Tiny Recursive Model (TRM)

Samsung придумал новую архитектуру рекурсивного мышления для построения языковых моделей, которая при размере всего 7М параметров (!!!) — оказалась круче DeepSeek-R1, Gemini 2.5 Pro и o3-mini в тестах на логику и мышление.

Работает так:

1. Делает первый черновой ответ.
2. Думает над ним внутри себя.
3. Проверяет и исправляет свои мысли.
4. Перерабатывает ответ, чтобы он был точнее.
5. Повторяет, пока не будет уверен в своем решении.

* Маленькая: всего 7 миллионов параметров, это в 10 000 раз меньше, чем у современных LLM
* Эффективная: работает лучше больших моделей, но требует меньше ресурсов.
* Логика важнее всего: TRM показывает, что хорошая архитектура важнее объема данных.
* Доступная: может работать на слабых устройствах, не нужны мощные сервера.

Неплохо, в следующем году будем пользоваться модельками уровня DeepSeek локально на телефоне?

Гитхаб
Препринт

#research #llm #TRM

Sora Watermarker

Так, смотрите, очень полезный сервис - добавляет вотермарк Sora на ваше видео.
Наверняка вы уже знаете куда его добавить.
Так что же вы медлите!

#watermark #humor

BigCodeArena

Арена моделей для программирования с возможностью запуска сгенерированного кода

— поддерживает 10 языков программирования (Python, JavaScript, TypeScript, HTML, C, C++, Java, Go, Rust, Markdown) и 8 сред выполнения

— даёт возможность взаимодействовать с сгенерированными приложениями: нажимать на кнопки, тестировать элементы интерфейса, редактировать код и повторно запускать его

— предусматривает многоходовые взаимодействия, позволяя уточнять требования, добавлять функции или исправлять ошибки

HF и Гитхаб - ну вдруг кому-то нужно

#arena #coding #leaderboard

Ming-UniVision: Joint Image Understanding and Generation via a Unified Continuous Tokenizer

Мультимодальная модель, объединяет понимание и создание изображений в одной системе. Работает на основе токенизатора MingTok. MingTok поддерживает и понимание изображений, и их генерацию в едином латентном пространстве.

Ming-UniVision может последовательно выполнять разные задачи (например, улучшить качество изображения, раскрасить его или убрать шум) без дополнительных преобразований

Позволяет после анализа изображения сразу редактировать его части.

Код
HF ~38 ГБ

#MLM #VLM #text2image #image2trext #captioning #multimodal #imageediting

Lumina-DiMOO: An Omni Diffusion Large Language Model for Multi-Modal Generation and Understanding

Открытая мультимодальная модель для генерации и понимания контента в разных форматах. Использует полностью дискретное диффузионное моделирование, что позволяет ей эффективно работать с различными типами данных и выполнять широкий спектр задач.

— может генерировать изображения по текстовому описанию

— создаёт изображения на основе других изображений (например, редактирует их, генерирует по определённому объекту или выполняет дорисовку)

— понимает содержание изображений

— справляется с такими задачами, как стилизацию изображений под книжные иллюстрации, замену объектов, изменение фона

— генерирует изображения с учётом заданных параметров (например, может создать изображение с определённым стилем или композицией)

Код
HF ~16.3 ГБ

#VLM #multimodal #text2image #referencing #captioning