Жемал Хамидун
Head of AI в Alpina Digital, CPO флагманского продукта AlpinaGPT (команда ~30 человек). Основатель Vibe Academy и Hamidun Consulting, автор Telegram-канала «Готовим ИИшницу» (@jemal_hamidun).
AnyGameRenderer одевает серые ИИ-прототипы в графику и сохраняет юнитов на 62,9%
Генеративный рендерер на базе 33B-модели MiniMax-H3 превращает блокауты из игр ИИ-агентов в красивое видео; временное совпадение сущностей выросло с 50,9% до 62,9%.
Claude доказал безопасность 123 библиотек на уровне RISC-V-кода
Anthropic и Theorem с помощью Claude формально верифицировали 239 точек входа в 123 open-source библиотеках: около 180 млн строк доказательств и баги, не пойманные…
WeChat открыл WeVisOne-VL: детекция, маски и матирование в одной VLM
Команда WeChat выложила в open source WeVisOne-VL: одна VLM ищет объекты, считает, читает текст и строит маски с альфа-маттами. Заявлено лидерство на 30+ бенчмарках.
UserArena: бенчмарк на 64 729 сессиях проверяет, можно ли симулировать покупателей
Echo учит VLA-роботов понимать успех и провал прямо внутри действий
HiSTEVE 1.0 играет в Minecraft мышью и клавиатурой: 85,0% на MineStudio Bench
Dual Exam: GPT 6 Astra набрал 31,3 балла среди мультимодальных агентов
DISC учится объединять метрики сходства временных рядов и предсказывать успех переноса
Новая обучаемая схема DISC калибрует и комбинирует метрики сходства датасетов временных рядов, чтобы заранее оценивать, насколько хорошо прогноз перенесётся с…
MMVistaReason: открытый рецепт обучения 4B-модели обходит Qwen3.5-9B на 15 бенчмарках
Авторы MMVistaReason опубликовали открытый рецепт пост-обучения: MVR-4B набрала 72,8 балла на 15 мультимодальных бенчмарках и обогнала Qwen3.5-9B (Instruct).
LeWorldModel проверили на чувствительность к действиям: оси расходятся на 36–42°
FocusVLA учит робота выбирать камеру по стадии задачи: +13,3 п.п. на реальных тестах
Команда UCLA сдвинула границу скорость—качество в speculative diffusion двумя ручками
PaperFormalizer превращает LaTeX-статьи в проверенный Lean-код с участием автора
Nestor: вложенная разреженность в attention обошла MoE при равных затратах
Tianzhe Chu, Druv Pai и Yi Ma предложили трансформер Nestor: разреженность в attention вкладывается в MoE и даёт выигрыш при равных вычислениях и в дообучении.
Энкодер на 17 млн параметров выбирает инструмент за 14 мс на CPU
Tardelli Stekel выложил шесть открытых энкодеров от 17M до 1B для выбора из закрытого набора. Модели на 68M и 150M обходят 435M DeBERTa-v3 на 4,9 и 5,9 пункта.