MarkTechPost · 17.07.2026 ·Машинное обучение

Zyphra представила ZUNA1.1: фундаментальную модель для анализа данных ЭЭГ

Компания Zyphra выпустила ZUNA1.1 — обновленную фундаментальную модель на базе маскированного диффузионного автокодировщика, предназначенную для обработки данных электроэнцефалографии (ЭЭГ). Модель с 380 млн параметров позволяет реконструировать, очищать от шумов и повышать разрешение сигналов ЭЭГ при произвольной конфигурации каналов, предлагая гибкость работы с входными данными переменной длительности от 0,5 до 30 секунд.

В отличие от предыдущей версии ZUNA1, которая была ограничена фиксированным окном в пять секунд, архитектура ZUNA1.1 значительно расширяет возможности анализа временных рядов в нейрофизиологии. Разработчики отмечают, что при расширении диапазона входных данных метрика нормализованной среднеквадратичной ошибки (NMSE) остается стабильной или демонстрирует улучшение, что подтверждает эффективность метода диффузионного моделирования для медицинских и исследовательских задач.

Модель распространяется под лицензией Apache 2.0, что делает её доступной для широкого использования в академических и прикладных проектах. Использование диффузионных подходов в анализе ЭЭГ открывает новые перспективы для автоматизации обработки нейрофизиологических сигналов, позволяя исследователям работать с данными разной длительности без необходимости предварительной сегментации или жесткой стандартизации временных интервалов.

Ключевые факты

Дата релиза: 16 июля 2026 года.
Размер модели: 380 миллионов параметров.
Поддерживаемая длительность входных данных: от 0,5 до 30 секунд.
Лицензия: Apache 2.0.
Основные функции: реконструкция, подавление шумов и апсемплинг сигналов ЭЭГ.

Источник: MarkTechPost

Обсудить с ИИ

Похожие материалы

MarkTechPost · Модели и релизы Zyphra представила гибридные модели Zamba2-VL с ускоренным инференсом Zyphra выпустила семейство открытых визуально-языковых моделей Zamba2-VL с параметрами 1.2B, 2.7B и 7B. Они сочетают архитектуру Mamba2 и Transformer, что позволяет сократить время до первого токена в десять раз по сравнению с аналогами. MarkTechPost · Исследования и наука Google представила SensorFM: фундаментальную модель для анализа данных с носимых устройств Исследователи Google и DeepMind представили SensorFM — специализированную фундаментальную модель, обученную на одном триллионе минут неразмеченных данных с носимых датчиков. Архитектура модели базируется на 1D-варианте Vision Transformer (ViT) с использованием механизма маскированного автокодировщика, что позволяет эффективно извлекать паттерны из непрерывных сигналов здоровья 5 миллионов пользователей, давших согласие на использование данных. arXiv · Машинное обучение Hierarchical-JEPA: новый метод обучения для анализа временных рядов в медицине Исследователи представили фреймворк Hierarchical-JEPA для самообучения на многомерных временных рядах, протестированный на данных ЭКГ. Метод решает проблему дефицита размеченных медицинских данных, используя неразмеченные наборы для извлечения признаков. Подход основан на архитектуре Joint-Embedding Predictive Architecture (JEPA), которая эффективно реконструирует события в сигналах, обеспечивая высокую точность анализа при ограниченном доступе к экспертной разметке. Hacker News · Модели и релизы Выход обновленной модели GLM 5.2 через унифицированный API Компания Zhipu AI представила обновленную версию своей языковой модели GLM 5.2. Релиз стал доступен разработчикам через единый интерфейс Model API, который объединяет доступ к различным моделям семейства GLM. Обновление направлено на повышение точности генерации текста, улучшение логических способностей и оптимизацию работы с длинным контекстом, что позволяет эффективнее решать задачи обработки естественного языка. arXiv · Машинное обучение Метод ZEBRA улучшает обобщающую способность аудио-языковых моделей Исследователи представили метод ZEBRA, решающий проблему деградации аудио-языковых моделей при переходе от базовых классов к новым. Традиционное обучение промптов часто снижает точность на неизученных данных, однако ZEBRA использует регуляризацию энтропии для сохранения стабильности. Это позволяет моделям эффективно адаптироваться к новым категориям, не теряя при этом производительности на уже известных объектах в режиме zero-shot. The latest research from Google · Исследования и наука Google представила SensorFM: универсальную модель для анализа данных с носимых устройств Исследователи Google разработали SensorFM — специализированную модель, способную интерпретировать разнообразные сигналы с носимых устройств, включая данные пульса, активности и сна. Система использует генеративный подход для анализа временных рядов, что позволяет ИИ эффективно извлекать медицинские инсайты из «сырых» показаний датчиков, обеспечивая более точный мониторинг состояния здоровья пользователей в режиме реального времени. Hacker News · Модели и релизы Z.ai представила модель GLM 5.2 Компания Z.ai выпустила новую версию своей языковой модели GLM 5.2. Обновлённая модель демонстрирует улучшенные показатели в понимании контекста и генерации текста. arXiv · Исследования и наука EPRA U-Net: новая архитектура для сегментации ишемических инфарктов на МРТ Исследователи представили EPRA U-Net — специализированную архитектуру нейронных сетей для автоматической сегментации очагов острого ишемического инфаркта на диффузионно-взвешенных изображениях МРТ. Модель сочетает пирамидальные структуры и механизмы остаточного внимания, что позволяет с высокой точностью выделять пораженные участки мозга, критически важные для принятия клинических решений при лечении цереброваскулярных событий и количественной оценки повреждений тканей. MarkTechPost · Память и RAG Z.ai представила GLM-5.2 с контекстом в 1 млн токенов Z.ai анонсировала новую версию своей модели GLM-5.2, которая поддерживает контекстное окно в 1 миллион токенов. Это существенный шаг вперёд, так как большинство современных моделей ограничены контекстом в 128–256K токенов. Новая модель доступна во всех тарифах GLM Coding Plan и интегрирована в такие платформы, как Claude Code, Cline и OpenClaw через совместимый с Anthropic API. arXiv · Исследования и наука Новый метод анализа ЭЭГ для диагностики шизофрении на основе вейвлет-преобразования Исследователи представили новый подход к выявлению биомаркеров шизофрении на основе анализа данных ЭЭГ покоя. Использование вейвлет-преобразования рассеяния (Wavelet Scattering Transform) позволило преодолеть ограничения традиционных методов, которые игнорируют динамику амплитудной модуляции и кросс-частотные взаимодействия. Новый алгоритм обеспечивает более высокую точность классификации и интерпретируемость данных, что критически важно для клинической диагностики нейропсихиатрических расстройств.

← Все материалы