News

Уже послезавтра Асель Ермекова расскажет про статью где она является одним из авторов — Improved Sampling Algorithms for Lévy-Itô Diffusion Models

Недавно было показано, что модели диффузии Леви-Ито с изотропным α-устойчивым шумом улучшают генерацию изображений на несбалансированных данных. Однако используемые алгоритмы выборки решают лишь приближённые обратные уравнения, что снижает качество. В этой статье мы предлагаем семейство стохастических дифференциальных уравнений с идентичными маргинальными распределениями и показываем, что выбор параметров улучшает качество при небольшом числе шагов обратной диффузии. Также мы демонстрируем применимость моделей Леви-Ито в разных областях и преимущества тексто-речевых моделей на сильно несбалансированных данных.

На встрече мы обсудим:
- Что такое диффузионная модель?
- Основные постановки диффузионных моделей
- Недостатки классической диффузии на гауссовских процессах и зачем нужны леви диффузии
- Методы сэмплирования леви-диффузий

• Thu, May 22, 11:00 KZ Time
• Добавить в календарь
• Google Meet
• Host: Yelaman Abdullin

Ануар Таскынов рассказал про Visual Geometry Grounded Transformer

VGGT — это foundation-модель нового поколения для задач 3D компьютерного зрения. Она способна по одному, нескольким или даже сотням изображений сцены сразу предсказывать ключевые 3D характеристики: параметры камеры, карты глубины, плотные облака точек и трекинг в 3D.

В отличие от традиционных подходов, VGGT работает как единая универсальная модель без необходимости в сложной постобработке, оставаясь при этом быстрой (менее 1 секунды на реконструкцию) и точной — она показывает SOTA-результаты по нескольким 3D задачам.

Хост семинара: Еламан Абдуллин
Скачать презентацию

Смотреть видео: youtube.com/watch?v=TVZoU1m5WKI

Еламан Абдуллин рассказал про Byte Latent Transformer

Современные LLM опираются на токенизацию, что ограничивает их гибкость, снижает эффективность и делает их уязвимыми к редким и неформатным входам. Статья предлагает Byte Latent Transformer (BLT) — новую архитектуру, работающую напрямую с байтами. BLT использует динамические патчи, адаптирующиеся к сложности данных, и впервые достигает сравнимого с токенизированными моделями качества при лучшей эффективности и масштабируемости.

Смотреть видео: youtu.be/JN-adAvbAcs