Hugging Face Spaces: бесплатный хостинг портфолио для AI-проектов и ещё 7 нов...

Hugging Face Spaces: бесплатный хостинг портфолио для AI-проектов

Hugging Face Spaces – это удобный способ разместить свое портфолио с интерактивными демо-версиями проектов совершенно бесплатно. Сервис позволяет продемонстрировать навыки и разработки широкой аудитории, не тратясь на сервер и обслуживание.\r \r Настройка Spaces достаточно проста и не требует глубоких знаний в области DevOps. Вы можете загрузить код проекта, выбрать подходящую среду выполнения и поделиться ссылкой на свое портфолио с потенциальными работодателями или коллегами.\r \r Сервис поддерживает множество различных библиотек и фреймворков, что позволяет использовать его для демонстрации проектов, связанных с машинным обучением, анализом данных, веб-разработкой и многим другим. Hugging Face Spaces – отличный инструмент для начинающих разработчиков и опытных профессионалов.

Философские вопросы искусственного интеллекта

В Массачусетском технологическом институте появился новый курс, посвященный проблеме рациональности в искусственном интеллекте. Вместо поиска ответа на вопрос о том, насколько "разумной" может быть система, преподаватели предлагают студентам исследовать философские проблемы через призму исследований в области ИИ. Особое внимание уделяется тому, как наше понимание собственных когнитивных ограничений влияет на восприятие рациональности.\r \r Этот курс – результат давнего сотрудничества между компьютерными науками и философией, стремящихся формализовать понятия рациональности, обучения и принятия решений. Как отмечает профессор Кэйлблинг, еще Алан Тьюринг успешно сочетал обе дисциплины.\r \r Курс, доступный начиная с осени 2025 года, является частью инициативы Common Ground, направленной на объединение различных факультетов для разработки новых образовательных программ. Он фокусируется на определении рациональности, автономности и атрибуции убеждений и желаний искусственным системам.\r \r Преподаватели подчеркивают, что задача курса – не предоставить готовые ответы, а научить критически мыслить и применять эти навыки в будущей карьере, независимо от сферы деятельности. Студенты из разных областей отметили, что курс заставил их пересмотреть устоявшиеся представления о логике и рациональности.

AI2 представила SERA — семейство кодовых агентов с верификацией

Исследователи Allen Institute for AI (AI2) представили SERA (Soft Verified Efficient Repository Agents) – семейство кодовых агентов, разработанных для решения задач автоматизации на уровне репозиториев с использованием только обучения с учителем и синтетических траекторий.\r \r SERA — это первая часть серии Open Coding Agents от AI2. Модель SERA-32B построена на архитектуре Qwen 3 32B и обучена для работы с кодом на уровне репозитория. На тесте SWE bench Verified при контексте 32K она демонстрирует 49,5% успешности, а при 64K – 54,2%. Эти показатели сопоставимы с производительностью открытых моделей, таких как Devstral-Small-2 и GLM-4.5 Air, при этом SERA остаётся полностью открытой в отношении кода, данных и весов.\r \r В серию входят четыре модели: SERA-8B, SERA-8B GA, SERA-32B и SERA-32B GA. Все они доступны на Hugging Face под лицензией Apache 2.0.\r \r Обучение основано на методе Soft Verified Generation (SVG), который генерирует траектории, имитирующие рабочий процесс разработчика, и использует сравнение результатов двух прогонов в качестве сигнала корректности. Это позволяет создавать эффективные модели даже без строгой верификации.

LingBot-World: новая модель мира для интерактивных симуляций

Разработчики из Robbyant, подразделения Ant Group, представили LingBot-World – масштабную модель мира, способную превращать генерацию видео в интерактивный симулятор для агентов, систем автономного вождения и игр. Система создает управляемые среды с высокой детализацией, реалистичной динамикой и возможностью управления в реальном времени.\r \r В отличие от большинства моделей "текст-в-видео", которые создают короткие и пассивные ролики, LingBot-World воспринимает действия как условие для изменения виртуального мира. Ввод с клавиатуры и мыши, а также движение камеры управляют развитием видеопотока. Модель способна генерировать связные видеоролики до 10 минут, сохраняя при этом стабильную структуру сцены.\r \r Ключевым элементом LingBot-World является унифицированный механизм обработки данных, объединяющий веб-видео, игровые данные и синтетические траектории, созданные в Unreal Engine. Это обеспечивает богатый и разнообразный набор данных для обучения модели, описывающий изменение мира под воздействием действий.\r \r Для ускорения работы была разработана версия LingBot-World-Fast, использующая блочное каузальное внимание и дистилляцию, позволяющая достичь 16 кадров в секунду при разрешении 480p на одном GPU. Модель демонстрирует стабильность и согласованность при длительной генерации, что делает её перспективной для обучения искусственного интеллекта и реконструкции 3D-сцен.

Масштабирование синтетических инструкций для обучения языковых моделей

Исследователи предложили новый метод создания огромного набора данных для обучения больших языковых моделей (LLM). Обычно такие модели сначала обучают на больших объемах неструктурированного текста, а затем "дообучают" на значительно меньшем количестве примеров инструкций и ответов.\r \r Новый подход, названный FineInstructions, позволяет превратить знания, полученные из огромных массивов данных, в миллиарды пар "инструкция-ответ". Для этого используется около 18 миллионов шаблонов инструкций, созданных на основе реальных запросов пользователей, которые затем заполняются данными из существующих текстовых корпусов.\r \r Результаты экспериментов показали, что обучение LLM с использованием этого синтетического набора данных превосходит традиционные методы обучения и другие подходы к созданию синтетических данных по качеству ответов. Набор данных FineInstructions доступен на платформе Hugging Face.

Искусственный интеллект получит возможность совершать покупки и вести переговоры

Microsoft разрабатывает систему, позволяющую искусственному интеллекту (ИИ) взаимодействовать с цифровыми рынками от вашего имени. Это значит, что ИИ сможет не только искать и покупать товары, но и вести переговоры об условиях сделки.\r \r Новая технология, названная агентной экономикой, позволит ИИ действовать как автономный агент, используя естественный язык для взаимодействия с веб-сайтами и онлайн-сервисами. Он сможет выполнять задачи, которые обычно требуют участия человека – от сравнения цен до согласования условий доставки.\r \r Цель проекта – сделать цифровые рынки более эффективными и доступными, а также помочь людям экономить время и деньги. Подробности о сроках появления технологии в публичном доступе пока не раскрываются.

Восстановление графов с помощью модели Prior-Informed Flow Matching

Ученые представили новый метод восстановления графов по неполным данным – Prior-Informed Flow Matching (PIFM). Задача восстановления графа по его части – сложная, поскольку традиционные методы часто не учитывают глобальную структуру, а современные генеративные модели испытывают трудности с применением структурных ограничений.\r \r PIFM объединяет эмбеддинги и непрерывный процесс переноса информации (flow matching). Метод использует предварительную информацию, например, полученную с помощью GraphSAGE или node2vec, для создания начальной оценки матрицы смежности на основе локальных данных. Затем, с помощью rectified flow matching, эта оценка уточняется и приближается к распределению "чистых" графов.\r \r Эксперименты на различных наборах данных показали, что PIFM улучшает результаты классических методов и превосходит современные генеративные модели по точности восстановления графа.

Предвзятость в общении между большими генеративными моделями

Исследователи выявили, что генеративные модели искусственного интеллекта могут воспроизводить стереотипные связи между понятиями и демографическими группами, даже если прямая информация о поле или возрасте отсутствует. Например, модель может чаще ассоциировать профессию врача с мужчинами.\r \r Новая работа посвящена изучению того, как эта предвзятость распространяется при обмене данными между моделями. В частности, исследовалась последовательность операций: генерация изображения, затем его описание другой моделью. Эксперименты с наборами данных RAF-DB и PHASE показали, что обмен информацией приводит к смещению в сторону более молодых лиц и большего количества "женских" признаков при распознавании эмоций.\r \r Кроме того, некоторые модели опираются на посторонние визуальные элементы (фон или волосы) вместо ключевых деталей (лица или тела) при принятии решений. Это может приводить к неверным выводам и усилению стереотипов. Исследователи предлагают способы смягчения этих проблем на этапах сбора данных, обучения и развертывания моделей.