Habe mit stability matrix und stable Diffusion WEB UI Forge "Flux schnell" auf dem Mac lokal laufen gelassen (noch nicht trainiert). Läuft bei mir (Apple M3 Pro, 36GB RAM) relativ langsam (Testläufe ca. 15 Minuten pro Bild), aber die Bilder sind gut. Da kann man sicher noch dran drehen (viele Knöppe sind vorhanden 🤪). Training habe ich noch nicht versucht, muss ich mich erst noch reinfrickeln. Würde mich interessieren, wenn jemand hier schon Flux lokal trainiert hat (vor allem die Hetzner- bzw. AWS-Fraktion) und Erfahrungen teilen kann.

Hallo zusammen, im Zuge meines Selbststudiums analysiere ich gerade die verschiedenen Deep Research Dienste. Nachdem ich dazu GPT, Gemini, Perplexity und Mistral im Internet habe suchen lassen, habe ich mich zu einer Gemini Deep Search-Anfrage zu dem Thema entschlossen. Heisst ich habe Gemini Deep Search gefragt/gepromptet: "Bitte vergleiche folgende Deep Search Dienste und liefere mir jeweils pro Dienst eine Übersicht über Stärken und Schwächen des jeweiligen Dienstes: "GPT 4.5 Research", "Gemini Deep Research", "Perplexity.ai Deep Research", "you .com ARI" und "xAI Grok Deep search" ". Warum Gemini? Weil da die Deep Search im Abo mit inbegriffen ist, welches ich besitze. Herausgekommen ist das angehängte Dokument, welches ich tatsächlich auch gelesen habe, und auch abgeglichen habe mit anderen Webseiten die ähnliche Vergleiche gemacht haben. Die Quellen habe ich nicht verifiziert. Trotzdem finde ich das Ergebnis beeindruckend. Was meint ihr dazu?

Open Source spielt anscheinend eine wichtige Rolle bei Manus AI. Das Unternehmen Monica nutzt nicht nur proprietäre Modelle wie Claude 3.5 Sonnet, sondern auch Open-Source-Technologien, insbesondere verschiedene Feinabstimmungen von Qwen-Modellen. Zudem plant Monica, zukünftig weitere Komponenten von Manus als Open Source bereitzustellen. Dies deutet darauf hin, dass sie eine offene und transparente KI-Entwicklung anstreben. Mehr im Artikel: China-KI-Agent Manus AI nutzt Claude Sonnet und Open-Source-Technologie

Eine AI kann Vorschläge für besseres Bier machen, wenn man sie mit den Daten eines Tasting-Panels von Menschen und der chemischen Zusammensetzung der Biere "füttert". Ein tolles Beispiel von AI-Augmented-Engineering, das zeigt, dass Menschen nicht überflüssig, aber Flüssiges viel besser werden kann... da ist mir jetzt was verrutscht, aber ihr wisst, was ich meine... Hier die allgemeinverständliche Zusammenfassung: Scientists turn to AI to make beer taste even better | Artificial intelligence (AI) | The Guardian Und hier der Artikel aus Nature Communications dazu: Predicting and improving complex beer flavor through machine learning | Nature Communications Hier fallen mir noch viele andere Anwendungsgebiete ein, z. B. gesündere Lebensmittel, die mindestens so gut schmecken, wie ihre bisherigen Alternativen... Was fällt euch ein?

Nach stundenlangem Bewerten von teils KI-unterstützten Studentenarbeiten, in der Pause und überfliegen von KI Papers erinnerte ich mich an März letzten Jahres. Viele reden über KI – aber wo stehen wir selbst eigentlich? Besonders eine Zahl aus der aktuellen BCG-Studie ließ mich aufhorchen: 74% der Unternehmen sehen bisher keinen greifbaren Mehrwert ihrer KI-Investitionen. Warum? Vielleicht liegt es gar nicht an der Technologie, sondern an unserer eigenen KI-Fitness? Das war der Moment, in dem aus wissenschaftlicher Theorie ein praktischer Test wurde. In nur 60 Sekunden kannst du jetzt checken, wo du bei den drei entscheidenden KI-Kompetenzen stehst: - Verstehst du die Technik? - Nutzt du die Tools? - Denkst du über die Folgen nach? Neugierig geworden? Der aktuelle Zwischenstand und deine Chance mitzumachen warten auf https://joerg.oyen.de/#mach-den-ki-check-wie-fit-bist-du-wirklich PS: Die Ergebnisse bisher sind... nun ja, überraschend. Aber überzeug dich selbst! 🚀 PSS: Und der Energizer(1)? Für mich als L&D Entwickler und Übungsdesigner war es ein echter Energieschub zu sehen, wie schnell aus Papers und Kommentaren eine Quiz-App entstehen kann.