Прощай, платный перевод: собираем локализацию на open source и LLM

Привет, Хабр! В прошлой части дайджеста я собирал научные работы про LLM, агентную разработку и безопасность, а теперь перейду к изображениям, речи и роботам. Всего в этом дайджесте 17 исследований о CV, речи, роботах и других системах, объединяющих различные виды данных. В одних исследованиях ученые тестировали настоящие манипуляторы и дроны, в других ограничивались симуляцией. В каждом разборе мы уточняем, как именно проходили испытания, поскольку хорошие результаты тестов — еще не гарантия, что робот так же классно справится с задачей в реальных условиях. Для самых показательных работ мы добавили иллюстрации из оригинальных публикаций.

За последние месяцы я протестировал кучу локальных LLM, которые может потянуть моя техника и пришёл к выводу, который для многих уже очевиден: для задач на кодинг альтернатив моделям Qwen особо нет. Поэтому я решил удалить с диска все лишние модели, чтобы оставить только "рабочих лошадок". В этот момент мне на глаза попалось видео c tier-list, в котором я узнал много знакомых моделей. И всё заверте...

На написание этой статьи меня натолкнула недавняя публикация модели Xiaomi-OCR-0. Мои AI-агенты давно уже умели читать тексты с картинок, да и я сам темой распознавания символов много лет интересуюсь, но, так или иначе, в моих взаимоотнощениях с OCR с самого начала был еще один участник… O_O тройничок! Посмотрим, посмотрим...