Из многофункциональных моделей лучше всего выбрать: Meta-Llama-3.1

Какие онлайн нейросети использовать?

Лучше всего использовать: Perplexity.

Она является очень усовершенствованным поиском в интернете. В отличие от других моделей с выходом интернет она выходит туда, чтобы правильно ответить, а другие нейросети по типу GPT, чтобы прикрыть своё враньё (ну тип видишь ссылка значит я говорю правду, а на деле ссылка вообще не относится к вопросу). Минус её бесплатной версии заключается в том, что для ответа используется максимум 8 сайтов, а в ПРО версии их намного больше, а также в бесплатной версии за день можно прикрепить только 5 файлов.

Как конвертировать файлы в формат markdown(в этом формате нейросети лучше понимают текст)?

Для этого можно использовать: Конвертер документов и HTML в Markdown для AI — Идеально для сложных промптов

Про нейросети для генерации изображений.

Как запустить?

Лучше всего на мой взгляд использовать: ComfyUI.

Простой интерфейс и система модулей.

Так же сразу же советую для удобства установить: ComfyUI-Manager.

Просто так удобнее обновлять компоненты и устанавливать дополнения, а ещё можно включит предпросмотр при генерации.

Какие модели использовать?

Из самых новых и самых лучших лучше всего использовать: Flux.1 Dev.

Хорошо справляется с анатомией и генерацией текста.

Только лучше всего использовать это начало при генерации до основного текста:

(RAW photo, masterpiece, photorealistic, 8k, skin detail, skin pores, blemishes, stunning eyes, detailed face:20), (detailed iris:9), (overexposed:-3), (lowres:-1), (muted colors:-1), (dull:-1), (sharp focus), (flat lighting:-1), (bad anatomy:-1), (bad hands:-7), (deformed iris:-9), (strabismus:-1), (mutations:-1), (far from camera:-2), (close to camera:2), (closeup:1), (high resolution:1.1), (good anatomy:1.1), (non-mutated:1.1),

Какие ещё модели можно использовать?

Для генерации NSFW лучше всего подойдёт: Pony Diffusion V6 XL.

Настройки:

Clip-Skip: -2.

Resolution: 1024x1024.

Steps: 25.

CFG: 7.

Sampler: euler ancestral, karras.

Positive: score_9, score_8_up, score_7_up,

Negative: score_6, score_5, score_4, worst quality, low quality, text, censored, deformed, (vampire teeth, sharp teeth), bad hand, blurry, (watermark), multiple phones, weights, bunny ears, extra hands, deformed fingers, extra fingers, deformed legs, missing limbs, lipstick, flat chested

Просто хорошие модели:

AbsoluteReality

Anything XL (для генерации в стиле аниме)

DreamShaper

Realistic Vision

ReV Animated

Суть новых фич в том, что вы добавляете героя, предмет и локацию и нейросеть обьединяет их в одно видео. Больше не нужно писать тонны текста, чтобы получить с 500 раза то что более-менее похоже на ту картинку, которая в у вас в голове. Достаточно загрузить до 4 изображений и получить готовый видос на выходе.

Клинг пока раскатывается в ранний доступ. Пример как можно сделать Infridients на Pika приложила в примерах. Не сказать. что супер (еще к тому же съело приличное количество кредитов). От Клинга ожидаю большего 🔝

Больше о нейросетях ТГ-канал: https://t.me/robotfleksa/

Для решения этого был создан общий фреймворк mHC (Manifold-Constrained Hyper-Connections) (https://arxiv.org/abs/2512.24880), который проецирует пространство остаточных связей HC на специальное многообразие, восстанавливая свойство identity mapping.

Идея заключается в том, чтобы ограничить матрицу остаточного смешивания H_l^res множеством дважды стохастических матриц (Birkhoff polytope) с помощью алгоритма Sinkhorn-Knopp, гарантируя сохранение средней интенсивности сигнала (нормы) и его стабильность при распространении по слоям.

Для оптимизации использовали ядерное слияние (Kernel Fusion) и смешанную точность для снижения накладных расходов на доступ к памяти. Кроме того, применили перевычисление (Recomputing) активаций для экономии памяти. Дополнительно задействовали наложение вычислений и коммуникации в конвейерном расписании DualPipe.

В результате стабильность mHC устраняет нестабильность обучения HC, а градиенты остаются ограниченными. Также это привело к улучшению качества, превышая производительность базовой модели и HC на множестве тестов (MMLU, DROP, GSM8K и др.). Что касается масштабируемости, то этот метод эффективен для обучения больших моделей. При n=4 добавляет только ~6.7% к времени обучения. В конечном счёте инфраструктурные оптимизации сводят системные накладные расходы к минимуму.