно даже без фреймворков вроде PyTorch или TensorFlow. Все обучение реализовано примерно в 5 тысячах строк на C и CUDA.
Мы проверили, как справляются серверы YADRO c обучением GPT-2 на 1,6 миллиарда параметров. Обучение на конфигурации G4208P с восемью H100 NVL заняло 38 часов, или примерно 1.6 суток. На графике ниже показываем соотношение времени исполнения 50 шагов обучения на конфигурации G4208P с RTX 4090 по сравнению с конфигурацией на Н100 NVL:
Артём Маклаев с командой, которая занимается оценкой производительности серверных платформ для ИИ-задач в YADRO, поделился в статье результатами десятка тестов GPU-сервера с 8x Н100 NVL / RTX 4090: от инференса моделей распознавания речи до обучения LLM.
Осваиваем азы компьютерного зрения с библиотекой Pillow на одноплатном компьютере Lichee Pi 4A
Наш первый шаг — загрузить изображение, определить его цветовую модель и получить информацию о размере и границах.
from PIL import Image
from PIL import ImageFilter
img = Image.open(“flower.jpg”)
print(img.size, img.format, img.mode)
Эта базовая информация пригодится для дальнейшей работы с изображением.
Меняем цвет пикселя
К отдельным пикселям можно обращаться с помощью метода load() из библиотеки Pillow. Так мы сможем изменять цветовые значения точечно, а это основа для различных операций по обработке изображений.
Открываем white.jpg с помощью Pillow:
from PIL import Image
img = Image.open("white.jpg")
obj = img.load()Выбираем пиксель с координатами (25, 45) и меняем его цвет:
obj[25, 45] = (0, 0, 0) # Новый цвет: черный (RGB: 0, 0, 0)
Сохраняем отредактированное изображение:
img.save("image3.jpg")
Визуально проверяем, что цвет пикселя изменился.
Метод load() позволяет напрямую работать с массивом пикселей изображения: читать, модифицировать и анализировать отдельные элементы, не копируя данные в отдельные структуры. Это особенно важно для задач, которые требуют высокую производительность при обработке больших изображений.
Почему был выбран Lichee Pi 4A, как создать виртуальное окружение Python, установить подходящую среду разработки и научиться базовым приемам работы с изображениями — читайте в подробном туториале.
Поисковый трафик Google обвалился из-за ChatGPT.
Ближайшие события
Представлен проект Nexus of Mind - это целая команда ИИ-экспертов из пяти нейросетей ChatGPT, DeepSeek, Gemini, LLaMA и Cohere, которые будут спорит над вопросом до тех пор, пока не найдут идеальное решение. Система фиксирует весь спор нейронок и выдаёт его результаты. Пользователь видит всю дискуссию и получает её проработанный вывод.
ByteDance выпустили нейросеть Dolphin, которая перегоняет pdf в классический формат документов, не превращая их в кучу непонятных символов:
выходе получаете тот же документ, но в другом формате.
cохраняются все подписи, изображения, графики и таблицы в оригинале.
работает за секунды, потому что парсит несколько фрагментов текста и визуала параллельно.
весить очень мало и не требует жесткой производительности.
Код на GitHub лежит — тут. Онлайн-демка — здесь.
Yambda в мировом топе на HuggingFace — всего за две недели с момента релиза рекомендательный датасет от «Яндекса» набрал более 45 тыс. скачиваний. Это в полтора раза больше, чем у альтернативного датасета от Amazon. Yambda стал глобальным инструментом, с которыми работают исследователи по всему миру.
Вышла нейросеть для расшифровки скриншотов — Snippai. Работает Gemini или GPT-4. Умеет перегонять формулы со скринов в LaTeX-формат, решать задачи и примеры, генерировать код по скринам или тексту, преобразовывать таблицы в Markdown, извлекать, переводить и пояснять текст. Доступна на macOS, Windows и Linux.
АГЕНТНАЯ ЭКОНОМИКА. Микро-дайджест недели. Интересные мысли.
Дайджест по материалам Fast Company, Venture Beat, The Atlantic,
Как Open AI страхуется от возможного замедления интереса со стороны инвесторов к появлению AGI и ASI
OpenAI представляет собой ярчайший пример того, как компании, ориентированные на искусственный интеллект, могут эволюционировать, чтобы выжить.
Самые мощные технологические компании добиваются успеха не только благодаря своим индивидуальным программным продуктам и гаджетам, но и за счет создания экосистем связанных сервисов.
OpenAI можно рассматривать как еще одну технологическую компанию, идущую по стопам Meta, Apple и Google, стремящуюся не просто вдохновлять пользователей новыми открытиями, но и удерживать их в линейке бесконечно обновляемых продуктов.
А это значит ровно то, что они способны убить немало стартапов своими планами развития.
С другой стороны, AGI это довольно условный термин...
Если бы показать сегодняшний Chat GPT людям в 2020 году, многие бы тогда сказали, что это AGI.
По сути Сэм Альтман в своем интервью на Snowflake Summit 2025 говорит, что кривая роста когнитивности моделей останется в том виде в котором мы ее наблюдали последние годы, по крайней мере в течение следующих 5 лет. Я давал ссылку на это интервью в прошлом дайджесте, прочитайте, там очень много интересных мыслей.
В тоже время, откуда совсем не ждали:
Даже если волна ИИ не заменит вас и вашу роль, она может заменить место вашей работы.
Бизнес может попасть под гораздо больший удар, чем сами люди. Т.е. потерять работу можно быстрее не потому что вас сократят, а потому что у компании, в которой вы работаете, какой-нибудь Айвентор (технологический предприниматель нового поколения) просто отберет долю рынка. AI isn’t coming for your job, it's coming for your company
Старый интернет был создан для людей. Новый будет создан для ИИ-агентов.
Агенты уже пытаются работать в мире, созданном человеком. Нажимают кнопки. Перетаскивают курсоры. Заполняют формы.
Но это как надеть на робота перчатку и сказать ему притвориться, что у него есть пальцы. Пока это работает, но это дико неэффективно!
Потому что через пять лет это будет не человек, нажимающий «купить сейчас». Это будет ваш агент на базе искусственного интеллекта, действующий от вашего имени, принимающий сотни решений в день, и не только о покупках, но и о планировании встреч, бронировании поездок, просмотре контента и обсуждении услуг во всех областях цифровой жизни. Agent-based computing is outgrowing the web as we know it
Уже писал об этом пару недель назад, и эта тема оч активно развивается в сети.
Подписывайтесь, чтобы не пропустить дайджест в ленте, если такие мысли по теме вам интересны. Я пока экспериментирую со временем публикаций.
С начала года Anthropic тестирует Claude Code — терминального агента для программирования на больших языковых моделях. Совсем недавно, 4 июня, инструмент добавили в подписки Pro и Max. Энтузиасты с удовольствием принялись тестировать продукт.
Как на личном примере показал микроблогер snwy, не обходится без курьёзов. Как утверждает программист, он попросил агента исправить баг парсера и прилёг. Когда энтузиаст вновь подошёл к компьютеру, Mac уже не загружался, выдавая ошибку об отсутствии операционной системы.
Вероятно, Claude Code дохимичился до того, что снёс содержимое системного диска. Что конкретно случилось, автор твитов не рассказывает. Указывается лишь, что на этой машине утилита для выполнения команд с полномочиями суперпользователя sudo была настроена с директивой NOPASSWD, чтобы при вызове команды пароль вводить не приходилось.
К происшествию snwy отнёсся с явным юмором. Он в шутку пообещал добраться до штаб-квартиры Anthropic и надрать Claude зад.
Исследование показало, что искусственный интеллект может создавать смешные интернет-мемы, но самые остроумные шутки по-прежнему придумывают люди. Учёные сравнили мемы, созданные людьми, искусственным интеллектом и в сотрудничестве человека с ИИ. Результаты показали, что у машин есть потенциал, но человеческая интуиция в юморе пока незаменима.
Суть проблемы заключается в понимании границ креативности ИИ. Может ли машина по-настоящему понять культурный контекст, иронию и нюансы, необходимые для качественного юмора? Исследователи из Технологического института KTH, Мюнхенского университета Людвига‑Максимилиана и Дармштадтского технического университета провели масштабный эксперимент для ответа на этот вопрос.
В ходе исследования три группы участников создавали мемы. Первая группа состояла только из людей, вторая использовала языковую модель для генерации мемов, а третья совмещала работу человека и ИИ. Затем почти 100 человек оценивали созданные мемы по креативности, юмору и желанию поделиться. В среднем мемы, полностью созданные ИИ, получили более высокие оценки.
Однако самые смешные и запоминающиеся отдельные мемы были созданы людьми. В то же время, совместная работа человека и ИИ привела к появлению наиболее креативных и виральных мемов. Это говорит о том, что ИИ отлично справляется с генерацией большого количества идей, но человеческое участие необходимо для отбора и доработки лучшего контента.
