Как мультимодальные модели научились понимать товар, а не картинку
Почему для понимания товара недостаточно одной фотографии? Проследим, как модели электронной коммерции эволюционировали от визуального поиска и CLIP…
Последние новости
⚑ Сообщить о проблемеTech news from the best sources
Все темы
- игры
AI
News
Tech
agents
ai
api
architecture
automation
backend
beginners
career
devchallenge
devops
javascript
llm
machinelearning
mcp
opensource
performance
productivity
programming
python
react
security
showdev
testing
tutorial
typescript
webdev
AI‑агент вместо ручного регресса: архитектура, метрики, инсайты
Привет, Хабр! На связи Владимир Бойко, ведущий iOS‑разработчик в Т‑Банке. В статье расскажу, как мы построили AI‑QA‑агента, кото…
Qwen и Grok отгадывают советские загадки на внимательность
Кто лучше справляется с советскими загадками на внимательность — Qwen, Grok или человек? Сравнили две классические головоломки и получили любопытные…
Где VLM не читали старых газет: разбираем PereStruct, открытый датасет и модульный парсер
Попробуйте открыть скан советской газеты и прочитать одну статью от начала до конца. Человек быстро замечает крупный заголовок, продо…
Building Autonomous Robot Decision Systems with Vision-Language-Action Models
Building Autonomous Robot Decision Systems with Vision-Language-Action Models A traditional robot pipeline often separates perception, planning, and…
Использование VLM и OCR для распознавания текста на изображениях
Привет, Хабр! Одним из моих направлений работ является создание базы знаний по обучающим курсам, которые включают текст и видеоматериалы.…
Как выбрать OCR в 2026-м: тестируем девять моделей на трех движках инференса на рукописном русском
Вам нужен OCR. В техобзорах рекомендуют Tesseract, на Хабре все пишут про VLM, идете на Hugging Face — там PaddleOCR-VL, DeepSeek-OCR, Dots.OCR, Qwe…
Как выбрать OCR в 2026-м: тестируем девять моделей на трех движках инференса на рукописном русском
Вам нужен OCR. В техобзорах рекомендуют Tesseract, на Хабре все пишут про VLM, идете на Hugging Face — там PaddleOCR-VL, DeepSeek-OCR, Dots.OCR, Qwe…
Как мы ускорили разметку видеопоиска в десятки раз и не потеряли качество: опыт внедрения VLM-асессора
Современный поиск по видеоконтенту — это высоконагруженная система, требующая молниеносной реакции и безупречной релевантности. Сервис VK Видео опер…
От 0 до 10 миллионов ИИ-проверок в месяц: как мы продуктивизировали CV в Пятёрочке за 8 месяцев
Статья про то, как CV-сервис вырос с MVP до 10 миллионов проверок фото в месяц и не развалился в проде. 🔧 Это не про «у нас классные модели» и не пр…
Как мы построили сервис компьютерного зрения на базе внешних VLM для контроля выкладки и ценников: опыт Fix Price
Привет, Хабр! Меня зовут Кристина Истратова и я руковожу центром аналитики данных в Fix Price . В нашей Сети более 8 000 мага…
[Перевод] Почему промпты для VLM работают наоборот: как это исправить
Недавно я пытался выжать максимум из корпоративной OCR-модели, перебирая промпты и гиперпараметры, когда наткнулся на issue в репозитории Qwen-3-VL.…
От 0 до 10 миллионов ИИ-проверок в месяц: как мы продуктивизировали CV в Пятёрочке за 8 месяцев
Статья про то, как CV-сервис вырос с MVP до 10 миллионов проверок фото в месяц и не развалился в проде. 🔧 Это не про «у нас классные модели» и не пр…
Finetune Lora Qwen3vl и прочие приключения
У меня была видеокарта NVIDIA A100, максимальный объём памяти 79,254 Гб. Нужно было извлечь ключевую информацию (задача Qwestion Answering) из 6000…
От OCR к смыслу: как мы научили модель понимать, кто кому отец, мать, жених и свидетель
В 2023 году мы рассказывали, как в Поиске по архивам появилось распознавание рукописных документов и почему сама по себе ра…
One Open Source Project a Day (No. 66): NVIDIA Video Search and Summarization - Building GPU-Accelerated Vision Agents
Introduction "Video is the last blue ocean of data and the most challenging source of unstructured information." This is the No.66 article in the "O…