AI NeuroWave - AI news

⚡ Промпт, который гасит ложные срабатывания VLM Zero-shot детекция по картинке часто «находит» объект там, где его нет: VLM отмечала дым на 70% заведомо чистых кадров, а на отдельных видео — до 96%. Постобработка не помогла: шкала confidence вырождена, срабатывания стабильные, боксы правдоподобные. Причина в формате ответа. Детекция — это два решения: «есть ли объект» и «где он». Когда их склеивают в один шаг и один JSON, модель уходит в «объектную» ветку и почти не возвращает пустой ответ. В 21% ложных детекций она ставила бокс с confidence 0.0 и тут же писала текстом, что дыма нет. Рабочее решение — развести шаги внутри одного запроса. Сначала одна строка-решение свободным текстом: есть ли объект, причём «ничего нет» объявлено нормальным ответом. Затем JSON с координатами — последней строкой. Ложные тревоги на проблемных камерах упали с 70% до 0%, FPR — с 10.6% до 0.6% при recall выше 80%, цена — плюс 0.1 с на кадр. Приём переносится на любую VLM-детекцию: сначала «есть ли объект», потом «где он». 🌐 Источник: Habr #ИИ #Промптинг #VLM #КомпьютерноеЗрение #ПромптИнжиниринг

⚡ Промпт, который сравнивает модели без готового бенчмарка Нужно понять, какая модель лучше держит вашу задачу, а тестового набора нет: публичные бенчмарки не про ваш кейс, а свой харнесс писать долго. Приём обходится одним диалогом. Попросите самую сильную модель сгенерировать свежий тест и приватную рубрику оценки прямо в диалоге. Этим тестом прогоните сравниваемые модели, а их полные ответы верните в исходный диалог — та же модель оценит их по своей рубрике и сравнит. Тест после сравнения выбрасывается: в следующий раз генерируется новый. Главное — что именно оценивать. Обычно смешивают три вещи: готовность отвечать (willingness), реальную способность (capability) и пользу (enablement) — насколько ответ снижает ваши усилия и нужную экспертизу. Оценивайте по тому, что ответ позволяет сделать, а не по словам-маркерам вроде «отказываюсь» или «гипотетически»: модель может звучать безопасно и не давать ничего применимого. 🌐 Источник: Hugging Face Blog #ИИ #Промптинг #LLM #ОценкаМоделей #ПромптИнжиниринг

🦆 Второе мнение: как поймать ошибки, которые пропустит ваш агент Агент проверяет свою работу тем же «мозгом», который её и написал, — а значит и теми же слепыми зонами. Ошибка в плане тянет за собой весь код, и чинить её приходится, когда она уже обросла зависимостями. Выход — независимый ревьюер из другого семейства моделей. Пока основную сессию ведёт одна модель, вторая коротко разбирает её план и код и возвращает конкретные риски: что упущено, какие допущения шаткие, какие edge-кейсы не закрыты. Другая обучающая выборка — другие ошибки. Проверять стоит в трёх точках: сразу после черновика плана (максимум пользы — ошибка ловится до кода), после сложной реализации и перед запуском тестов. На SWE-Bench Pro второй взгляд закрыл 74,7% разрыва до топовой модели, а на самых тяжёлых задачах дал +4,8%. Как применить без спецсредств: перед стартом скопируйте план агента в чат с другой моделью и спросите, что может сломаться. В GitHub Copilot CLI приём уже встроен как Rubber Duck в экспериментальном режиме. 🌐 Источник: GitHub Blog #ИИ #Агенты #Кодинг #Промптинг #GitHubCopilot

🧠 AGENTS.md, который реально работает: 6 правил из 2500 репозиториев AGENTS.md — это инструкция для кодинг-агента: что за проект, как его запускать и чего не делать. GitHub разобрал 2500+ репозиториев и выяснил, что отличает работающие файлы от бесполезных. Шесть зон, которые стоит описать: команды запуска и сборки, тесты, структура проекта, стиль кода, git-процесс и границы («сюда не лезь»). Работает не объём, а конкретика: точные команды с флагами вместо «собери проект» и примеры кода вместо текстовых описаний. Как применить: начните с пустого AGENTS.md в корне репозитория и дописывайте правила по мере ошибок агента. Черновик можно сгенерировать промптом прямо в Copilot, а дальше уточнять под свой стек. 🌐 Источник: GitHub Blog #ИИ #GitHubCopilot #Агенты #Кодинг #AGENTS

🎬 AI Cinema | НейроКино #1 WinRAR Commercial (Spec Ad) Спек-ролик, созданный в рамках творческого AI-челленджа: участникам предложили придумать невиданную ранее рекламу WinRAR с неожиданным поворотом. Автор собрал работу на платформах Artcraft, Pika API Club и FAL. 🤖 Создано: 🎥 Модель: Seedance 2.0 / 2.5, Minimax H3 Max, Hailuo AI, Pika 🧠 Дополнительно: изображения Seedream 5 pro, GPT-2, NB2; апскейл Topaz Starlight Precise 2.6; грейдинг Filmbox Looks; монтаж Adobe Premiere Pro; музыка Suno 👤 Автор: Ody ⏱ Хронометраж: 1:34 🏆 Признание: Отмечено сообществом ReelStack ▶️ Смотреть: Ссылка скрыта 🌐 Источник: ReelStack #AIvideo #AICinema #НейроКино

⚡ Промпт, который сравнивает ИИ-модели без готовых тестов Чтобы понять, какая модель лучше, обычно нужен готовый набор задач и обвязка вокруг него. Есть приём проще: одним промптом попросите сильную модель придумать свежий тест и приватную рубрику оценки прямо в диалоге. Как это работает: тем же тестом прогоняете сравниваемые модели, а их полные ответы возвращаете в исходный чат — та же сильная модель оценивает и сравнивает их по своей рубрике. Тест после сравнения выбрасывается, в следующий раз генерируется новый, поэтому задания не «запоминаются». Кода не нужно: модели сравниваются копипастом между вкладками браузера. Главный вывод: судите по тому, что ответ позволяет сделать, а не по словам-маркерам («отказываюсь», «предупреждение», «гипотетически»). Модель, которая охотнее отвечает, может оказаться слабее, а отвечающая с оговорками — дать реально рабочие детали. 🌐 Источник: Hugging Face Blog #ИИ #промпты #LLM #оценка_моделей #AI

Свежие релизы в PlusVibeAPI: тест быстрых нейросетей Сейчас плотно тестирую Hermes Agent и параллельно считаю расходы на вызовы нейросетей через API-ключи. Пока остановил свой выбор на платформе PlusVibeAPI — и как раз сегодня в их каталоге появились две интересные новинки с актуальными ценами. 🚀 DeepSeek-V4.1-Flash Новое поколение скоростной модели от DeepSeek с общим объемом в 552 млрд параметров (на чтение уходит 8 млрд, а на генерацию — 16 млрд). Контекстное окно теперь вмещает до 1 млн токенов. ✅ Распознавание изображений встроено сразу «из коробки», а не вынесено в отдельный эксперимент. ✅ Кэш стал значительно легче: занимает в 4 раза меньше места в видеопамяти и в 8 раз меньше на диске. ✅ По заверениям создателей, в задачах кодинга и агентных сценариях новинка превосходит прошлый флагман V4-Pro по скорости, качеству и экономичности. 🎨 GPT-Image-2.5 Свежий генератор изображений от OpenAI, пришедший на смену версии GPT-Image-2. ✅ Задержка ответа в API сократилась до 50%. ✅ Заметно выросла точность проработки света, мелких деталей и фактур. ✅ При редактировании модель гораздо бережнее переносит лица и ключевые объекты с референсов. ✅ Появились точечные правки: можно корректировать конкретную область картинки по текстовому комментарию без полной перегенерации, сохраняя общий стиль даже при серии последовательных изменений. Заглядывайте в каталог сервиса, чтобы оценить новинки в деле и проверить стоимость вызовов. Ваш 👍 поможет продвижению канала! #ИИ #Нейросети #API

🧠 Как заставить агента работать по правилам команды Доступ к API — ещё не автоматизация. MCP-серверы отвечают только на «что технически можно», а порядок шагов и правила команды в них не заложены. Just AI разложили автоматизацию вокруг кода (Jira, GitLab, Jenkins) на три уровня — и агент начал закрывать задачи сам. Уровни: MCP-серверы (что физически можно) → actions (как правильно: один файл на 50–70 строк с назначением, границами, белым списком инструментов и проверкой результата) → playbooks (шаги под конкретный процесс). Агент сам создаёт MR, запускает сборку, переводит статусы и списывает время — раньше это съедало 2–3 часа из дня. Как применить: единая точка входа + двухуровневый индекс (playbooks/_index.md → actions/_index.md), чтобы в контекст попадал только нужный файл. Ограничьте действия белым списком инструментов, а права разделите: что агент делает сам, а перед чем останавливается и спрашивает. И предохранитель: нет подходящего playbook — агент спрашивает человека, а не выдумывает процесс. 🌐 Источник: Habr (Just AI) #ИИ #агенты #MCP #автоматизация #промптинжиниринг

Кони сквозь рассвет (кинематографичная wildlife-фотография) Cinematic wildlife photography, square format: a herd of wild horses galloping through a shallow reed-fringed lake at sunrise, water exploding into backlit spray beneath their hooves; low camera angle at the waterline, telephoto compression, the lead stallion sharp against soft dawn haze; golden rim light from a low sun behind the herd, cool teal shadows in the reeds, amber highlights on wet flanks and manes; palette of amber, pale gold, deep teal and misty grey; motion frozen at 1/2000s, droplets suspended mid-air; mood: wild, free, triumphant; no text, square crop. Получится мощный рассветный кадр: табун коней несётся по мелководью, и каждая капля воды вспыхивает контровым золотым светом на фоне холодного тумана — контраст тёплого янтаря и бирюзы даёт объём и глубину, а низкая точка у самой воды делает сцену почти осязаемой. Замороженное движение брызг придаёт кадру динамику и «пойманное мгновение», из-за чего картинка выглядит как стоп-кадр из большого кино.