3D ML / World Models

https://x.com/rsasaki0109/status/2067804567660884432?s=46

https://developer.nvidia.com/blog/pretrained-to-imagine-fine-tuned-to-act-the-rise-of-world-action-models/?ncid=so-nvsh-295997-vt48&source=everyonesocial&network=linkedin&userID=ffaed652-bd64-4c1e-92a8-7a4927915622&es_id=ad341e32ec

https://open.substack.com/pub/jonathankarl1/p/world-models?utm_campaign=post&utm_medium=web

Хорошая визуализация других подходов к анализу WM https://x.com/furongh/status/2066203382117962182?s=46

https://x.com/drfeifei/status/2062247238143996275?s=46

https://x.com/venturetwins/status/2062288709786235269?s=46

https://x.com/a16z/status/2062266181890031815?s=46

https://www.linkedin.com/posts/debarghyadas_this-is-the-single-best-read-on-world-models-share-7460183179157544961-2Q-2?utm_source=social_share_send&utm_medium=ios_app&rcm=ACoAAAo229EBgUVwBUm62kNn262oyuBMAG5gFx0&utm_campaign=copy_link

https://x.com/junfanzhu98/status/2047030655440376214?s=46&t=IO_D6IRtK8iS_1pLCdDWnA

https://x.com/ivanlandabaso/status/2045779729920192659?s=46&t=IO_D6IRtK8iS_1pLCdDWnA

https://x.com/oyhsu/status/2044421868015534332?s=46&t=IO_D6IRtK8iS_1pLCdDWnA

Ян Лекун спокойно продолжает свой крестовый поход против LLM как магистрального направления развития ИИ и дороги к человекоподобному интеллекту. Пункты все те же, но в выступлении перед студентами он постарался сформулировать их четко и ясно, как положено в учебнике. 1. Языковые модели не являются будущим ИИ Они не смогут привести к человеческому уровню интеллекта, потому что они опираются только на текст и статистику языка, а не на реальное понимание мира. 2. Интеллект — это решение новых задач без дообучения Текущие модели этим свойством не обладают 3. Нужны модели мира на основе сенсорных данных Это системы, которые строят внутренние абстрактные модели мира исходя из сенсорных данных (зрение, звук, взаимодействие), а не только из текста; именно они смогут безопасно и осмысленно действовать в мире. 4. Разрыв между впечатляющими демками и полезной робототехникой велик Никакой автономный транспорт не способен обучиться вождению за 20 часов практики, которых хватает человеку чтобы получить права 5. Предстоит долгая дорога до ИИ человеческого уровня, но прямо сейчас есть огромный научный потенциал Оптимистом в отношении вклада ИИ в науку и ее ускорения можно быть уже сейчас Заметная часть этих утверждений противоречит уверенности, например, Альтмана, который все время повторяет, что путь к AGI уже понятен. Тем интересней следить за конкуренцией разных взглядов на прогресс (причем приверженцы обоих неплохо профинансированы). Да и сам Лекун сказал, что хорошие идеи “come from the interactions between people working on different assumptions with different motivations in different environments.” https://www.brown.edu/news/2026-04-01/yann-lecun-artificial-intelligence-pioneer и https://www.browndailyherald.com/article/2026/04/ai-pioneer-yann-lecun-discusses-new-frontiers-in-the-field-at-brown-lecture

Нашёл интересный проект - top3d.ai. Ребята сделали слепую арену для сравнения 3D AI генераторов. Работает просто: две модели рядом, названия скрыты, голосуешь за лучшую. Уже больше 100 000 голосов. Залип на лидерборде и вот что заметил: 🥵 Лидер рейтинга сменился буквально за 10 дней - вышла новая версия YVO3D и перетасовала всё 🥵 Open-source инструменты (Hunyuan, стабильно держатся в топе - платные не всегда выигрывают 🥵 Разница между топами - считанные очки ELO. Одно обновление и ситуация меняется 🥵 Самое интересное - некоторые генераторы делают отличную геометрию но слабые текстуры, и наоборот. Универсального лидера пока нет Ещё у них появились два новых режима: 🧩 Segmentation - сравнение качества разбивки моделей на части 🧊 Low Poly - отдельный рейтинг для low-poly ☺️ Плюс на страницах инструментов бывают промо-коды на скидки. В целом если работаете с 3D AI - полезная платформа чтобы понимать что сейчас реально работает, ещё и полностью бесплатно. ссылка #AI #3D #Blender #нейросети #benchmark

https://x.com/tom_doerr/status/2039818287664513103?s=46&t=IO_D6IRtK8iS_1pLCdDWnA

https://x.com/huggingpapers/status/2036175813255516217?s=46&t=IO_D6IRtK8iS_1pLCdDWnA

Лекун и ко предлагают архитектуру для автономного ИИ с тремя системами A, B, М. Why AI systems don't learn and what to do about it: Lessons on autonomous learning from cognitive science Emmanuel Dupoux, Yann LeCun, Jitendra Malik Статья: https://arxiv.org/abs/2603.15381 Ревью: https://arxiviq.substack.com/p/why-ai-systems-dont-learn-and-what # TL;DR ЧТО сделали: Авторы (среди которых Ян ЛеКун) предлагают масштабный концептуальный чертёж архитектуры для автономного обучения, отказываясь от статических пайплайнов. Они формализуют трёхкомпонентную систему, состоящую из Системы A (обучение через наблюдение), Системы B (обучение через действие) и жёстко закодированной Системы M (мета-контроллер). Весь комплекс оптимизируется через двухуровневый эволюционно-онтогенетический (Evo/Devo) фреймворк. ПОЧЕМУ это важно: Современные фундаментальные модели сталкиваются с убывающей отдачей от масштабирования текстовых данных и оказываются невероятно хрупкими при сдвиге домена в физическом мире. Создание агентов, способных к автономному непрерывному обучению, становится критической необходимостью. Этот фреймворк даёт теоретически обоснованную дорожную карту, как вырваться из жёстких рамок ручного MLOps и строить системы, адаптирующиеся без вмешательства человека. Для практиков: Работа смещает фокус с ручного курирования датасетов на дизайн богатых симуляционных сред для curriculum learning. Для реализации таких A-B-M архитектур потребуются сверхбыстрые алгоритмы внутреннего цикла (inner-loop learners) и новые безградиентные стратегии оптимизации для работы в процедурно генерируемых мирах. Делай А, делай Б, делай М здесь: https://t.me/gonzo_ML_podcasts/2909