пришло вот такое сообщение:

14 июля робот успешно проехал по второй линии метро Шэньчжэня, самостоятельно загрузившись в поезд и доставив товары в магазины 7-Eleven, расположенные на станциях метро, без участия человека.

Используя системы планирования на базе искусственного интеллекта и многосенсорную навигацию, роботы могут планировать оптимальные маршруты доставки, избегать пешеходов и самостоятельно управлять посадкой в поезда и навигацией по станциям.

«Раньше магазины на станциях метро в основном полагались на наземный транспорт для пополнения запасов, часто сталкиваясь с такими проблемами, как пробки в часы пик и трудности с парковкой», — сказал Ли Яньнянь, управляющий магазином 7-Eleven на станции Ванься. «Если бы удалось полностью внедрить роботизированную доставку, это значительно помогло бы сократить расходы на доставку и потери времени».

ждем такое же у нас

@valuableai

Андрей Карпаты выдал базу про промт-инженеров, которые теперь не промт, а вовсе даже контекст-инженеры (первая картинка); мое мнение, что перепридумывать название совершенно не обязательно: в конце концов бухгалтера нынче спокойно используют компьютеры вместо счетов, и ничего; но по сути замечание правильное, промт-инженеры, как профессия, эволюционировали, расширили свою область ответственности

в связи с вышеизложенным, хочу привести пример из статьи на Хабре, в которой архитектор-проектировщик говорит, что ИИ не может сейчас помочь в его профессии, т.к. для моделей очень мало данных, на которых учиться из конкретной задаче, и очень большое количество нормативных ограничений (вторая картинка); я же думаю, что можно положиться на перенос знаний из других областей, нужно только научиться правильно подавать данные в VLM - сами схемы, СНиПы, требования заказчика и т.д.; кстати, первый бенчмарк на понимание схем уже появился

@valuable

Google выпустил свой помощник программиста (пример работы на заглавном видео); само по себе это не удивительно, кто только не выпускал за последнее время: Amazon выпустил свой аналог ГигаКода - IDE Kiro; и даже литовский стартап Sintra получил финансирование

интересно на мой взгляд то, что показано второй картинке, а именно уровень адаптации людей к ИИ, я сознательно формулирую это так, потому что мы наблюдали похожую картину - уровень принятия подсказок людьми растет (кстати, до сравнимых цифр) с течением времени без смены модели; т.е. люди адаптируются под модель, а так как Google (как и мы) использует логи для дообучения, то получается петля положительной обратной связи

@valuableai

недавно вышел отчет от Inception Labs про их модель Mercury (я про нее писал в феврале), но отчет реально очень скучный, по факту там написано: мы все взяли из другой работы, а наша супер-скорость получается из-за проприетарного движка для сэмплирования; фу такими быть, лучше уж не выпускали бы отчет тогда

зато порадовала Apple, они выпустили работу и модель DiffuCoder, которая в отличие от Mercury содержит "мясо"; основные результаты из нее на первой картинке; основная их фишка - это адаптация GRPO для диффузионок (вторая картинка); на третьей картинке их результаты - лучше, чем другие открытые модели, правда, похуже, чем Mercury и Gemini Diffusion

@valuableai

вышла довольно интересная статья про self-supervised RL, тут суть сводится к тому, чтобы генерировать инструкцию, которая улучшает ответ на определенный ответ и обучении на этой инструкции (первая картинка)

на второй картинке показано, как проходит процесс дообучения; а вот на третьей - результат этой петли обратной связи, качество на более ранних задачах постепенно ухудшается; я ранее высказывал сомнение по этому поводу (для другой работы на схожую тему), теперь оно подтвердилось

@valuableai