ainews
Создать
Войти
Исследователи создали LittleLearner — семейство моделей (0.6B-5B параметров), обученных исключительно на материалах до 5 класса. Эксперимент показал: ни масштабирование, ни дообучение, ни промпт-инжиниринг не помогли моделям выйти за рамки знаний из предобучения. Граница способностей жёстко задаётся тренировочными данными.
Hugging Face и EleutherAI протестировали 14 открытых OCR-моделей на 2000+ страниц исторических книг. Лучшие показали 97% точности за $2/1000 страниц — достаточно для обучения AI, но не для научной работы. Планируют переоцифровать 300 тыс. книг из Biodiversity Heritage Library, чтобы улучшить датасеты для открытых LLM.
Исследователи из Allen AI создали TutorMoments — фреймворк для оценки главной проблемы AI-репетиторов: они слишком много помогают вместо того, чтобы дать ученику думать самому. Тестирование на реальных сессиях показало, что современные LLM переоценивают поддержку и редко подталкивают к самостоятельному решению — даже когда это нужнее всего.
Немецкий стартап Microagi через проект Shift предлагает бесплатные услуги (повара, уборка) в обмен на запись процесса с первого лица — данные идут на обучение домашних роботов. Автор опробовал сервис: к нему пришёл повар в шлеме с камерой, приготовил три блюда и всё записал. Цель — собрать массив эгоцентрических видео для обучения гуманоидов бытовым задачам.
Независимый исследователь проверил ключевые AI-бенчмарки (GPQA, MMLU-Pro, MMMU-Pro) и нашёл до 12% сломанных вопросов с неправильными ответами или неоднозначной формулировкой. После очистки топовые модели достигли ~98% вместо застрявших 92-93%. Выпущены clean-версии датасетов с полным объяснением исправлений.
Xiaomi выпустила AI-модель Xiaomi-Robotics-1 для роботов, которая работает по принципу языковых моделей — чем больше данных, тем лучше результат. Главная фишка: вместо дорогого обучения физических роботов компания записывала данные портативными захватами в руках людей — собрали 100 000+ часов движений в реальных условиях. Тесты показали: рост объёма данных поднял успешность модели с 25% до 75%, тогда как увеличение размера модели дало намного меньший эффект.
Энтузиаст собрал утилиту для автоматического извлечения четких кадров из низкокачественного видео (например, фильмов 1980-х) и их восстановления через темпоральную суперразрешение с использованием SeedVR. Инструмент находит сцены, выбирает лучшие кадры и улучшает их для создания датасета под обучение LoRA персонажа.
Разработчик PixlStash добавил в свою open-source систему управления изображениями функцию умной проверки тегов. Вместо ручного просмотра картинок подряд, система ранжирует теги по степени неуверенности автотеггера и предлагает исправить сначала самые проблемные — это ускоряет подготовку датасетов для обучения LoRA и других моделей.
Пользователь Reddit предложил собирать данные о том, как люди взаимодействуют со случайностью — например, как выбирают «случайные» числа в лотереях, меняется ли их уверенность и поведение со временем. Цель не в предсказании выигрыша, а в изучении когнитивных паттернов и поведенческих артефактов для ML-исследований.
