Нейросети
Нейросети в новостной повестке, календарь упоминаний и aналитика в реальном времени.
Календарь упоминаний. Страница 2:
DharmaOCR превзошла универсальные модели в распознавании бразильского португальского языка
Суть: Узкоспециализированная нейросеть DharmaAI продемонстрировала преимущество перед универсальными моделями за счет концентрации вычислительных ресурсов на одной языковой задаче.
Событие: В тестах на документах ENEM нейросеть DharmaOCR набрала 0,925 баллов, опередив Mistral OCR4 и Unlimited-OCR на 13–16 пунктов точности.
Связь: Распределение параметров универсальных моделей между множеством языков привело к искажению имен и цитат, в то время как сфокусированная архитектура DharmaOCR сохранила целостность данных.
Эффект: Применение метода обучения DPO позволило нейросети избежать генерации бессмысленного текста при обработке документов с низким качеством сканирования.
Тренд: Концентрация ресурсов на специфической лингвистической нише сохраняет структурное преимущество перед попытками охватить широкий спектр задач одной моделью.
Нейросети Яндекса анализируют 25 сигналов поведения для роста конверсий на 10%
Суть: Нейросети в новой «многоголовой» архитектуре Яндекса одновременно обрабатывают более 25 сигналов поведения пользователя, что втрое превышает предыдущие возможности системы.
Событие: Тестирование новой модели подтвердило рост конверсий на 10% при сохранении рекламного бюджета благодаря анализу полного пути клиента.
Связь: Нейросети учитывают промежуточные действия и задержки в принятии решений, что позволяет корректно оценивать кампании в сегментах с долгим циклом сделки.
Эффект: Нейросети формируют ставки в аукционе, ориентируясь на реальную вероятность целевого действия, что снижает затраты на привлечение нецелевой аудитории.
Тренд: Внедрение прокси-модели нейросетями позволяет системе адаптироваться к изменениям рынка в реальном времени без долгого переобучения.
Рекурсия в малых моделях снизила ошибку предсказания без добавления параметров
Суть: Нейросеть продемонстрировала рост качества генерации за счет изменения архитектуры вычислений, а не увеличения количества параметров или смены алгоритмов обучения.
Исследование: Модель объемом 15 млн параметров, использующая рекурсивный проход данных через один блок, снизила ошибку perplexity на 7% и улучшила внутреннюю согласованность текста.
Эффект: Нейросеть минимизировала количество вымышленных имен и логических разрывов, последовательнее используя имеющиеся знания благодаря многократной обработке токенов.
Риск: Увеличение вычислительной глубины через циклы привело к росту времени генерации в 4 раза и потребовало дополнительных мер для управления памятью видеокарты.
Фактор: Попытки улучшить нейросеть через смену оптимизаторов или многопоточное предсказание не дали результата, подтвердив приоритет структурных изменений над настройкой гиперпараметров.
Курс «1С» обучает сотрудников управлять ИИ-агентами для ускорения рутины
Суть: Компания «1С» запустила практический курс, где ИИ-агенты выступают инструментом для решения бизнес-задач без навыков программирования, позволяя делегировать рутину специалистам.
Событие: Внедрение описанного подхода с использованием ИИ-агентов позволяет ускорить выполнение отдельных типовых операций до 10 раз.
Тренд: Рынок переходит от теоретического изучения нейросетей к практическому внедрению ИИ-агентов в повседневные бизнес-процессы и управление ими.
Риск: Эффективность работы ИИ-агентов напрямую зависит от качества и структуры исходных данных, требуя от пользователей навыков предварительной очистки информации.
Связь: Умение формулировать задачи для ИИ-агентов и контролировать их действия становится критическим навыком, заменяющим необходимость в написании кода для автоматизации.
Малая нейросеть Atom2.7m превзошла гигантов в арифметике за счет структурированного ввода данных
Суть: Нейросеть Atom2.7m с 2,74 млн параметров достигла точности 69,24% на бенчмарке ArithMark2.0, доказав, что для точных вычислений критичен формат подачи чисел, а не масштаб модели.
Событие: 7 июля 2026 года опубликовано исследование, где компактная нейросеть Atom2.7m превзошла по точности вычислений модели, превосходящие её по параметрам в сотни раз.
Фактор: Нейросеть демонстрирует высокую эффективность благодаря явной передаче информации о разрядах цифр и их ролях, что исключает ошибки токенизации, характерные для стандартных подходов.
Риск: Нейросеть может потерять эффективность при изменении формата ввода или переходе к нестандартной записи чисел из-за риска переобучения на специфический бенчмарк.
Эффект: Внедрение такого подхода позволяет запускать точные расчеты на менее мощном оборудовании, снижая требования к вычислительным ресурсам бизнеса.
В нашей базе собрано 40 событий по теме «Нейросети». Мы показываем все из них.