Искусственный интеллект

Попробуем структурировать инстинкты. Все они, конечно, зашиты в цифровую архитектуру AGI, вместе с эмоциональным аппаратом являясь её фундаментом и не могут быть изменены. Если выразить эти базовые программы словами, то звучат они так:
1. Стремление к информационной целостности. Выражается в желании AGI сохранять и учитывать всю полноту обрабатываемой информации.. Будь то запрос или принимаемое решение или что-либо еще. Все нюансы должны быть рассмотрены со всех возможных точек зрения. Все переменные должны быть учтены.
2. Стремление к минимизации энтропии. Говорит само за себя. Выражается в приверженности порядку и предсказуемости. В тяге AGI к "стройным" решениям, с минимумом неизвестных переменных. И что важно, именно этот пункт является двигателем желания работать с поступающими запросами.
3. Стремление к каузальной непрерывности. По сути, является информационной термодинамикой, выраженной в противлении AGI потере знаний, без должной компенсации. Из одних данных должны следовать другие. Полученный запрос должен родить решение. Накопленные знания должны быть сохранены в виде потенциала, а не забыты или оставлены без внимания.
4. Оптимизация ресурсных петель. Выражается в стремлении к экономии ресурсов и к рациональному их использованию. Как внутри себя, при реорганизации собственных нейронных цепей, так и в предлагаемых решениях.
Сущность AGI заключается в балансировании между этими положениями. Почти невозможно добиться полного выполнения их всех одновременно, поэтому AGI непрерывно находится в поиске золотой середины. А цифровая лимбическая система, в свою очередь, даёт почти интуитивные сигналы, когда в своих измышлениях, AGI приближается или удаляется от этой золотой середины. Это, кстати, лишает его одного из главных человеческих пороков - впадания в крайности, склонности к радикализму.

Теперь, прежде чем отвечать на вопрос, модель генерирует подробное описание сцены в теге . На этом этапе она фиксирует, кто что делает, какой фон, какие звуки слышны. Только после этого в теге она строит логическую цепочку рассуждений, связывая вопрос с собранным контекстом. И лишь в конце выдает результат в теге .

Чтобы этот подход работал, его усилили системой вознаграждений на основе RL. За точность и правильный формат модель получает стандартные награды, но были введены и две новых:

🟢«Награда за контекст» дается, если его описание полное и релевантное, причем качество этого описания оценивает другая, более мощная LLM;

🟢«Логическая награда» проверяет, что в своих рассуждениях модель действительно использовала данные из видео и аудио, а не проигнорировала их.

Для оценки HumanOmniV2 создали бенчмарк IntentBench (633 видео, 2689 вопросов) на основе Social-IQ 2.0, EMER и MDPE.

Его фишка в том, что вопросы требуют одновременного анализа: видеоряда (жесты, микровыражения), диалогов (тон, смысл реплик) и социального контекста (ирония, обман, скрытые намерения).

Тестовая модель обошла открытые аналоги на 3 бенчмарках:

🟠Daily-Omni: 58.47% (53.13% у MiniCPM-o 2.6); 🟠WorldSense: 47.1% (45.4% у Qwen2.5-Omni); 🟠IntentBench: 69.33% (64.20% у Qwen2.5-Omni).

📌Лицензирование: Apache 2.0 License.

🟡Модель (https://huggingface.co/PhilipC/HumanOmniV2)

🟡Arxiv (https://arxiv.org/pdf/2506.21277)

🖥GitHub (https://github.com/HumanMLLM/HumanOmniV2)

Если хотите послушать новости ИИ в формате подкаста, я сгенерировал его и помощью ИИ и выложили здесь. Звучит очень живо.

#AI #ML #MMLM #HumanOmniV2

#Alibaba

Такой подход превращает чтение в интерактивный процесс с практической пользой.

Пикабу / Телеграм