--- title: "Сущности · сознания и возможные сознания по степени свидетельств · Гипотеза симуляции" url: https://simulation-hypothesis.com/ru/entities description: "Путеводитель по сознаниям с источниками: животные с подсчитанными нейронами, коллективные и искусственные системы, опубликованные тесты на чувства и сознание." license: https://creativecommons.org/licenses/by/4.0/ credit: "Ross Allan Dahl, Гипотеза симуляции (simulation-hypothesis.com)" --- # Сущности · сознания и возможные сознания, упорядоченные по свидетельствам Если мир — симуляция, сознания могут оказаться одними из самых трудных для вычисления вещей в нём. Этот путеводитель перечисляет известные случаи, от отдельных клеток до людей. Он также охватывает построенные до сих пор искусственные системы и сознания, которые предлагали учёные и философы, но которых никто не наблюдал. У каждой цифры есть источник и метка уверенности. измерено — прямой подсчёт, оценка — вычислено из других данных, а не подсчитано означает, что никто не публиковал подсчёта. Есть ли у этих систем опыт — отдельный вопрос. Свидетельства по нему — в разделах [критерии способности чувствовать](https://simulation-hypothesis.com/ru/entities/sentience) и [индикаторы сознания](https://simulation-hypothesis.com/ru/entities/indicators). ## Отдельные сознания ## Животные: нейроны в коре и во всём мозге Кора или паллиум Весь мозг Все Млекопитающие Птицы Нейроны в коре больших полушарий (млекопитающие) или в паллиуме (птицы), широко используемый анатомический ориентир когнитивных способностей. Логарифмическая шкала; сплошные столбцы — подсчёты, штрихованные — оценки или оспариваемые числа (†). Рептилии и беспозвоночные не показаны, так как сопоставимых подсчётов нет. 1. Косатка † 43,1 миллиарда 2. Длинноплавниковая гринда † 37,2 миллиарда 3. [Человек](https://simulation-hypothesis.com/ru/entities/human)▲1 16,3 миллиарда 4. Морская свинья † 14,9 миллиарда 5. [Афалина †](https://simulation-hypothesis.com/ru/entities/dolphin) 12,7 миллиарда 6. Клюворыл Кювье 9,1 миллиарда 7. Горилла 8,5 миллиарда 8. Орангутан 8,5 миллиарда 9. [Шимпанзе](https://simulation-hypothesis.com/ru/entities/chimp) 7,4 миллиарда 10. Обыкновенный дельфин 6,7 миллиарда 11. Гренландский тюлень 6,1 миллиарда 12. [Африканский слон](https://simulation-hypothesis.com/ru/entities/elephant)▼1 5,6 миллиарда 13. Финвал 5,2 миллиарда 14. Синий кит 5,1 миллиарда 15. Малый полосатик 3,2 миллиарда Показать все 88 10^6 10^7 10^8 10^9 10^10 10^11 neurons Показать числа | # | Животное | Кора или паллиум | Весь мозг | | -- | ---------------------------- | ---------------- | --------------- | | 1 | Косатка † | 43,1 миллиарда | | | 2 | Длинноплавниковая гринда † | 37,2 миллиарда | | | 3 | Человек | 16,3 миллиарда | 86,1 миллиарда | | 4 | Морская свинья † | 14,9 миллиарда | | | 5 | Афалина † | 12,7 миллиарда | | | 6 | Клюворыл Кювье | 9,1 миллиарда | | | 7 | Горилла | 8,5 миллиарда | | | 8 | Орангутан | 8,5 миллиарда | | | 9 | Шимпанзе | 7,4 миллиарда | | | 10 | Обыкновенный дельфин | 6,7 миллиарда | | | 11 | Гренландский тюлень | 6,1 миллиарда | | | 12 | Африканский слон | 5,6 миллиарда | 257 миллиардов | | 13 | Финвал | 5,2 миллиарда | | | 14 | Синий кит | 5,1 миллиарда | | | 15 | Малый полосатик | 3,2 миллиарда | 57,4 миллиарда | | 16 | Оливковый павиан | 2,88 миллиарда | 10,95 миллиарда | | 17 | Белуха | 2,7 миллиарда | | | 18 | Карликовый кашалот | 2,02 миллиарда | | | 19 | Сине-жёлтый ара | 1,92 миллиарда | 3,14 миллиарда | | 20 | Макак-резус | 1,71 миллиарда | 6,39 миллиарда | | 21 | Жираф | 1,67 миллиарда | 11,21 миллиарда | | 22 | Беличья обезьяна | 1,34 миллиарда | 3,25 миллиарда | | 23 | Филин | 1,33 миллиарда | 1,9 миллиарда | | 24 | Kea | 1,28 миллиарда | 2,15 миллиарда | | 25 | Белая сова | 1,27 миллиарда | 1,81 миллиарда | | 26 | Ворон | 1,2 миллиарда | 2,17 миллиарда | | 27 | Серая неясыть | 1,15 миллиарда | 1,58 миллиарда | | 28 | Обезьяна-капуцин | 1,14 миллиарда | 3,69 миллиарда | | 29 | Жёлтохохлый какаду | 1,14 миллиарда | 2,12 миллиарда | | 30 | Серый попугай | 850 миллионов | 1,57 миллиарда | | 31 | Грач | 820 миллионов | 1,51 миллиарда | | 32 | Большой куду | 793,07 миллиона | 6,09 миллиарда | | 33 | Ушастая сова | 673 миллиона | 991,31 миллиона | | 34 | Какаду Гоффина | 599 миллионов | 1,16 миллиарда | | 35 | Лев | 545,24 миллиона | 4,67 миллиарда | | 36 | Орлан-белохвост | 542,93 миллиона | 1,65 миллиарда | | 37 | Сойка | 529 миллионов | 1,09 миллиарда | | 38 | Домашняя собака | 526 миллионов | | | 39 | Полосатая гиена | 495,28 миллиона | 3,88 миллиарда | | 40 | Галка | 492 миллиона | 967,99 миллиона | | 41 | Африканский страус | 479,41 миллиона | 1,63 миллиарда | | 42 | Сорока | 443 миллиона | 897,27 миллиона | | 43 | Балобан | 442,95 миллиона | 1,2 миллиарда | | 44 | Эму | 439 миллионов | 1,34 миллиарда | | 45 | Енот-полоскун | 437,94 миллиона | 2,15 миллиарда | | 46 | Сипуха | 437 миллионов | 689,54 миллиона | | 47 | Домовый сыч | 400,82 миллиона | 585,92 миллиона | | 48 | Чёрный гриф | 398,9 миллиона | 1,01 миллиарда | | 49 | Воробьиный сычик | 364 миллиона | 533,26 миллиона | | 50 | Обыкновенный канюк | 351,7 миллиона | 1 миллиард | | 51 | Нанду | 330,34 миллиона | 1,03 миллиарда | | 52 | Шипун | 323,66 миллиона | 1 миллиард | | 53 | Домашняя свинья | 293 миллиона | 2,22 миллиарда | | 54 | Серый гусь | 258,65 миллиона | 738,23 миллиона | | 55 | Бурый медведь | 250,97 миллиона | 9,59 миллиарда | | 56 | Домашняя кошка | 250 миллионов | 1,22 миллиарда | | 57 | Обыкновенная игрунка | 245 миллионов | 638 миллионов | | 58 | Обыкновенная пустельга | 237,9 миллиона | 624,58 миллиона | | 59 | Чирок-свистунок | 167,29 миллиона | 375,41 миллиона | | 60 | Волнистый попугайчик | 149 миллионов | 321,82 миллиона | | 61 | Краснозобая казарка | 148,62 миллиона | 482,71 миллиона | | 62 | Каролинская утка | 138,21 миллиона | 305,82 миллиона | | 63 | Африканский карликовый сокол | 131,9 миллиона | 350,37 миллиона | | 64 | Мраморный чирок | 130,14 миллиона | 386,92 миллиона | | 65 | Индийский павлин | 129,62 миллиона | 570,93 миллиона | | 66 | Желтобугорчатый кракс | 124,62 миллиона | 652,99 миллиона | | 67 | Венценосный голубь Виктории | 118,45 миллиона | 578,7 миллиона | | 68 | Кряква | 112,26 миллиона | 367,47 миллиона | | 69 | Дикая индейка | 105,65 миллиона | 492,87 миллиона | | 70 | Перепелятник | 87,83 миллиона | 401,75 миллиона | | 71 | Фазан Ривза | 80,69 миллиона | 387,17 миллиона | | 72 | Сизый голубь | 72 миллиона | 310 миллионов | | 73 | Европейский кролик | 71,5 миллиона | 513 миллионов | | 74 | Банкивская джунглевая курица | 60,7 миллиона | 220,84 миллиона | | 75 | Чилийский тинаму | 59,13 миллиона | 241,37 миллиона | | 76 | Зебровая амадина | 55,2 миллиона | 135,98 миллиона | | 77 | Изящный хохлатый тинаму | 51,38 миллиона | 217,77 миллиона | | 78 | Вяхирь | 51,33 миллиона | 258,68 миллиона | | 79 | Хохлатый тинаму кебрачо | 48,29 миллиона | 235,67 миллиона | | 80 | Кольчатая горлица | 40 миллионов | 139,27 миллиона | | 81 | Виргинская перепёлка | 39,11 миллиона | 148,4 миллиона | | 82 | Серая куропатка | 36,88 миллиона | 170,29 миллиона | | 83 | Крыса | 31 миллион | 200 миллионов | | 84 | Обыкновенная перепёлка | 22,57 миллиона | 117,76 миллиона | | 85 | Королевская перепёлка | 20,52 миллиона | 80,48 миллиона | | 86 | Бриллиантовая горлица | 18,21 миллиона | 87,88 миллиона | | 87 | Мышь | 13,7 миллиона | 70,9 миллиона | | 88 | Голый землекоп | 5,31 миллиона | 33,62 миллиона | ## ИИ-системы: параметры и синапсы Все параметры Используется на токен All Язык Мультимодальные Зрение Прочее (речь, биология, игры, робототехника…) Обучаемые параметры (веса связей), по логарифмической шкале: каждая заметная модель из базы Epoch AI, для которой есть число параметров (получено 3 октября 2026 г.). Сплошные столбцы — числа, которым Epoch даёт оценку «уверенно»; штрихованные — числа, которые она оценивает как «вероятные» или «спекулятивные». Столбцы со знаком \* — оценки для закрытых моделей, чьи разработчики не публикуют их размер, составленные 2 октября 2026 г. по сторонним анализам; усик показывает диапазон оценки. Gemini 3 и позже: опубликованной оценки нет. Строки без заливки — числа синапсов: параметр ближе к синапсу, чем к нейрону. 1. Неокортекс человека 1.6 × 10¹⁴ 2. GPT-5.5 (OpenAI, 2026) \* \~4.7 × 10¹² 3. Claude Fable 5 (Anthropic, 2026) \* \~3.5 × 10¹² 4. Grok 3 (xAI, 2025) \~3 × 10¹² 5. Grok 4 (xAI, 2025) \~3 × 10¹² 6. Gemini 2.5 Pro (Google, 2025) \* \~3 × 10¹² 7. Kimi K3 (Moonshot, 2026) \~2.8 × 10¹² 8. Qwen 3.8 Max (Alibaba, 2026) 2.4 × 10¹² 9. Qwen3.8-2.4T-A95B (Alibaba, 2026) 2.4 × 10¹² 10. Grok 4.7 (xAI, 2026) \* \~2.1 × 10¹² 11. Llama 4 Behemoth (Meta AI, 2025) \~2 × 10¹² 12. GPT-4 (OpenAI, 2023) \~1.8 × 10¹² 13. DeepSeek-V4-Pro (DeepSeek, 2026) \~1.6 × 10¹² 14. LongCat-2.0 (Meituan Inc, 2026) \~1.6 × 10¹² 15. Switch (Google, 2021) 1.6 × 10¹² 16. GLaM (Google, 2021) 1.2 × 10¹² 17. PanGu-Σ (Huawei Noah's Ark Lab, 2023) 1.1 × 10¹² 18. Kimi K2.5 (Moonshot, 2026) \~1 × 10¹² 19. Composer 2 (Cursor, 2026) 1 × 10¹² 20. Kimi K2.6 (Moonshot, 2026) 1 × 10¹² 21. Composer 2.5 (Cursor, 2026) \~1 × 10¹² 22. MiMo-V2-Pro (Xiaomi Corp, 2026) 1 × 10¹² 23. MiMo-V2.5-Pro (Xiaomi Corp, 2026) \~1 × 10¹² 24. M6-T (Alibaba, 2021) \~1 × 10¹² 25. Kimi K2 (Moonshot, 2025) 1 × 10¹² 26. Qwen3-Max (Alibaba, 2025) \~1 × 10¹² 27. Ling-1T (Ant Group, 2025) 1 × 10¹² 28. Kimi K2 Thinking (Moonshot, 2025) \~1 × 10¹² 29. Inkling (Thinking Machines, 2026) \~9.8 × 10¹¹ 30. Tencent Hy4 preview (Tencent, 2026) \~7.7 × 10¹¹ 31. GLM-5.1 (Z.ai (Zhipu AI), 2026) 7.5 × 10¹¹ 32. K-EXAONE 2.0 (LG AI Research, 2026) 7.5 × 10¹¹ 33. DeepSeek V4.1 Flash (DeepSeek, 2026) \~7.5 × 10¹¹ 34. GLM-5 (Z.ai (Zhipu AI), 2026) \~7.4 × 10¹¹ 35. GLM-5.3 (Z.ai (Zhipu AI), 2026) 7.4 × 10¹¹ 36. A.X K2 (SK Telecom, 2026) 6.9 × 10¹¹ 37. DeepSeekMath-V2 (DeepSeek, 2025) 6.8 × 10¹¹ 38. Mistral Large 3 (Mistral AI, 2025) 6.8 × 10¹¹ 39. DeepSeek-V3 (DeepSeek, 2024) 6.7 × 10¹¹ 40. DeepSeek-R1 (DeepSeek, 2025) 6.7 × 10¹¹ Показать все 725 10^4 10^6 10^8 10^10 10^12 10^14 параметров или синапсов Показать числа | # | Система | Все параметры | Используется на токен | Год | Вид | | --- | ------------------------------------------------------------------------------------------- | ------------- | --------------------- | ---- | ----------------------------------------------------------- | | 1 | Неокортекс человека | 1.6 × 10¹⁴ | 1.6 × 10¹⁴ | | синапсов | | 2 | GPT-5.5 (OpenAI, 2026) \* | \~4.7 × 10¹² | | 2026 | оценка | | 3 | Claude Fable 5 (Anthropic, 2026) \* | \~3.5 × 10¹² | | 2026 | оценка | | 4 | Grok 3 (xAI, 2025) | \~3 × 10¹² | | 2025 | оценка | | 5 | Grok 4 (xAI, 2025) | \~3 × 10¹² | | 2025 | оценка | | 6 | Gemini 2.5 Pro (Google, 2025) \* | \~3 × 10¹² | | 2025 | оценка | | 7 | Kimi K3 (Moonshot, 2026) | \~2.8 × 10¹² | | 2026 | оценка | | 8 | Qwen 3.8 Max (Alibaba, 2026) | 2.4 × 10¹² | 2.4 × 10¹² | 2026 | архитектура не указана | | 9 | Qwen3.8-2.4T-A95B (Alibaba, 2026) | 2.4 × 10¹² | 9.5 × 10¹⁰ | 2026 | смесь экспертов | | 10 | Grok 4.7 (xAI, 2026) \* | \~2.1 × 10¹² | | 2026 | оценка | | 11 | Llama 4 Behemoth (Meta AI, 2025) | \~2 × 10¹² | | 2025 | оценка | | 12 | GPT-4 (OpenAI, 2023) | \~1.8 × 10¹² | | 2023 | оценка | | 13 | DeepSeek-V4-Pro (DeepSeek, 2026) | \~1.6 × 10¹² | | 2026 | оценка | | 14 | LongCat-2.0 (Meituan Inc, 2026) | \~1.6 × 10¹² | | 2026 | оценка | | 15 | Switch (Google, 2021) | 1.6 × 10¹² | 1.6 × 10¹² | 2021 | смесь экспертов (число активных параметров не опубликовано) | | 16 | GLaM (Google, 2021) | 1.2 × 10¹² | 1.2 × 10¹² | 2021 | смесь экспертов (число активных параметров не опубликовано) | | 17 | PanGu-Σ (Huawei Noah's Ark Lab, 2023) | 1.1 × 10¹² | 1.1 × 10¹² | 2023 | смесь экспертов (число активных параметров не опубликовано) | | 18 | Kimi K2.5 (Moonshot, 2026) | \~1 × 10¹² | | 2026 | оценка | | 19 | Composer 2 (Cursor, 2026) | 1 × 10¹² | 1 × 10¹² | 2026 | смесь экспертов (число активных параметров не опубликовано) | | 20 | Kimi K2.6 (Moonshot, 2026) | 1 × 10¹² | 1 × 10¹² | 2026 | смесь экспертов (число активных параметров не опубликовано) | | 21 | Composer 2.5 (Cursor, 2026) | \~1 × 10¹² | | 2026 | оценка | | 22 | MiMo-V2-Pro (Xiaomi Corp, 2026) | 1 × 10¹² | 1 × 10¹² | 2026 | архитектура не указана | | 23 | MiMo-V2.5-Pro (Xiaomi Corp, 2026) | \~1 × 10¹² | | 2026 | оценка | | 24 | M6-T (Alibaba, 2021) | \~1 × 10¹² | | 2021 | оценка | | 25 | Kimi K2 (Moonshot, 2025) | 1 × 10¹² | 1 × 10¹² | 2025 | смесь экспертов (число активных параметров не опубликовано) | | 26 | Qwen3-Max (Alibaba, 2025) | \~1 × 10¹² | | 2025 | оценка | | 27 | Ling-1T (Ant Group, 2025) | 1 × 10¹² | 5 × 10¹⁰ | 2025 | смесь экспертов | | 28 | Kimi K2 Thinking (Moonshot, 2025) | \~1 × 10¹² | | 2025 | оценка | | 29 | Inkling (Thinking Machines, 2026) | \~9.8 × 10¹¹ | | 2026 | оценка | | 30 | Tencent Hy4 preview (Tencent, 2026) | \~7.7 × 10¹¹ | | 2026 | оценка | | 31 | GLM-5.1 (Z.ai (Zhipu AI), 2026) | 7.5 × 10¹¹ | 7.5 × 10¹¹ | 2026 | смесь экспертов (число активных параметров не опубликовано) | | 32 | K-EXAONE 2.0 (LG AI Research, 2026) | 7.5 × 10¹¹ | 7.5 × 10¹¹ | 2026 | смесь экспертов (число активных параметров не опубликовано) | | 33 | DeepSeek V4.1 Flash (DeepSeek, 2026) | \~7.5 × 10¹¹ | | 2026 | оценка | | 34 | GLM-5 (Z.ai (Zhipu AI), 2026) | \~7.4 × 10¹¹ | | 2026 | оценка | | 35 | GLM-5.3 (Z.ai (Zhipu AI), 2026) | 7.4 × 10¹¹ | 4 × 10¹⁰ | 2026 | смесь экспертов | | 36 | A.X K2 (SK Telecom, 2026) | 6.9 × 10¹¹ | 6.9 × 10¹¹ | 2026 | смесь экспертов (число активных параметров не опубликовано) | | 37 | DeepSeekMath-V2 (DeepSeek, 2025) | 6.8 × 10¹¹ | 6.8 × 10¹¹ | 2025 | смесь экспертов (число активных параметров не опубликовано) | | 38 | Mistral Large 3 (Mistral AI, 2025) | 6.8 × 10¹¹ | 4.1 × 10¹⁰ | 2025 | смесь экспертов | | 39 | DeepSeek-V3 (DeepSeek, 2024) | 6.7 × 10¹¹ | 3.7 × 10¹⁰ | 2024 | смесь экспертов | | 40 | DeepSeek-R1 (DeepSeek, 2025) | 6.7 × 10¹¹ | 3.7 × 10¹⁰ | 2025 | смесь экспертов | | 41 | SenseChat 5.5 (SenseTime, 2024) | 6 × 10¹¹ | 6 × 10¹¹ | 2024 | архитектура не указана | | 42 | Step 5 Preview (StepFun, 2026) | \~6 × 10¹¹ | | 2026 | оценка | | 43 | PaLM-E (Google, 2023) | \~5.6 × 10¹¹ | | 2023 | оценка | | 44 | Hunyuan-TurboS (Tencent, 2025) | 5.6 × 10¹¹ | 5.6 × 10¹¹ | 2025 | смесь экспертов (число активных параметров не опубликовано) | | 45 | LongCat-Flash (Meituan Inc, 2025) | \~5.6 × 10¹¹ | | 2025 | оценка | | 46 | Nemotron 3 Ultra (Nvidia, 2026) | \~5.5 × 10¹¹ | | 2026 | оценка | | 47 | PaLM (Google Research, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | плотная | | 48 | Minerva (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | плотная | | 49 | U-PaLM (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | плотная | | 50 | LMSI-Palm (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | плотная | | 51 | Flan-PaLM 540B (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | плотная | | 52 | Megatron-Turing NLG 530B (Microsoft, 2021) | 5.3 × 10¹¹ | 5.3 × 10¹¹ | 2021 | плотная | | 53 | MegaScale (ByteDance, 2024) | \~5.3 × 10¹¹ | | 2024 | оценка | | 54 | A.X K1 (SK Telecom, 2025) | 5.2 × 10¹¹ | 5.2 × 10¹¹ | 2025 | смесь экспертов (число активных параметров не опубликовано) | | 55 | Doubao-pro (ByteDance, 2024) | \~5 × 10¹¹ | | 2024 | оценка | | 56 | Grok 4.20 (xAI, 2026) | \~5 × 10¹¹ | | 2026 | оценка | | 57 | Qwen3-Coder-480B-A35B (Alibaba, 2025) | 4.8 × 10¹¹ | 3.5 × 10¹⁰ | 2025 | смесь экспертов | | 58 | MiniMax-M3 (MiniMax, 2026) | 4.3 × 10¹¹ | 2.2 × 10¹⁰ | 2026 | смесь экспертов | | 59 | ERNIE-4.5-VL-424B-A47B (Baidu, 2025) | 4.2 × 10¹¹ | 4.7 × 10¹⁰ | 2025 | смесь экспертов | | 60 | Llama 3.1-405B (Meta AI, 2024) | 4 × 10¹¹ | 4 × 10¹¹ | 2024 | плотная | | 61 | Llama 4 Maverick (Meta AI, 2025) | \~4 × 10¹¹ | | 2025 | оценка | | 62 | Jamba 1.5-Large (AI21 Labs, 2024) | 4 × 10¹¹ | 4 × 10¹¹ | 2024 | смесь экспертов (число активных параметров не опубликовано) | | 63 | Qwen3.5 397B-A17B (Alibaba, 2026) | \~4 × 10¹¹ | | 2026 | оценка | | 64 | Hunyuan-Large (Tencent, 2024) | 3.9 × 10¹¹ | 3.9 × 10¹¹ | 2024 | смесь экспертов (число активных параметров не опубликовано) | | 65 | GLM-4.7 (Z.ai (Zhipu AI), 2025) | \~3.6 × 10¹¹ | | 2025 | оценка | | 66 | GLM-4.6 (Z.ai (Zhipu AI), 2025) | \~3.6 × 10¹¹ | | 2025 | оценка | | 67 | GLM-4.5 (Z.ai (Zhipu AI), 2025) | 3.5 × 10¹¹ | 3.2 × 10¹⁰ | 2025 | смесь экспертов | | 68 | PaLM 2 (Google, 2023) | \~3.4 × 10¹¹ | | 2023 | оценка | | 69 | Med-PaLM 2 (Google Research, 2023) | \~3.4 × 10¹¹ | | 2023 | оценка | | 70 | Nemotron-4 340B (Nvidia, 2024) | 3.4 × 10¹¹ | 3.4 × 10¹¹ | 2024 | плотная | | 71 | GLM-5.3-Flash (Z.ai (Zhipu AI), 2026) | \~3.2 × 10¹¹ | | 2026 | оценка | | 72 | Grok-1 (xAI, 2023) | \~3.1 × 10¹¹ | | 2023 | оценка | | 73 | Motif-3 (Motif Technologies, 2026) | 3.1 × 10¹¹ | 3.1 × 10¹¹ | 2026 | смесь экспертов (число активных параметров не опубликовано) | | 74 | SB-LM (Google, 2007) | \~3 × 10¹¹ | | 2007 | оценка | | 75 | Tencent Hy3 preview (Tencent, 2026) | 3 × 10¹¹ | 3 × 10¹¹ | 2026 | смесь экспертов (число активных параметров не опубликовано) | | 76 | Tencent Hy3 (Tencent, 2026) | 3 × 10¹¹ | 3 × 10¹¹ | 2026 | смесь экспертов (число активных параметров не опубликовано) | | 77 | DeepSeek-V4-Flash (DeepSeek, 2026) | \~2.8 × 10¹¹ | | 2026 | оценка | | 78 | Gopher (DeepMind, 2021) | 2.8 × 10¹¹ | 2.8 × 10¹¹ | 2021 | плотная | | 79 | TML-Interaction-Small (Thinking Machines, 2026) | 2.8 × 10¹¹ | 2.8 × 10¹¹ | 2026 | смесь экспертов (число активных параметров не опубликовано) | | 80 | ST-MoE (Google, 2022) | \~2.7 × 10¹¹ | | 2022 | оценка | | 81 | ERNIE 3.0 Titan (Baidu, 2021) | 2.6 × 10¹¹ | 2.6 × 10¹¹ | 2021 | плотная | | 82 | Solar Open2 250B (Upstage, 2026) | \~2.5 × 10¹¹ | | 2026 | оценка | | 83 | Aramco Metabrain AI (Saudi Aramco, 2024) | \~2.5 × 10¹¹ | | 2024 | оценка | | 84 | Yuan 1.0 (Inspur, 2021) | 2.5 × 10¹¹ | 2.5 × 10¹¹ | 2021 | архитектура не указана | | 85 | DeepSeek-Coder-V2 236B (DeepSeek, 2024) | 2.4 × 10¹¹ | 2.4 × 10¹¹ | 2024 | смесь экспертов (число активных параметров не опубликовано) | | 86 | DeepSeek-V2.5 (DeepSeek, 2024) | 2.4 × 10¹¹ | 2.4 × 10¹¹ | 2024 | смесь экспертов (число активных параметров не опубликовано) | | 87 | K-EXAONE (LG AI Research, 2025) | 2.4 × 10¹¹ | 2.4 × 10¹¹ | 2025 | архитектура не указана | | 88 | Qwen3-235B-A22B (Alibaba, 2025) | \~2.4 × 10¹¹ | | 2025 | оценка | | 89 | Qwen3-235B-A22B-Thinking (Alibaba, 2025) | \~2.4 × 10¹¹ | | 2025 | оценка | | 90 | P1-235B-A22B (Shanghai AI Lab, 2025) | \~2.4 × 10¹¹ | | 2025 | оценка | | 91 | Seed-1.6-Thinking (ByteDance, 2025) | 2.3 × 10¹¹ | 2.3 × 10¹¹ | 2025 | смесь экспертов (число активных параметров не опубликовано) | | 92 | MiniMax-M2 (MiniMax, 2025) | 2.3 × 10¹¹ | 1 × 10¹⁰ | 2025 | смесь экспертов | | 93 | MiniMax-M2.1 (MiniMax, 2025) | 2.3 × 10¹¹ | 2.3 × 10¹¹ | 2025 | смесь экспертов (число активных параметров не опубликовано) | | 94 | HyperCLOVA 204B (NAVER, 2021) | \~2 × 10¹¹ | | 2021 | оценка | | 95 | Amazon Titan (Amazon, 2023) | \~2 × 10¹¹ | | 2023 | оценка | | 96 | Falcon-180B (Technology Innovation Institute, 2023) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2023 | плотная | | 97 | Jurassic-1-Jumbo (AI21 Labs, 2021) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2021 | архитектура не указана | | 98 | BLOOM-176B (Hugging Face, 2022) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2022 | плотная | | 99 | BLUUMI (University of Turku, 2023) | \~1.8 × 10¹¹ | | 2023 | оценка | | 100 | InstructGPT 175B (OpenAI, 2022) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2022 | плотная | | 101 | OPT-175B (Meta AI, 2022) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2022 | плотная | | 102 | BlenderBot 3 (McGill University, 2022) | \~1.8 × 10¹¹ | | 2022 | оценка | | 103 | GPT-3 175B (OpenAI, 2020) | 1.7 × 10¹¹ | 1.7 × 10¹¹ | 2020 | плотная | | 104 | Palmyra X 004 (Writer, 2024) | \~1.5 × 10¹¹ | | 2024 | оценка | | 105 | FLAN 137B (Google Research, 2021) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2021 | архитектура не указана | | 106 | LaMDA (Google, 2022) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2022 | архитектура не указана | | 107 | MEB (Microsoft, 2021) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2021 | архитектура не указана | | 108 | Pangu Ultra (Huawei, 2025) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2025 | архитектура не указана | | 109 | DBRX (Databricks, 2024) | 1.3 × 10¹¹ | 1.3 × 10¹¹ | 2024 | смесь экспертов (число активных параметров не опубликовано) | | 110 | GLM-130B (Tsinghua University, 2022) | 1.3 × 10¹¹ | 1.3 × 10¹¹ | 2022 | плотная | | 111 | Pixtral Large (Mistral AI, 2024) | 1.2 × 10¹¹ | 1.2 × 10¹¹ | 2024 | архитектура не указана | | 112 | Mistral Large 2 (Mistral AI, 2024) | \~1.2 × 10¹¹ | | 2024 | оценка | | 113 | Qwen3.5-122B-A10B (Alibaba, 2026) | \~1.2 × 10¹¹ | | 2026 | оценка | | 114 | Galactica (Meta AI, 2022) | \~1.2 × 10¹¹ | | 2022 | оценка | | 115 | Nemotron 3 Super (Nvidia, 2026) | \~1.2 × 10¹¹ | | 2026 | оценка | | 116 | gpt-oss-120b (OpenAI, 2025) | 1.2 × 10¹¹ | 5.1 × 10⁹ | 2025 | смесь экспертов | | 117 | Telechat2-115B (China Telecom, 2024) | 1.1 × 10¹¹ | 1.1 × 10¹¹ | 2024 | архитектура не указана | | 118 | Kaiju Large (Character.ai, 2025) | \~1.1 × 10¹¹ | | 2025 | оценка | | 119 | Llama 4 Scout (Meta AI, 2025) | \~1.1 × 10¹¹ | | 2025 | оценка | | 120 | InternLM (Shanghai AI Lab, 2023) | 1 × 10¹¹ | 1 × 10¹¹ | 2023 | плотная | | 121 | Solar Open 100B (Upstage, 2025) | 1 × 10¹¹ | 1 × 10¹¹ | 2025 | архитектура не указана | | 122 | DLRM-2020 (Facebook AI, 2019) | 1 × 10¹¹ | 1 × 10¹¹ | 2019 | плотная | | 123 | xTrimoPGLM -100B (Tsinghua University, 2023) | 1 × 10¹¹ | 1 × 10¹¹ | 2023 | архитектура не указана | | 124 | Yi-Large (01.AI, 2024) | \~1 × 10¹¹ | | 2024 | оценка | | 125 | VAETKI (NC AI, 2025) | 1 × 10¹¹ | 1 × 10¹¹ | 2025 | смесь экспертов (число активных параметров не опубликовано) | | 126 | ESM3 (EvolutionaryScale, 2024) | 9.8 × 10¹⁰ | 9.8 × 10¹⁰ | 2024 | архитектура не указана | | 127 | Неокортекс мыши | 8.1 × 10¹⁰ | 8.1 × 10¹⁰ | | синапсов | | 128 | Flamingo (DeepMind, 2022) | 8 × 10¹⁰ | 8 × 10¹⁰ | 2022 | плотная | | 129 | Qwen3-Coder-Next (Alibaba, 2026) | \~8 × 10¹⁰ | | 2026 | оценка | | 130 | Qwen2-72B (Alibaba, 2024) | 7.3 × 10¹⁰ | 7.3 × 10¹⁰ | 2024 | плотная | | 131 | Qwen2.5-72B (Alibaba, 2024) | 7.3 × 10¹⁰ | 7.3 × 10¹⁰ | 2024 | плотная | | 132 | Qwen2.5 Instruct (Alibaba, 2024) | 7.3 × 10¹⁰ | 7.3 × 10¹⁰ | 2024 | плотная | | 133 | Qwen-72B (Alibaba, 2023) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2023 | плотная | | 134 | Palmyra X 003 (Writer, 2024) | \~7.2 × 10¹⁰ | | 2024 | оценка | | 135 | Qwen1.5-72B (Alibaba, 2024) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2024 | плотная | | 136 | LLaVA-OV-72B (ByteDance, 2024) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2024 | плотная | | 137 | NVLM-X 72B (Nvidia, 2024) | \~7.2 × 10¹⁰ | | 2024 | оценка | | 138 | NVLM-H 72B (Nvidia, 2024) | \~7.2 × 10¹⁰ | | 2024 | оценка | | 139 | NVLM-D 72B (Nvidia, 2024) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2024 | архитектура не указана | | 140 | MindLink-72B (Kunlun Inc., 2025) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2025 | архитектура не указана | | 141 | Chinchilla (DeepMind, 2022) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2022 | плотная | | 142 | Llama 2-70B (Meta AI, 2023) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2023 | плотная | | 143 | PPLX-70B-Online (Perplexity, 2023) | \~7 × 10¹⁰ | | 2023 | оценка | | 144 | Llama 3-70B (Meta AI, 2024) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2024 | плотная | | 145 | ALLaM adapted 70B (Saudi Data and Artificial Intelligence Authority, 2024) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2024 | архитектура не указана | | 146 | Llama 3.3 70B (Meta AI, 2024) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2024 | плотная | | 147 | Reka Core (Reka AI, 2024) | \~6.7 × 10¹⁰ | | 2024 | оценка | | 148 | LLaMA-65B (Meta AI, 2023) | 6.5 × 10¹⁰ | 6.5 × 10¹⁰ | 2023 | плотная | | 149 | SNM-skip (Google, 2014) | \~6.2 × 10¹⁰ | | 2014 | оценка | | 150 | PaLI-X (Google Research, 2023) | \~5.5 × 10¹⁰ | | 2023 | оценка | | 151 | RT-2 (Google DeepMind, 2023) | 5.5 × 10¹⁰ | 5.5 × 10¹⁰ | 2023 | архитектура не указана | | 152 | RT-2-X (Google DeepMind, 2023) | 5.5 × 10¹⁰ | 5.5 × 10¹⁰ | 2023 | архитектура не указана | | 153 | NLLB (Meta AI, 2022) | 5.5 × 10¹⁰ | 5.5 × 10¹⁰ | 2022 | плотная | | 154 | BloombergGPT (Bloomberg, 2023) | 5.1 × 10¹⁰ | 5.1 × 10¹⁰ | 2023 | плотная | | 155 | M4-50B (Google, 2019) | 5 × 10¹⁰ | 5 × 10¹⁰ | 2019 | смесь экспертов (число активных параметров не опубликовано) | | 156 | Mixtral 8x7B (Mistral AI, 2023) | \~4.7 × 10¹⁰ | | 2023 | оценка | | 157 | AlphaCode (DeepMind, 2022) | 4.1 × 10¹⁰ | 4.1 × 10¹⁰ | 2022 | архитектура не указана | | 158 | Falcon-40B (Technology Innovation Institute, 2023) | 4 × 10¹⁰ | 4 × 10¹⁰ | 2023 | плотная | | 159 | Qwen3-Omni-30B-A3B (Alibaba, 2025) | 3.5 × 10¹⁰ | 3 × 10⁹ | 2025 | смесь экспертов | | 160 | Yi-34B (01.AI, 2023) | 3.4 × 10¹⁰ | 3.4 × 10¹⁰ | 2023 | плотная | | 161 | Cambrian-1-34B (New York University (NYU), 2024) | 3.4 × 10¹⁰ | 3.4 × 10¹⁰ | 2024 | архитектура не указана | | 162 | Oryx 34B (Tsinghua University, 2024) | 3.4 × 10¹⁰ | 3.4 × 10¹⁰ | 2024 | архитектура не указана | | 163 | Kaiju Medium (Character.ai, 2025) | \~3.4 × 10¹⁰ | | 2025 | оценка | | 164 | EXAONE 4.5 (LG AI Research, 2026) | 3.3 × 10¹⁰ | 3.3 × 10¹⁰ | 2026 | архитектура не указана | | 165 | Qwen2.5-32B (Alibaba, 2024) | 3.3 × 10¹⁰ | 3.3 × 10¹⁰ | 2024 | плотная | | 166 | QwQ-32B (Alibaba, 2025) | \~3.3 × 10¹⁰ | | 2025 | оценка | | 167 | EXAONE 3.5 32B (LG AI Research, 2024) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2024 | архитектура не указана | | 168 | EXAONE Deep 32B (LG AI Research, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | архитектура не указана | | 169 | EXAONE 4.0 (LG AI Research, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | архитектура не указана | | 170 | Olmo 3 (Allen Institute for AI, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | архитектура не указана | | 171 | HyperCLOVA X SEED 32B Think (NAVER, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | архитектура не указана | | 172 | Nemotron 3-Nano-30B-A3B (Nvidia, 2025) | \~3.2 × 10¹⁰ | | 2025 | оценка | | 173 | Tongyi DeepResearch (Alibaba, 2025) | 3 × 10¹⁰ | 3 × 10¹⁰ | 2025 | архитектура не указана | | 174 | MM1-30B (Apple, 2024) | \~3 × 10¹⁰ | | 2024 | оценка | | 175 | Movie Gen Video (Meta AI, 2024) | 3 × 10¹⁰ | 3 × 10¹⁰ | 2024 | архитектура не указана | | 176 | AgentFounder-30B (Alibaba, 2025) | 3 × 10¹⁰ | 3 × 10¹⁰ | 2025 | архитектура не указана | | 177 | PLUG (Alibaba, 2021) | 2.7 × 10¹⁰ | 2.7 × 10¹⁰ | 2021 | архитектура не указана | | 178 | Qwen Image (Alibaba, 2025) | 2.7 × 10¹⁰ | 2.7 × 10¹⁰ | 2025 | архитектура не указана | | 179 | GenSLM (University of Chicago, 2022) | 2.5 × 10¹⁰ | 2.5 × 10¹⁰ | 2022 | архитектура не указана | | 180 | ViT-22B (Google, 2023) | 2.2 × 10¹⁰ | 2.2 × 10¹⁰ | 2023 | архитектура не указана | | 181 | KN-LM (Google, 2007) | \~2.1 × 10¹⁰ | | 2007 | оценка | | 182 | gpt-oss-20b (OpenAI, 2025) | 2.1 × 10¹⁰ | 2.1 × 10¹⁰ | 2025 | смесь экспертов (число активных параметров не опубликовано) | | 183 | RNN for 1B words (Google, 2013) | \~2 × 10¹⁰ | | 2013 | оценка | | 184 | GPT-NeoX-20B (EleutherAI, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | плотная | | 185 | UL2 (Google Research, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | архитектура не указана | | 186 | Parti (Google Research, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | архитектура не указана | | 187 | GPT-3.5 Turbo (OpenAI, 2023) | \~2 × 10¹⁰ | | 2023 | оценка | | 188 | GPT-3.5 Turbo Instruct (OpenAI, 2023) | \~2 × 10¹⁰ | | 2023 | оценка | | 189 | SPHINX (Shanghai AI Lab, 2023) | \~2 × 10¹⁰ | | 2023 | оценка | | 190 | AlexaTM 20B (Amazon, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | архитектура не указана | | 191 | CogAgent (Tsinghua University, 2023) | \~1.8 × 10¹⁰ | | 2023 | оценка | | 192 | Turing-NLG (Microsoft, 2020) | \~1.7 × 10¹⁰ | | 2020 | оценка | | 193 | CogVLM-17B (Tsinghua University, 2023) | 1.7 × 10¹⁰ | 1.7 × 10¹⁰ | 2023 | архитектура не указана | | 194 | PaLI (Google, 2022) | \~1.7 × 10¹⁰ | | 2022 | оценка | | 195 | CodeT5+ (Salesforce, 2023) | 1.6 × 10¹⁰ | 1.6 × 10¹⁰ | 2023 | архитектура не указана | | 196 | StarCoder (Hugging Face, 2023) | 1.6 × 10¹⁰ | 1.6 × 10¹⁰ | 2023 | плотная | | 197 | ESM2-15B (Meta AI, 2022) | 1.5 × 10¹⁰ | 1.5 × 10¹⁰ | 2022 | архитектура не указана | | 198 | FunSearch (Google DeepMind, 2023) | \~1.5 × 10¹⁰ | | 2023 | оценка | | 199 | NVILA 15B (Nvidia, 2024) | 1.5 × 10¹⁰ | 1.5 × 10¹⁰ | 2024 | архитектура не указана | | 200 | nekomata-14b (rinna, 2023) | 1.4 × 10¹⁰ | 1.4 × 10¹⁰ | 2023 | архитектура не указана | | 201 | VILA1.5-13B (Nvidia, 2024) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2024 | архитектура не указана | | 202 | VILA-13B (Nvidia, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | архитектура не указана | | 203 | mT5-XXL (Google, 2020) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2020 | плотная | | 204 | mT0-13B (Hugging Face, 2022) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2022 | архитектура не указана | | 205 | LLaVA (University of Wisconsin Madison, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | плотная | | 206 | InstructBLIP (Salesforce Research, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | архитектура не указана | | 207 | Jais (Cerebras Systems, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | архитектура не указана | | 208 | FinGPT-13B (University of California Los Angeles (UCLA), 2023) | \~1.3 × 10¹⁰ | | 2023 | оценка | | 209 | Ferret (Columbia University, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | архитектура не указана | | 210 | Skywork-13B (Kunlun Inc., 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | архитектура не указана | | 211 | LLaVA 1.5 (University of Wisconsin Madison, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | плотная | | 212 | Volcano 13B (Korea University, 2023) | \~1.3 × 10¹⁰ | | 2023 | оценка | | 213 | Aya (Cohere Labs (formerly Cohere for AI), 2024) | \~1.3 × 10¹⁰ | | 2024 | оценка | | 214 | Kaiju Small (Character.ai, 2025) | \~1.3 × 10¹⁰ | | 2025 | оценка | | 215 | ByT5-XXL (Google, 2021) | \~1.3 × 10¹⁰ | | 2021 | оценка | | 216 | CoRe (Tsinghua University, 2023) | \~1.2 × 10¹⁰ | | 2023 | оценка | | 217 | DALL-E (OpenAI, 2021) | \~1.2 × 10¹⁰ | | 2021 | оценка | | 218 | Codex (OpenAI, 2021) | \~1.2 × 10¹⁰ | | 2021 | оценка | | 219 | T5-11B (Google, 2019) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2019 | плотная | | 220 | UnifiedQA (Allen Institute for AI, 2020) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2020 | плотная | | 221 | Unicorn (Allen Institute for AI, 2021) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2021 | архитектура не указана | | 222 | PLATO-XL (Baidu, 2021) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2021 | архитектура не указана | | 223 | CoEdiT-xxl (University of Minnesota, 2023) | \~1.1 × 10¹⁰ | | 2023 | оценка | | 224 | GQA-8-XXL (Google Research, 2023) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2023 | архитектура не указана | | 225 | XLMR-XXL (Facebook AI Research, 2021) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2021 | архитектура не указана | | 226 | Llama 3.2 11B (Meta AI, 2024) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2024 | плотная | | 227 | ERNIE 3.0 (Baidu, 2021) | 1 × 10¹⁰ | 1 × 10¹⁰ | 2021 | плотная | | 228 | ERNIE-ViLG (Baidu, 2021) | \~1 × 10¹⁰ | | 2021 | оценка | | 229 | Qwen-VL (Alibaba, 2023) | \~9.6 × 10⁹ | | 2023 | оценка | | 230 | Generative BST (Facebook AI Research, 2021) | 9.4 × 10⁹ | 9.4 × 10⁹ | 2021 | архитектура не указана | | 231 | Sparse all-MLP (Meta AI, 2022) | 9.4 × 10⁹ | 9.4 × 10⁹ | 2022 | смесь экспертов (число активных параметров не опубликовано) | | 232 | CogVideo (Tsinghua University, 2022) | \~9.4 × 10⁹ | | 2022 | оценка | | 233 | eDiff-I (Nvidia, 2022) | \~9.1 × 10⁹ | | 2022 | оценка | | 234 | Eagle 2 (Nvidia, 2025) | 8.9 × 10⁹ | 8.9 × 10⁹ | 2025 | архитектура не указана | | 235 | MoE-Multi (Jagiellonian University, 2017) | 8.7 × 10⁹ | 8.7 × 10⁹ | 2017 | смесь экспертов (число активных параметров не опубликовано) | | 236 | Qwen-Audio-Chat (Alibaba, 2023) | \~8.5 × 10⁹ | | 2023 | оценка | | 237 | Megatron-LM (Nvidia, 2019) | \~8.3 × 10⁹ | | 2019 | оценка | | 238 | BigSSL (Google, 2021) | \~8 × 10⁹ | | 2021 | оценка | | 239 | Nemotron-3-8B (Nvidia, 2023) | 8 × 10⁹ | 8 × 10⁹ | 2023 | архитектура не указана | | 240 | Stable Diffusion 3 (Stability AI, 2024) | 8 × 10⁹ | 8 × 10⁹ | 2024 | плотная | | 241 | Qwen3 Embedding (Alibaba, 2025) | 8 × 10⁹ | 8 × 10⁹ | 2025 | смесь экспертов (число активных параметров не опубликовано) | | 242 | Imagen (Google Brain, 2022) | \~7.8 × 10⁹ | | 2022 | оценка | | 243 | XGLM-7.5B (Meta AI, 2021) | 7.5 × 10⁹ | 7.5 × 10⁹ | 2021 | архитектура не указана | | 244 | RETRO-7B (DeepMind, 2022) | 7.5 × 10⁹ | 7.5 × 10⁹ | 2022 | архитектура не указана | | 245 | OpenVLA (Stanford University, 2024) | 7.2 × 10⁹ | 7.2 × 10⁹ | 2024 | архитектура не указана | | 246 | mPLUG-Owl2 (Alibaba, 2023) | \~7.1 × 10⁹ | | 2023 | оценка | | 247 | Goat-7B (National University of Singapore, 2023) | \~7 × 10⁹ | | 2023 | оценка | | 248 | Llama 2-7B (Meta AI, 2023) | 7 × 10⁹ | 7 × 10⁹ | 2023 | плотная | | 249 | Llama Guard (Meta AI, 2023) | 7 × 10⁹ | 7 × 10⁹ | 2023 | плотная | | 250 | Qwen-VL-Max (Alibaba, 2024) | 7 × 10⁹ | 7 × 10⁹ | 2024 | плотная | | 251 | Mathstral (Mistral AI, 2024) | 7 × 10⁹ | 7 × 10⁹ | 2024 | архитектура не указана | | 252 | Apollo 7B (Meta AI, 2024) | 7 × 10⁹ | 7 × 10⁹ | 2024 | архитектура не указана | | 253 | Eurus-2-7B-PRIME (Tsinghua University, 2025) | \~7 × 10⁹ | | 2025 | оценка | | 254 | INTELLECT-MATH (Prime Intellect, 2025) | 7 × 10⁹ | 7 × 10⁹ | 2025 | архитектура не указана | | 255 | Incoder-6.7B (Facebook AI Research, 2023) | 6.7 × 10⁹ | 6.7 × 10⁹ | 2023 | архитектура не указана | | 256 | ProGen2-xlarge (Salesforce Research, 2022) | 6.4 × 10⁹ | 6.4 × 10⁹ | 2022 | архитектура не указана | | 257 | GPipe (Google, 2018) | \~6 × 10⁹ | | 2018 | оценка | | 258 | InstructGPT 6B (OpenAI, 2022) | 6 × 10⁹ | 6 × 10⁹ | 2022 | плотная | | 259 | Vega v2 (Wuhan University, 2022) | 6 × 10⁹ | 6 × 10⁹ | 2022 | архитектура не указана | | 260 | ChatGLM3-6B (Z.ai (Zhipu AI), 2023) | \~6 × 10⁹ | | 2023 | оценка | | 261 | MolmoAct 2 (Allen Institute for AI, 2026) | \~5.5 × 10⁹ | | 2026 | оценка | | 262 | T-NLRv5 XXL (Microsoft, 2021) | 5.4 × 10⁹ | 5.4 × 10⁹ | 2021 | архитектура не указана | | 263 | π0.6 (Physical Intelligence, 2025) | 5.3 × 10⁹ | 5.3 × 10⁹ | 2025 | смесь экспертов (число активных параметров не опубликовано) | | 264 | PaLI-3 (Google DeepMind, 2023) | 5 × 10⁹ | 5 × 10⁹ | 2023 | архитектура не указана | | 265 | Mesh-TensorFlow Transformer 4.9B (Google Brain, 2018) | 4.9 × 10⁹ | 4.9 × 10⁹ | 2018 | плотная | | 266 | W.A.L.T (Stanford University, 2023) | 4.7 × 10⁹ | 4.7 × 10⁹ | 2023 | архитектура не указана | | 267 | CogView (Tsinghua University, 2021) | \~4 × 10⁹ | | 2021 | оценка | | 268 | Make-A-Scene (Meta AI, 2022) | \~4 × 10⁹ | | 2022 | оценка | | 269 | ONE-PEACE (Alibaba, 2023) | \~4 × 10⁹ | | 2023 | оценка | | 270 | Megatron-BERT (Nvidia, 2019) | 3.9 × 10⁹ | 3.9 × 10⁹ | 2019 | плотная | | 271 | DALL·E 2 (OpenAI, 2022) | \~3.5 × 10⁹ | | 2022 | оценка | | 272 | Stable Diffusion XL (Stability AI, 2023) | \~3.4 × 10⁹ | | 2023 | оценка | | 273 | MusicGen (Meta AI, 2023) | \~3.4 × 10⁹ | | 2023 | оценка | | 274 | Gemini Nano-2 (Google DeepMind, 2023) | 3.3 × 10⁹ | 3.3 × 10⁹ | 2023 | архитектура не указана | | 275 | Zidong Taichu (Chinese Academy of Sciences, 2021) | 3.2 × 10⁹ | 3.2 × 10⁹ | 2021 | архитектура не указана | | 276 | DeepNet (Microsoft Research, 2022) | 3.2 × 10⁹ | 3.2 × 10⁹ | 2022 | архитектура не указана | | 277 | MS-ensemble-speech-recognition (Microsoft, 2016) | \~3.2 × 10⁹ | | 2016 | оценка | | 278 | BASIC-L (Google, 2021) | \~3.1 × 10⁹ | | 2021 | оценка | | 279 | BASIC-L + Lion (Google, 2023) | 3.1 × 10⁹ | 3.1 × 10⁹ | 2023 | архитектура не указана | | 280 | LEP-AD (King Abdullah University of Science and Technology (KAUST), 2023) | 3 × 10⁹ | 3 × 10⁹ | 2023 | архитектура не указана | | 281 | ViT-G/14 (Google Research, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | архитектура не указана | | 282 | ProtT5-XL-U50 (Technical University of Munich, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | архитектура не указана | | 283 | Swin Transformer V2 (Microsoft Research Asia, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | архитектура не указана | | 284 | LongT5 (Google Research, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | архитектура не указана | | 285 | ReALM (Apple, 2024) | 3 × 10⁹ | 3 × 10⁹ | 2024 | архитектура не указана | | 286 | Mesh-TensorFlow Transformer 2.9B (Google Brain, 2018) | \~2.9 × 10⁹ | | 2018 | оценка | | 287 | T5-3B (Google, 2019) | 2.8 × 10⁹ | 2.8 × 10⁹ | 2019 | плотная | | 288 | DPO on Pythia-2.8B (Stanford University, 2023) | 2.8 × 10⁹ | 2.8 × 10⁹ | 2023 | плотная | | 289 | AFM-on-device (Apple, 2024) | 2.7 × 10⁹ | 2.7 × 10⁹ | 2024 | архитектура не указана | | 290 | PolyCoder (Carnegie Mellon University (CMU), 2022) | \~2.7 × 10⁹ | | 2022 | оценка | | 291 | Hybrid H3-2.7B (Stanford University, 2022) | \~2.7 × 10⁹ | | 2022 | оценка | | 292 | GPT3-2.7B (Stanford University, 2023) | 2.7 × 10⁹ | 2.7 × 10⁹ | 2023 | архитектура не указана | | 293 | Meena (Google Brain, 2020) | 2.6 × 10⁹ | 2.6 × 10⁹ | 2020 | плотная | | 294 | CPM-Large (Tsinghua University, 2020) | 2.6 × 10⁹ | 2.6 × 10⁹ | 2020 | плотная | | 295 | Nucleotide Transformer (Nvidia, 2023) | \~2.5 × 10⁹ | | 2023 | оценка | | 296 | Fugatto 1 (Nvidia, 2024) | 2.5 × 10⁹ | 2.5 × 10⁹ | 2024 | архитектура не указана | | 297 | CoAtNet (Google, 2021) | 2.4 × 10⁹ | 2.4 × 10⁹ | 2021 | архитектура не указана | | 298 | GShard (Google, 2020) | 2.3 × 10⁹ | 2.3 × 10⁹ | 2020 | плотная | | 299 | SeamlessM4T (Facebook, 2023) | 2.3 × 10⁹ | 2.3 × 10⁹ | 2023 | архитектура не указана | | 300 | Turing ULRv5 (Microsoft, 2021) | 2.2 × 10⁹ | 2.2 × 10⁹ | 2021 | архитектура не указана | | 301 | CoCa (Google Research, 2022) | 2.1 × 10⁹ | 2.1 × 10⁹ | 2022 | архитектура не указана | | 302 | MuseNet (OpenAI, 2019) | \~2 × 10⁹ | | 2019 | оценка | | 303 | Infinity (ByteDance, 2024) | 2 × 10⁹ | 2 × 10⁹ | 2024 | архитектура не указана | | 304 | Seq2Seq LSTM (Google, 2014) | 1.9 × 10⁹ | 1.9 × 10⁹ | 2014 | плотная | | 305 | BEIT-3 (Microsoft, 2022) | \~1.9 × 10⁹ | | 2022 | оценка | | 306 | Ankh\_large (Technical University of Munich, 2023) | 1.9 × 10⁹ | 1.9 × 10⁹ | 2023 | архитектура не указана | | 307 | ViT-G/14 (Google Brain, 2021) | 1.8 × 10⁹ | 1.8 × 10⁹ | 2021 | архитектура не указана | | 308 | ViT-G (University of Washington, 2022) | 1.8 × 10⁹ | 1.8 × 10⁹ | 2022 | архитектура не указана | | 309 | Phenaki (University College London (UCL), 2022) | \~1.8 × 10⁹ | | 2022 | оценка | | 310 | Gemini Nano-1 (Google DeepMind, 2023) | 1.8 × 10⁹ | 1.8 × 10⁹ | 2023 | архитектура не указана | | 311 | DistBelief Vision (Google, 2012) | \~1.7 × 10⁹ | | 2012 | оценка | | 312 | Whisper (OpenAI, 2022) | \~1.6 × 10⁹ | | 2022 | оценка | | 313 | GPT-2 (OpenAI, 2019) | \~1.5 × 10⁹ | | 2019 | оценка | | 314 | DeBERTa (Microsoft, 2021) | 1.5 × 10⁹ | 1.5 × 10⁹ | 2021 | архитектура не указана | | 315 | AR-LDM (Alibaba, 2022) | 1.5 × 10⁹ | 1.5 × 10⁹ | 2022 | архитектура не указана | | 316 | AudioLM (Google Research, 2023) | \~1.5 × 10⁹ | | 2023 | оценка | | 317 | BLIP-2 (Salesforce Research, 2023) | 1.5 × 10⁹ | 1.5 × 10⁹ | 2023 | архитектура не указана | | 318 | LDM-1.45B (Heidelberg University, 2021) | 1.4 × 10⁹ | 1.4 × 10⁹ | 2021 | архитектура не указана | | 319 | Stable Diffusion (Runway, 2022) | 1.4 × 10⁹ | 1.4 × 10⁹ | 2022 | плотная | | 320 | SEER (Facebook AI Research, 2021) | 1.3 × 10⁹ | 1.3 × 10⁹ | 2021 | архитектура не указана | | 321 | InstructGPT 1.3B (OpenAI, 2022) | 1.3 × 10⁹ | 1.3 × 10⁹ | 2022 | плотная | | 322 | Megatron-LM (Nvidia, 2019) | 1.2 × 10⁹ | 1.2 × 10⁹ | 2019 | плотная | | 323 | RDT-1B (Tsinghua University, 2024) | \~1.2 × 10⁹ | | 2024 | оценка | | 324 | Gato (DeepMind, 2022) | 1.2 × 10⁹ | 1.2 × 10⁹ | 2022 | архитектура не указана | | 325 | DINOv2 (Facebook AI Research, 2023) | 1.1 × 10⁹ | 1.1 × 10⁹ | 2023 | архитектура не указана | | 326 | Diffusion Renderer (Nvidia, 2025) | 1.1 × 10⁹ | 1.1 × 10⁹ | 2025 | архитектура не указана | | 327 | InternImage (Shanghai AI Lab, 2022) | 1.1 × 10⁹ | 1.1 × 10⁹ | 2022 | архитектура не указана | | 328 | EVA-01 (Beijing Academy of Artificial Intelligence / BAAI, 2022) | 1 × 10⁹ | 1 × 10⁹ | 2022 | архитектура не указана | | 329 | Unsupervised High-level Feature Learner (Google, 2012) | \~1 × 10⁹ | | 2012 | оценка | | 330 | Conformer + Wav2vec 2.0 + Noisy Student (Google, 2020) | 1 × 10⁹ | 1 × 10⁹ | 2020 | плотная | | 331 | HuBERT (Facebook AI Research, 2021) | \~1 × 10⁹ | | 2021 | оценка | | 332 | W2v-BERT (Google Brain, 2021) | 1 × 10⁹ | 1 × 10⁹ | 2021 | плотная | | 333 | AudioGen (Meta AI, 2023) | \~1 × 10⁹ | | 2023 | оценка | | 334 | VideoMAE V2 (Nanjing University, 2023) | 1 × 10⁹ | 1 × 10⁹ | 2023 | архитектура не указана | | 335 | TransE (Universite de Technologie de Compiègne – CNRS, 2013) | \~9.4 × 10⁸ | | 2013 | оценка | | 336 | ImageBind (Meta AI, 2023) | \~9.3 × 10⁸ | | 2023 | оценка | | 337 | Big Transfer (Google Brain, 2019) | \~9.3 × 10⁸ | | 2019 | оценка | | 338 | Florence (Microsoft, 2021) | 8.9 × 10⁸ | 8.9 × 10⁸ | 2021 | архитектура не указана | | 339 | NÜWA (Microsoft Research, 2021) | 8.7 × 10⁸ | 8.7 × 10⁸ | 2021 | архитектура не указана | | 340 | MusicLM (Google, 2023) | 8.6 × 10⁸ | 8.6 × 10⁸ | 2023 | архитектура не указана | | 341 | ResNeXt-101 32x48d (Facebook, 2018) | 8.3 × 10⁸ | 8.3 × 10⁸ | 2018 | плотная | | 342 | FixRes ResNeXt-101 WSL (Facebook AI, 2019) | \~8.3 × 10⁸ | | 2019 | оценка | | 343 | ALIGN (Google Research, 2021) | 8.2 × 10⁸ | 8.2 × 10⁸ | 2021 | архитектура не указана | | 344 | Statement Curriculum Learning (OpenAI, 2022) | \~7.7 × 10⁸ | | 2022 | оценка | | 345 | CodeT5-large (Salesforce, 2022) | \~7.7 × 10⁸ | | 2022 | оценка | | 346 | DITTO (Tsinghua University, 2022) | 7.5 × 10⁸ | 7.5 × 10⁸ | 2022 | архитектура не указана | | 347 | FGN (Google DeepMind, 2025) | 7.2 × 10⁸ | 7.2 × 10⁸ | 2025 | архитектура не указана | | 348 | data2vec (Meta AI, 2022) | \~7.1 × 10⁸ | | 2022 | оценка | | 349 | Tranception (University of Oxford, 2022) | 7 × 10⁸ | 7 × 10⁸ | 2022 | архитектура не указана | | 350 | Word2Vec (Google, 2013) | \~6.9 × 10⁸ | | 2013 | оценка | | 351 | DiT-XL/2 (New York University (NYU), 2023) | 6.8 × 10⁸ | 6.8 × 10⁸ | 2023 | архитектура не указана | | 352 | DiT-XL/2 + CADS (ETH Zurich, 2023) | \~6.8 × 10⁸ | | 2023 | оценка | | 353 | OmegaPLM (Massachusetts Institute of Technology (MIT), 2022) | 6.7 × 10⁸ | 6.7 × 10⁸ | 2022 | архитектура не указана | | 354 | XLM (Facebook, 2019) | \~6.7 × 10⁸ | | 2019 | оценка | | 355 | ESM1b (Facebook AI Research, 2020) | 6.5 × 10⁸ | 6.5 × 10⁸ | 2020 | плотная | | 356 | Segment Anything Model (Meta AI, 2023) | 6.4 × 10⁸ | 6.4 × 10⁸ | 2023 | архитектура не указана | | 357 | ViT-Huge/14 (Google Brain, 2020) | 6.3 × 10⁸ | 6.3 × 10⁸ | 2020 | плотная | | 358 | Masked Autoencoders ViT-H (Facebook AI Research, 2021) | \~6.3 × 10⁸ | | 2021 | оценка | | 359 | Retrieval-Augmented Generator (Facebook, 2020) | 6.3 × 10⁸ | 6.3 × 10⁸ | 2020 | плотная | | 360 | DLDL (University of Oxford, 2016) | \~5.6 × 10⁸ | | 2016 | оценка | | 361 | ADM (OpenAI, 2021) | 5.6 × 10⁸ | 5.6 × 10⁸ | 2021 | архитектура не указана | | 362 | TrOCR (Beihang University, 2021) | 5.6 × 10⁸ | 5.6 × 10⁸ | 2021 | архитектура не указана | | 363 | XLM-RoBERTa (Facebook AI, 2019) | 5.5 × 10⁸ | 5.5 × 10⁸ | 2019 | плотная | | 364 | LUKE (University of Washington, 2020) | \~4.8 × 10⁸ | | 2020 | оценка | | 365 | EfficientNet-L2 (Google, 2019) | \~4.8 × 10⁸ | | 2019 | оценка | | 366 | Noisy Student (Carnegie Mellon University (CMU), 2019) | 4.8 × 10⁸ | 4.8 × 10⁸ | 2019 | плотная | | 367 | Meta Pseudo Labels (Google Brain, 2021) | \~4.8 × 10⁸ | | 2021 | оценка | | 368 | EMDR (Mila - Quebec AI (originally Montreal Institute for Learning Algorithms), 2021) | 4.4 × 10⁸ | 4.4 × 10⁸ | 2021 | архитектура не указана | | 369 | NMT Transformer 437M (Google, 2019) | 4.4 × 10⁸ | 4.4 × 10⁸ | 2019 | плотная | | 370 | Adaptive Inputs + LayerDrop (Facebook AI Research, 2019) | 4.2 × 10⁸ | 4.2 × 10⁸ | 2019 | плотная | | 371 | ProtBERT-BFD (Technical University of Munich, 2021) | 4.2 × 10⁸ | 4.2 × 10⁸ | 2021 | архитектура не указана | | 372 | OntoProtein (Zhejiang University (ZJU), 2022) | \~4.2 × 10⁸ | | 2022 | оценка | | 373 | DeBERTaV3large + KEAR (Microsoft, 2022) | 4.2 × 10⁸ | 4.2 × 10⁸ | 2022 | архитектура не указана | | 374 | BART-large (Facebook AI, 2019) | \~4.1 × 10⁸ | | 2019 | оценка | | 375 | SigLIP 400M (Google DeepMind, 2023) | 4 × 10⁸ | 4 × 10⁸ | 2023 | архитектура не указана | | 376 | BERT-Large-CAS (Amazon, 2019) | \~4 × 10⁸ | | 2019 | оценка | | 377 | MoCo (Facebook AI, 2019) | \~3.8 × 10⁸ | | 2019 | оценка | | 378 | SimCLR (Google Brain, 2020) | \~3.8 × 10⁸ | | 2020 | оценка | | 379 | CLIP (OpenAI, 2021) | 3.7 × 10⁸ | 3.7 × 10⁸ | 2021 | архитектура не указана | | 380 | RoBERTa Large (Facebook, 2019) | 3.5 × 10⁸ | 3.5 × 10⁸ | 2019 | плотная | | 381 | AbLang (University of Oxford, 2022) | 3.5 × 10⁸ | 3.5 × 10⁸ | 2022 | архитектура не указана | | 382 | GPT-2 Medium (Stanford University, 2022) | 3.5 × 10⁸ | 3.5 × 10⁸ | 2022 | плотная | | 383 | VALL-E (Microsoft, 2023) | \~3.5 × 10⁸ | | 2023 | оценка | | 384 | BERT-Large (Google, 2018) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2018 | плотная | | 385 | XLNet (Carnegie Mellon University (CMU), 2019) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2019 | плотная | | 386 | ERNIE-GEN (Baidu, 2020) | \~3.4 × 10⁸ | | 2020 | оценка | | 387 | CamemBERT (Facebook, 2019) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2019 | плотная | | 388 | ELECTRA (Stanford University, 2020) | \~3.4 × 10⁸ | | 2020 | оценка | | 389 | German ELECTRA Large (deepset, 2020) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2020 | плотная | | 390 | ALM 1.0 (Beijing Academy of Artificial Intelligence / BAAI, 2022) | \~3.4 × 10⁸ | | 2022 | оценка | | 391 | MT-DNN (Microsoft, 2019) | 3.3 × 10⁸ | 3.3 × 10⁸ | 2019 | плотная | | 392 | Fusion in Encoder (Samsung, 2022) | \~3.3 × 10⁸ | | 2022 | оценка | | 393 | wave2vec 2.0 LARGE (Facebook, 2020) | 3.2 × 10⁸ | 3.2 × 10⁸ | 2020 | плотная | | 394 | CPC v2 (DeepMind, 2019) | \~3 × 10⁸ | | 2019 | оценка | | 395 | Transformer - LibriVox + Decoding/Rescoring (Facebook, 2019) | 3 × 10⁸ | 3 × 10⁸ | 2019 | плотная | | 396 | DDPM-IP (Utrecht University, 2023) | \~3 × 10⁸ | | 2023 | оценка | | 397 | GNMT (Google, 2016) | \~2.8 × 10⁸ | | 2016 | оценка | | 398 | base LM+GNN+kNN (Shannon.AI, 2021) | 2.7 × 10⁸ | 2.7 × 10⁸ | 2021 | архитектура не указана | | 399 | YOLO (University of Washington, 2015) | \~2.7 × 10⁸ | | 2015 | оценка | | 400 | Transformer-XL (Carnegie Mellon University (CMU), 2019) | \~2.6 × 10⁸ | | 2019 | оценка | | 401 | Transformer-XL + RMS dynamic eval (University of Edinburgh, 2019) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2019 | плотная | | 402 | Transformer-XL Large + Phrase Induction (Massachusetts Institute of Technology (MIT), 2019) | \~2.6 × 10⁸ | | 2019 | оценка | | 403 | Segatron-XL large, M=384 + HCP (Microsoft Research, 2022) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2022 | архитектура не указана | | 404 | Denoising Diffusion Probabilistic Models (University of California (UC) Berkeley, 2021) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2021 | архитектура не указана | | 405 | Pangu-Weather (Huawei, 2023) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2023 | архитектура не указана | | 406 | SPN (Google Brain, 2018) | 2.5 × 10⁸ | 2.5 × 10⁸ | 2018 | плотная | | 407 | S4 (Stanford University, 2021) | \~2.5 × 10⁸ | | 2021 | оценка | | 408 | Base LM + kNN LM + Continuous Cache (Stanford University, 2019) | \~2.5 × 10⁸ | | 2019 | оценка | | 409 | ERNIE-Doc (Baidu, 2020) | 2.5 × 10⁸ | 2.5 × 10⁸ | 2020 | плотная | | 410 | Adaptive Input Transformer + RD (Microsoft Research Asia, 2021) | \~2.5 × 10⁸ | | 2021 | оценка | | 411 | Transformer (Adaptive Input Embeddings) WT103 (Facebook AI Research, 2018) | 2.5 × 10⁸ | 2.5 × 10⁸ | 2018 | плотная | | 412 | TaLK Convolution (Carleton University, 2020) | \~2.4 × 10⁸ | | 2020 | оценка | | 413 | ALBERT-xxlarge (Toyota Technological Institute at Chicago, 2020) | \~2.4 × 10⁸ | | 2020 | оценка | | 414 | SRU++ Large (ASAPP, 2021) | 2.3 × 10⁸ | 2.3 × 10⁸ | 2021 | архитектура не указана | | 415 | GR-2 (ByteDance, 2024) | 2.3 × 10⁸ | 2.3 × 10⁸ | 2024 | архитектура не указана | | 416 | MaskGIT (Google Research, 2022) | 2.3 × 10⁸ | 2.3 × 10⁸ | 2022 | архитектура не указана | | 417 | MetNet (Google, 2020) | \~2.3 × 10⁸ | | 2020 | оценка | | 418 | FFN SwiGLU (Google, 2020) | 2.2 × 10⁸ | 2.2 × 10⁸ | 2020 | плотная | | 419 | CodeT5-base (Salesforce, 2021) | \~2.2 × 10⁸ | | 2021 | оценка | | 420 | Transformer (Google Research, 2017) | 2.1 × 10⁸ | 2.1 × 10⁸ | 2017 | плотная | | 421 | Sandwich Transformer (Allen Institute for AI, 2019) | \~2.1 × 10⁸ | | 2019 | оценка | | 422 | EfficientNetV2-XL (Google, 2021) | 2.1 × 10⁸ | 2.1 × 10⁸ | 2021 | архитектура не указана | | 423 | Word2Vec (Google, 2013) | \~2.1 × 10⁸ | | 2013 | оценка | | 424 | Multilingual DNN (Google, 2013) | 2.1 × 10⁸ | 2.1 × 10⁸ | 2013 | плотная | | 425 | DreamerV3 (DeepMind, 2023) | \~2 × 10⁸ | | 2023 | оценка | | 426 | DL scaling speech (Baidu, 2017) | \~1.9 × 10⁸ | | 2017 | оценка | | 427 | ResNeXt-101 Billion-scale (Facebook AI, 2019) | \~1.9 × 10⁸ | | 2019 | оценка | | 428 | (NTT Communication Science Laboratories, 2018) | 1.9 × 10⁸ | 1.9 × 10⁸ | 2018 | плотная | | 429 | TrellisNet (Carnegie Mellon University (CMU), 2018) | 1.8 × 10⁸ | 1.8 × 10⁸ | 2018 | плотная | | 430 | DL scaling LM (Baidu, 2017) | \~1.8 × 10⁸ | | 2017 | оценка | | 431 | EXAONE Path 2.0 (LG AI Research, 2025) | 1.8 × 10⁸ | 1.8 × 10⁸ | 2025 | архитектура не указана | | 432 | OpenAI Five Rerun (OpenAI, 2019) | 1.6 × 10⁸ | 1.6 × 10⁸ | 2019 | плотная | | 433 | OpenAI Five (OpenAI, 2019) | 1.6 × 10⁸ | 1.6 × 10⁸ | 2019 | плотная | | 434 | 4 layer QRNN (Salesforce Research, 2018) | \~1.5 × 10⁸ | | 2018 | оценка | | 435 | TransformerXL + spectrum control (University of California Los Angeles (UCLA), 2020) | \~1.5 × 10⁸ | | 2020 | оценка | | 436 | AlphaGeometry (Google DeepMind, 2024) | 1.5 × 10⁸ | 1.5 × 10⁸ | 2024 | архитектура не указана | | 437 | PermuteFormer (Peking University, 2021) | \~1.5 × 10⁸ | | 2021 | оценка | | 438 | Fragment embedding (Stanford University, 2014) | \~1.4 × 10⁸ | | 2014 | оценка | | 439 | OverFeat (New York University (NYU), 2013) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2013 | плотная | | 440 | VGG19 (University of Oxford, 2014) | \~1.4 × 10⁸ | | 2014 | оценка | | 441 | LRCN (UT Austin, 2014) | \~1.4 × 10⁸ | | 2014 | оценка | | 442 | Transformer-XL DeFINE (University of Washington, 2019) | \~1.4 × 10⁸ | | 2019 | оценка | | 443 | Deep Autoencoders (University of Toronto, 2011) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2011 | плотная | | 444 | AlphaStar (DeepMind, 2019) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2019 | плотная | | 445 | VGG16 (University of Oxford, 2014) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2014 | плотная | | 446 | VGG-Face (University of Oxford, 2015) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2015 | плотная | | 447 | SAF R-CNN (Beijing Institute of Technology, 2015) | \~1.4 × 10⁸ | | 2015 | оценка | | 448 | Template Adaptation (University of Oxford, 2016) | \~1.4 × 10⁸ | | 2016 | оценка | | 449 | LRR-4X (UC Irvine, 2016) | \~1.4 × 10⁸ | | 2016 | оценка | | 450 | CMS-RCNN (IEEE, 2016) | \~1.4 × 10⁸ | | 2016 | оценка | | 451 | QRNN (Salesforce Research, 2018) | \~1.4 × 10⁸ | | 2018 | оценка | | 452 | Multiresolution CNN (Google, 2014) | \~1.3 × 10⁸ | | 2014 | оценка | | 453 | FTW (DeepMind, 2018) | \~1.3 × 10⁸ | | 2018 | оценка | | 454 | Feedback Transformer (LORIA, 2020) | \~1.3 × 10⁸ | | 2020 | оценка | | 455 | KEPLER (Tsinghua University, 2020) | 1.3 × 10⁸ | 1.3 × 10⁸ | 2020 | плотная | | 456 | DL scaling Image (Baidu, 2017) | 1.2 × 10⁸ | 1.2 × 10⁸ | 2017 | плотная | | 457 | GloVe (Stanford University, 2014) | \~1.2 × 10⁸ | | 2014 | оценка | | 458 | Conformer (Google, 2020) | 1.2 × 10⁸ | 1.2 × 10⁸ | 2020 | плотная | | 459 | GPT-1 (OpenAI, 2018) | \~1.2 × 10⁸ | | 2018 | оценка | | 460 | ContextNet (Google, 2020) | \~1.1 × 10⁸ | | 2020 | оценка | | 461 | SciBERT (Allen Institute for AI, 2019) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2019 | плотная | | 462 | DNABERT (Northeastern University, 2021) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2021 | архитектура не указана | | 463 | Contriever (Meta AI, 2021) | \~1.1 × 10⁸ | | 2021 | оценка | | 464 | BERT-RBP (Waseda University, 2022) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2022 | плотная | | 465 | RoFormer (Zhuiyi Technology, 2023) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2023 | архитектура не указана | | 466 | LSTM LM (RWTH Aachen University, 2012) | \~1 × 10⁸ | | 2012 | оценка | | 467 | ReLU-Speech (Google, 2013) | \~1 × 10⁸ | | 2013 | оценка | | 468 | STORM-B/8 (University of Southern California, 2024) | 1 × 10⁸ | 1 × 10⁸ | 2024 | архитектура не указана | | 469 | Support Vector Machines (AT&T, 1995) | \~1 × 10⁸ | | 1995 | оценка | | 470 | GPU DBNs (Stanford University, 2009) | 1 × 10⁸ | 1 × 10⁸ | 2009 | плотная | | 471 | MSA Transformer (Facebook AI Research, 2021) | \~1 × 10⁸ | | 2021 | оценка | | 472 | YOLOX-X (Megvii Inc, 2021) | \~9.9 × 10⁷ | | 2021 | оценка | | 473 | DeLighT (University of Washington, 2020) | \~9.9 × 10⁷ | | 2020 | оценка | | 474 | ELMo (University of Washington, 2018) | \~9.4 × 10⁷ | | 2018 | оценка | | 475 | AlphaFold 2 (DeepMind, 2020) | \~9.3 × 10⁷ | | 2020 | оценка | | 476 | AlphaMissense (Google DeepMind, 2023) | \~9.3 × 10⁷ | | 2023 | оценка | | 477 | Octo-Base (University of California (UC) Berkeley, 2024) | 9.3 × 10⁷ | 9.3 × 10⁷ | 2024 | архитектура не указана | | 478 | PolyNet (Chinese University of Hong Kong (CUHK), 2016) | \~9.2 × 10⁷ | | 2016 | оценка | | 479 | Transformer local-attention (Google Cloud, 2021) | 9 × 10⁷ | 9 × 10⁷ | 2021 | архитектура не указана | | 480 | Transformer + Simple Recurrent Unit (ASAPP, 2018) | 9 × 10⁷ | 9 × 10⁷ | 2018 | плотная | | 481 | NASNet-A (Google Brain, 2017) | \~8.9 × 10⁷ | | 2017 | оценка | | 482 | CLIP (OpenAI, 2021) | \~8.9 × 10⁷ | | 2021 | оценка | | 483 | Detic (Meta AI, 2022) | \~8.8 × 10⁷ | | 2022 | оценка | | 484 | MSRA (Microsoft Research, 2015) | 8.7 × 10⁷ | 8.7 × 10⁷ | 2015 | плотная | | 485 | BigBiGAN (Google, 2019) | \~8.6 × 10⁷ | | 2019 | оценка | | 486 | ViT-Base/32 (Google Brain, 2020) | \~8.6 × 10⁷ | | 2020 | оценка | | 487 | DeiT-B (Meta AI, 2021) | 8.6 × 10⁷ | 8.6 × 10⁷ | 2021 | архитектура не указана | | 488 | CaLM (University of Oxford, 2022) | \~8.6 × 10⁷ | | 2022 | оценка | | 489 | Tensor-Transformer (University of California (UC) Berkeley, 2020) | 8.5 × 10⁷ | 8.5 × 10⁷ | 2020 | плотная | | 490 | ResNeXt-101 (University of California San Diego, 2016) | 8.3 × 10⁷ | 8.3 × 10⁷ | 2016 | плотная | | 491 | RBM Image Classifier (University of Toronto, 2009) | \~8 × 10⁷ | | 2009 | оценка | | 492 | Routing Transformer (Google Research, 2020) | 8 × 10⁷ | 8 × 10⁷ | 2020 | плотная | | 493 | Big-Little Net (IBM, 2018) | \~7.7 × 10⁷ | | 2018 | оценка | | 494 | EfficientDet (Google Brain, 2020) | \~7.7 × 10⁷ | | 2020 | оценка | | 495 | CODEFUSION (Microsoft, 2023) | 7.5 × 10⁷ | 7.5 × 10⁷ | 2023 | архитектура не указана | | 496 | RNN LM (Johns Hopkins University, 2010) | \~7 × 10⁷ | | 2010 | оценка | | 497 | R-CNN (University of California (UC) Berkeley, 2013) | \~6.9 × 10⁷ | | 2013 | оценка | | 498 | Variational (University of Cambridge, 2015) | 6.6 × 10⁷ | 6.6 × 10⁷ | 2015 | плотная | | 499 | DistilBERT (Hugging Face, 2019) | 6.6 × 10⁷ | 6.6 × 10⁷ | 2019 | плотная | | 500 | Theseus 6/768 (University of California San Diego, 2020) | 6.6 × 10⁷ | 6.6 × 10⁷ | 2020 | плотная | | 501 | ResNet-152 (Microsoft, 2015) | 6 × 10⁷ | 6 × 10⁷ | 2015 | плотная | | 502 | AlexNet (University of Toronto, 2012) | 6 × 10⁷ | 6 × 10⁷ | 2012 | плотная | | 503 | DETR (Facebook, 2020) | 6 × 10⁷ | 6 × 10⁷ | 2020 | плотная | | 504 | YOLOv3 (University of Washington, 2018) | \~5.7 × 10⁷ | | 2018 | оценка | | 505 | Inception-ResNet-V2 (Google, 2016) | \~5.6 × 10⁷ | | 2016 | оценка | | 506 | Transformer ELMo (Allen Institute for AI, 2019) | 5.6 × 10⁷ | 5.6 × 10⁷ | 2019 | плотная | | 507 | Мозг плодовой мушки | 5.5 × 10⁷ | 5.5 × 10⁷ | | синапсов | | 508 | NAS with base 8 and shared embeddings (Google Brain, 2016) | 5.4 × 10⁷ | 5.4 × 10⁷ | 2016 | плотная | | 509 | RetinaNet-R101 (Facebook AI Research, 2017) | 5.3 × 10⁷ | 5.3 × 10⁷ | 2017 | плотная | | 510 | AWD-LSTM+WT+Cache+IOG (NTT Communication Science Laboratories, 2017) | 5.3 × 10⁷ | 5.3 × 10⁷ | 2017 | плотная | | 511 | Hierarchical Scene Labeling (New York University (NYU), 2013) | 5.2 × 10⁷ | 5.2 × 10⁷ | 2013 | плотная | | 512 | VD-LSTM+REAL Large (Salesforce Research, 2016) | 5.1 × 10⁷ | 5.1 × 10⁷ | 2016 | плотная | | 513 | YOLOv2 (University of Washington, 2016) | \~5.1 × 10⁷ | | 2016 | оценка | | 514 | Dropout-LSTM+Noise (Columbia University, 2018) | \~5.1 × 10⁷ | | 2018 | оценка | | 515 | LSTM + dynamic eval (University of Edinburgh, 2017) | \~5 × 10⁷ | | 2017 | оценка | | 516 | Dropout (University of Toronto, 2012) | \~4.9 × 10⁷ | | 2012 | оценка | | 517 | Dropout: SVHN (University of Toronto, 2014) | 4.8 × 10⁷ | 4.8 × 10⁷ | 2014 | плотная | | 518 | DistBelief Speech (Google, 2012) | \~4.7 × 10⁷ | | 2012 | оценка | | 519 | AlphaGo Zero (DeepMind, 2017) | 4.6 × 10⁷ | 4.6 × 10⁷ | 2017 | плотная | | 520 | Fine-tuned-AWD-LSTM-DOC (Samsung R&D Institute Russia, 2018) | 4.6 × 10⁷ | 4.6 × 10⁷ | 2018 | плотная | | 521 | CT-MoS (Google, 2020) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2020 | плотная | | 522 | JFT (Google Research, 2017) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2017 | плотная | | 523 | ResNet-101 (Microsoft, 2015) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2015 | плотная | | 524 | HR-ResNet101 (Carnegie Mellon University (CMU), 2016) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2016 | плотная | | 525 | 3DMM-CNN (University of Southern California, 2016) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2016 | плотная | | 526 | LaNet-L (Brown University, 2019) | 4.4 × 10⁷ | 4.4 × 10⁷ | 2019 | плотная | | 527 | ProBERTa (University of Illinois Urbana-Champaign (UIUC), 2020) | 4.4 × 10⁷ | 4.4 × 10⁷ | 2020 | плотная | | 528 | PreTrans-3L-250H (University of Toronto, 2013) | \~4.3 × 10⁷ | | 2013 | оценка | | 529 | Inceptionv4 (Google, 2016) | \~4.3 × 10⁷ | | 2016 | оценка | | 530 | GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (Ben-Gurion University of the Negev, 2017) | 3.8 × 10⁷ | 3.8 × 10⁷ | 2017 | плотная | | 531 | U-Net (University of Freiburg, 2015) | 3.8 × 10⁷ | 3.8 × 10⁷ | 2015 | плотная | | 532 | NASv3 (Google Brain, 2016) | \~3.7 × 10⁷ | | 2016 | оценка | | 533 | MuZero (DeepMind, 2019) | \~3.7 × 10⁷ | | 2019 | оценка | | 534 | AWD-LSTM-MoS + dynamic evaluation (Carnegie Mellon University (CMU), 2017) | \~3.5 × 10⁷ | | 2017 | оценка | | 535 | AWD-LSTM-MoS+PDR + dynamic evaluation (IBM, 2018) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2018 | плотная | | 536 | AWD-LSTM-MoS + dynamic evaluation (Peking University, 2018) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2018 | плотная | | 537 | AWD-LSTM + MoS + Partial Shuffled (University of Texas at Austin, 2019) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2019 | плотная | | 538 | Mogrifier (d2, MoS2, MC) + dynamic eval (DeepMind, 2019) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2019 | плотная | | 539 | Mogrifier RLSTM (DeepMind, 2022) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2022 | архитектура не указана | | 540 | RT-1 (Google, 2022) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2022 | архитектура не указана | | 541 | DenseNet-264 (Tsinghua University, 2016) | 3.4 × 10⁷ | 3.4 × 10⁷ | 2016 | плотная | | 542 | RetinaNet-R50 (Facebook AI Research, 2017) | \~3.4 × 10⁷ | | 2017 | оценка | | 543 | Fraternal dropout + AWD-LSTM 3-layer (Jagiellonian University, 2017) | \~3.4 × 10⁷ | | 2017 | оценка | | 544 | AWD-LSTM-DRILL + dynamic evaluation† (IDIAP, 2019) | \~3.4 × 10⁷ | | 2019 | оценка | | 545 | AWD-LSTM - 3-layer LSTM (Salesforce Research, 2017) | 3.3 × 10⁷ | 3.3 × 10⁷ | 2017 | плотная | | 546 | TCAN (Nanjing University, 2020) | 3.3 × 10⁷ | 3.3 × 10⁷ | 2020 | плотная | | 547 | MMLSTM (Beijing University of Posts and Telecommunications, 2019) | \~3.2 × 10⁷ | | 2019 | оценка | | 548 | Paragraph Vector (Google, 2014) | 3.2 × 10⁷ | 3.2 × 10⁷ | 2014 | плотная | | 549 | aLSTM (University of Manchester, 2018) | 3.2 × 10⁷ | 3.2 × 10⁷ | 2018 | плотная | | 550 | StyleGAN2 (Nvidia, 2019) | 3 × 10⁷ | 3 × 10⁷ | 2019 | плотная | | 551 | UDSMProt (Fraunhofer Heinrich Hertz Institute, 2019) | \~2.8 × 10⁷ | | 2019 | оценка | | 552 | SENet (Chinese Academy of Sciences, 2017) | \~2.8 × 10⁷ | | 2017 | оценка | | 553 | Perceiver IO (DeepMind, 2020) | 2.8 × 10⁷ | 2.8 × 10⁷ | 2020 | плотная | | 554 | Fractional Max-Pooling (University of Warwick, 2014) | \~2.7 × 10⁷ | | 2014 | оценка | | 555 | Hierarchical Reasoning Model (Sapient Intelligence, 2025) | 2.7 × 10⁷ | 2.7 × 10⁷ | 2025 | архитектура не указана | | 556 | RNN-WER (DeepMind, 2014) | \~2.6 × 10⁷ | | 2014 | оценка | | 557 | StyleGAN (Nvidia, 2018) | 2.6 × 10⁷ | 2.6 × 10⁷ | 2018 | плотная | | 558 | PyramidNet (Korea Advanced Institute of Science and Technology (KAIST), 2017) | \~2.6 × 10⁷ | | 2017 | оценка | | 559 | ResNeXt-50 (University of California San Diego, 2016) | \~2.5 × 10⁷ | | 2016 | оценка | | 560 | AWD-LSTM (DeepMind, 2017) | 2.4 × 10⁷ | 2.4 × 10⁷ | 2017 | плотная | | 561 | Inception v3 (Google, 2015) | \~2.4 × 10⁷ | | 2015 | оценка | | 562 | Mamba-24M (Carnegie Mellon University (CMU), 2023) | 2.3 × 10⁷ | 2.3 × 10⁷ | 2023 | архитектура не указана | | 563 | WeNet (Amazon, 2019) | \~2.3 × 10⁷ | | 2019 | оценка | | 564 | EN^2AS with performance reward (Beijing Institute of Technology, 2019) | \~2.3 × 10⁷ | | 2019 | оценка | | 565 | NAS+ESS (Northeastern University (China), 2020) | 2.3 × 10⁷ | 2.3 × 10⁷ | 2020 | плотная | | 566 | Xception (Google, 2016) | 2.3 × 10⁷ | 2.3 × 10⁷ | 2016 | плотная | | 567 | MetaMimic (Google, 2018) | \~2.2 × 10⁷ | | 2018 | оценка | | 568 | MMLSTM (Beijing University of Posts and Telecommunications, 2019) | \~2.1 × 10⁷ | | 2019 | оценка | | 569 | Pointer Sentinel-LSTM (MetaMind Inc, 2016) | 2.1 × 10⁷ | 2.1 × 10⁷ | 2016 | плотная | | 570 | DiffDock (Massachusetts Institute of Technology (MIT), 2022) | \~2 × 10⁷ | | 2022 | оценка | | 571 | EI-REHN-1000D (Korea Advanced Institute of Science and Technology (KAIST), 2017) | 1.9 × 10⁷ | 1.9 × 10⁷ | 2017 | плотная | | 572 | TC-DNN-BLSTM-DNN (Carnegie Mellon University (CMU), 2015) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2015 | плотная | | 573 | OR-WideResNet (Duke University, 2017) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2017 | плотная | | 574 | BP-DBN (University of Toronto, 2009) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2009 | плотная | | 575 | ALBERT (Toyota Technological Institute at Chicago, 2019) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2019 | плотная | | 576 | MedBERT (Peng Cheng Laboratory, 2021) | \~1.7 × 10⁷ | | 2021 | оценка | | 577 | LCNP NORB (, 2009) | 1.7 × 10⁷ | 1.7 × 10⁷ | 2009 | плотная | | 578 | LF-MMI (Johns Hopkins University, 2016) | 1.7 × 10⁷ | 1.7 × 10⁷ | 2016 | плотная | | 579 | AlphaFold (DeepMind, 2020) | \~1.6 × 10⁷ | | 2020 | оценка | | 580 | GNoME for crystal discovery (Google DeepMind, 2023) | \~1.6 × 10⁷ | | 2023 | оценка | | 581 | ReLU (University of Toronto, 2010) | \~1.6 × 10⁷ | | 2010 | оценка | | 582 | ProteinBERT (Hebrew University of Jerusalem, 2022) | 1.6 × 10⁷ | 1.6 × 10⁷ | 2022 | архитектура не указана | | 583 | Eve (Harvard Medical School, 2021) | \~1.5 × 10⁷ | | 2021 | оценка | | 584 | LCNP LabelMe (University of Bonn, 2009) | 1.4 × 10⁷ | 1.4 × 10⁷ | 2009 | плотная | | 585 | BatchNorm (Google, 2015) | 1.4 × 10⁷ | 1.4 × 10⁷ | 2015 | плотная | | 586 | Fold2Seq (IBM, 2021) | \~1.2 × 10⁷ | | 2021 | оценка | | 587 | NPLM (University of Montreal / Université de Montréal, 2003) | 1.2 × 10⁷ | 1.2 × 10⁷ | 2003 | плотная | | 588 | LCNP MNIST (, 2009) | 1.2 × 10⁷ | 1.2 × 10⁷ | 2009 | плотная | | 589 | ISS (Duke University, 2017) | 1.1 × 10⁷ | 1.1 × 10⁷ | 2017 | плотная | | 590 | ResNet-1001 (Microsoft, 2016) | \~1 × 10⁷ | | 2016 | оценка | | 591 | RNN+LDA+KN5+cache (Microsoft, 2012) | \~9 × 10⁶ | | 2012 | оценка | | 592 | Gated HORNN (York University, 2016) | \~9 × 10⁶ | | 2016 | оценка | | 593 | AlphaGo Fan (DeepMind, 2015) | \~8.2 × 10⁶ | | 2015 | оценка | | 594 | genCNN + dyn eval (Chinese Academy of Sciences, 2015) | \~8 × 10⁶ | | 2015 | оценка | | 595 | Once for All (MIT-IBM Watson AI Lab, 2020) | 7.7 × 10⁶ | 7.7 × 10⁶ | 2020 | плотная | | 596 | Multi-cell LSTM (University of Hyderabad, 2018) | \~7.2 × 10⁶ | | 2018 | оценка | | 597 | Feedforward NN (University of Montreal / Université de Montréal, 2010) | 7.1 × 10⁶ | 7.1 × 10⁶ | 2010 | плотная | | 598 | True-Regularization+Finetune+Dynamic-Eval (Mobvoi, 2019) | 7 × 10⁶ | 7 × 10⁶ | 2019 | плотная | | 599 | Neural LM (University of Montreal / Université de Montréal, 2000) | 6.9 × 10⁶ | 6.9 × 10⁶ | 2000 | плотная | | 600 | GoogLeNet / InceptionV1 (Google, 2014) | 6.8 × 10⁶ | 6.8 × 10⁶ | 2014 | плотная | | 601 | HyenaDNA (Stanford University, 2023) | 6.6 × 10⁶ | 6.6 × 10⁶ | 2023 | архитектура не указана | | 602 | Dropout (University of Toronto, 2012) | 5.6 × 10⁶ | 5.6 × 10⁶ | 2012 | плотная | | 603 | SimpleNet (Sensifai, 2016) | 5.5 × 10⁶ | 5.5 × 10⁶ | 2016 | плотная | | 604 | AlphaX-1 (Facebook AI Research, 2019) | 5.4 × 10⁶ | 5.4 × 10⁶ | 2019 | плотная | | 605 | 3DDFA (Chinese Academy of Sciences, 2015) | 5.4 × 10⁶ | 5.4 × 10⁶ | 2015 | плотная | | 606 | Deep CNN + COTS (IEEE, 2015) | 5 × 10⁶ | 5 × 10⁶ | 2015 | плотная | | 607 | DCNN (University of Maryland, 2015) | 5 × 10⁶ | 5 × 10⁶ | 2015 | плотная | | 608 | NLP from scratch (NEC Laboratories, 2011) | \~5 × 10⁶ | | 2011 | оценка | | 609 | SPN-4+KN5 (Singapore University of Technology & Design, 2014) | \~5 × 10⁶ | | 2014 | оценка | | 610 | 6-Act Tether (Facebook AI Research, 2021) | 5 × 10⁶ | 5 × 10⁶ | 2021 | архитектура не указана | | 611 | High Performance CNN (IDSIA, 2011) | \~4.9 × 10⁶ | | 2011 | оценка | | 612 | MobileNet (Google, 2017) | \~4.2 × 10⁶ | | 2017 | оценка | | 613 | NPLM (University of Montreal / Université de Montréal, 2003) | 4.1 × 10⁶ | 4.1 × 10⁶ | 2003 | плотная | | 614 | LMICA (, 2004) | 4.1 × 10⁶ | 4.1 × 10⁶ | 2004 | плотная | | 615 | PoE MNIST (University College London (UCL), 2000) | 3.9 × 10⁶ | 3.9 × 10⁶ | 2000 | плотная | | 616 | Dimensionality Reduction (University of Toronto, 2006) | \~3.8 × 10⁶ | | 2006 | оценка | | 617 | GOAT (DeepMind, 2021) | \~3.5 × 10⁶ | | 2021 | оценка | | 618 | MobileNetV2 (Google, 2018) | \~3.4 × 10⁶ | | 2018 | оценка | | 619 | Big-Little Net (IBM, 2018) | \~3.3 × 10⁶ | | 2018 | оценка | | 620 | DLWP (University of Washington, 2021) | 2.7 × 10⁶ | 2.7 × 10⁶ | 2021 | архитектура не указана | | 621 | BIDAF (University of Washington, 2016) | 2.6 × 10⁶ | 2.6 × 10⁶ | 2016 | плотная | | 622 | DeepStack (University of Alberta, 2017) | \~2.5 × 10⁶ | | 2017 | оценка | | 623 | KataGo (Jane Street, 2019) | \~2.5 × 10⁶ | | 2019 | оценка | | 624 | ShuffleNet v1 (Megvii Inc, 2017) | \~2.4 × 10⁶ | | 2017 | оценка | | 625 | ADAM (University of Amsterdam, 2014) | 2.4 × 10⁶ | 2.4 × 10⁶ | 2014 | плотная | | 626 | StyleGAN3-T (Nvidia, 2021) | 2.2 × 10⁶ | 2.2 × 10⁶ | 2021 | архитектура не указана | | 627 | LSTM+NeuralCache (KU Leuven, 2018) | \~2.1 × 10⁶ | | 2018 | оценка | | 628 | HLBL (University of Toronto, 2008) | 1.8 × 10⁶ | 1.8 × 10⁶ | 2008 | плотная | | 629 | ResNet-110 (Microsoft, 2015) | \~1.7 × 10⁶ | | 2015 | оценка | | 630 | Dueling DQN (Google DeepMind, 2016) | 1.7 × 10⁶ | 1.7 × 10⁶ | 2016 | плотная | | 631 | DQN-2015 (Google, 2015) | \~1.7 × 10⁶ | | 2015 | оценка | | 632 | Rational DQN Average (TU Darmstadt, 2021) | \~1.7 × 10⁶ | | 2021 | оценка | | 633 | IBM-5 (IBM, 1993) | \~1.7 × 10⁶ | | 1993 | оценка | | 634 | Deep Belief Nets (University of Toronto, 2006) | \~1.6 × 10⁶ | | 2006 | оценка | | 635 | IMPALA (DeepMind, 2018) | 1.6 × 10⁶ | 1.6 × 10⁶ | 2018 | плотная | | 636 | StyleGAN3-R (Nvidia, 2021) | 1.6 × 10⁶ | 1.6 × 10⁶ | 2021 | архитектура не указана | | 637 | Deep Multitask NLP Network (NEC Laboratories, 2008) | \~1.5 × 10⁶ | | 2008 | оценка | | 638 | Double DQN (Google DeepMind, 2016) | 1.5 × 10⁶ | 1.5 × 10⁶ | 2016 | плотная | | 639 | CNN committee (IDSIA, 2011) | \~1.4 × 10⁶ | | 2011 | оценка | | 640 | SqueezeNet (DeepScale, 2016) | \~1.2 × 10⁶ | | 2016 | оценка | | 641 | Неокогнитрон (NHK Broadcasting Science Research Laboratories, 1980) | 1.1 × 10⁶ | 1.1 × 10⁶ | 1980 | плотная | | 642 | CURL (University of California (UC) Berkeley, 2020) | \~9.1 × 10⁵ | | 2020 | оценка | | 643 | DQN (DeepMind, 2013) | 8.4 × 10⁵ | 8.4 × 10⁵ | 2013 | плотная | | 644 | EnhanceNet (Max Planck Institute for Intelligent Systems, 2016) | 8.1 × 10⁵ | 8.1 × 10⁵ | 2016 | плотная | | 645 | Image generation (University of Amsterdam, 2013) | 7.8 × 10⁵ | 7.8 × 10⁵ | 2013 | плотная | | 646 | Hanabi 4 player (DeepMind, 2019) | 7.6 × 10⁵ | 7.6 × 10⁵ | 2019 | плотная | | 647 | TA-CNN (Chinese University of Hong Kong (CUHK), 2014) | \~7.1 × 10⁵ | | 2014 | оценка | | 648 | Robot Parkour (Shanghai Qi Zhi institute, 2023) | 5 × 10⁵ | 5 × 10⁵ | 2023 | архитектура не указана | | 649 | LISSOM (University of Texas at Austin, 1995) | \~4.3 × 10⁵ | | 1995 | оценка | | 650 | SPIDER2 (Griffith University, 2016) | \~4.1 × 10⁵ | | 2016 | оценка | | 651 | Mixture of linear models (, 1994) | \~3.8 × 10⁵ | | 1994 | оценка | | 652 | NPD (IEEE, 2014) | 3.1 × 10⁵ | 3.1 × 10⁵ | 2014 | плотная | | 653 | Pooling CNN (University of Bonn, 2010) | 2.9 × 10⁵ | 2.9 × 10⁵ | 2010 | плотная | | 654 | Pooling CNN (University of Bonn, 2010) | 2.7 × 10⁵ | 2.7 × 10⁵ | 2010 | плотная | | 655 | Two Stage Feature Extraction (New York University (NYU), 2009) | 2.6 × 10⁵ | 2.6 × 10⁵ | 2009 | плотная | | 656 | Vector Space Model (Stanford University, 2011) | 2.5 × 10⁵ | 2.5 × 10⁵ | 2011 | плотная | | 657 | HyperNEAT (University of Texas at Austin, 2014) | \~2.4 × 10⁵ | | 2014 | оценка | | 658 | DNN EM segmentation (IDSIA, 2012) | 2.2 × 10⁵ | 2.2 × 10⁵ | 2012 | плотная | | 659 | Predictive Coding NN (Technical University of Munich, 1994) | 2.1 × 10⁵ | 2.1 × 10⁵ | 1994 | плотная | | 660 | Table Tennis Agent (Google DeepMind, 2024) | \~1.9 × 10⁵ | | 2024 | оценка | | 661 | CNN Committee (IDSIA, 2011) | \~1.3 × 10⁵ | | 2011 | оценка | | 662 | CNN Committee (IDSIA, 2011) | \~1.2 × 10⁵ | | 2011 | оценка | | 663 | RECONTRA-uncategorized (, 1999) | \~1.1 × 10⁵ | | 1999 | оценка | | 664 | BLSTM for handwriting (University of Bern, 2007) | \~1 × 10⁵ | | 2007 | оценка | | 665 | SVM-CNN (New York University (NYU), 2006) | 9.1 × 10⁴ | 9.1 × 10⁴ | 2006 | плотная | | 666 | Invariant CNN (New York University (NYU), 2004) | 9.1 × 10⁴ | 9.1 × 10⁴ | 2004 | плотная | | 667 | SexNet compression (, 1990) | 7.3 × 10⁴ | 7.3 × 10⁴ | 1990 | плотная | | 668 | NeuroChess (, 1994) | \~7.2 × 10⁴ | | 1994 | оценка | | 669 | RECONTRA-categorized (, 1999) | \~6.7 × 10⁴ | | 1999 | оценка | | 670 | LeNet-5 (AT&T, 1998) | 6 × 10⁴ | 6 × 10⁴ | 1998 | плотная | | 671 | Swift (Intel Labs, 2023) | \~5.7 × 10⁴ | | 2023 | оценка | | 672 | TCN (Carnegie Mellon University (CMU), 2018) | 4.2 × 10⁴ | 4.2 × 10⁴ | 2018 | плотная | | 673 | TRPO (University of California (UC) Berkeley, 2015) | 3.4 × 10⁴ | 3.4 × 10⁴ | 2015 | плотная | | 674 | SOM-CNN (, 1997) | 3.2 × 10⁴ | 3.2 × 10⁴ | 1997 | плотная | | 675 | NETtalk reimplementation (Oregon State University, 1990) | 2.7 × 10⁴ | 2.7 × 10⁴ | 1990 | плотная | | 676 | TD-Gammon (IBM, 1992) | \~2.5 × 10⁴ | | 1992 | оценка | | 677 | Cognitron (Biological Cybernetics, 1975) | 2.2 × 10⁴ | 2.2 × 10⁴ | 1975 | плотная | | 678 | NetTalk (Princeton University, 1987) | 1.9 × 10⁴ | 1.9 × 10⁴ | 1987 | плотная | | 679 | CFSS (SenseTime, 2015) | \~1.7 × 10⁴ | | 2015 | оценка | | 680 | MUSIC perceptron (, 1996) | 1.4 × 10⁴ | 1.4 × 10⁴ | 1996 | плотная | | 681 | AdaRNN (Beihang University, 2014) | 1.3 × 10⁴ | 1.3 × 10⁴ | 2014 | плотная | | 682 | Bidirectional RNN (Advanced Telecommunications Research Institute, 1997) | \~1.3 × 10⁴ | | 1997 | оценка | | 683 | Decision tree (Mitsubishi Electric Research Labs, 2001) | \~1.2 × 10⁴ | | 2001 | оценка | | 684 | LSTM (Technical University of Munich, 1997) | 1.1 × 10⁴ | 1.1 × 10⁴ | 1997 | плотная | | 685 | MLN-ASR (McGill University, 1988) | 1 × 10⁴ | 1 × 10⁴ | 1988 | плотная | | 686 | Hopfield network (California Institute of Technology, 1982) | \~9.9 × 10³ | | 1982 | оценка | | 687 | Zip CNN (AT&T, 1989) | 9.8 × 10³ | 9.8 × 10³ | 1989 | плотная | | 688 | Hierarchical Cognitron (NHK Broadcasting Science Research Laboratories, 1984) | \~9.3 × 10³ | | 1984 | оценка | | 689 | Weight Decay (, 1991) | 8.4 × 10³ | 8.4 × 10³ | 1991 | плотная | | 690 | Deep Blue (IBM, 1997) | \~8 × 10³ | | 1997 | оценка | | 691 | Нематода (C. elegans) | 7 × 10³ | 7 × 10³ | | синапсов | | 692 | System 11 (Carnegie Mellon University (CMU), 1996) | 6.5 × 10³ | 6.5 × 10³ | 1996 | плотная | | 693 | ACF-WIDER (Chinese Academy of Sciences, 2014) | 6.1 × 10³ | 6.1 × 10³ | 2014 | плотная | | 694 | RankNet (Microsoft Research, 2005) | 5.7 × 10³ | 5.7 × 10³ | 2005 | плотная | | 695 | ANN Eye Tracker (, 1993) | 5.6 × 10³ | 5.6 × 10³ | 1993 | плотная | | 696 | JPMAX (, 1994) | \~4.4 × 10³ | | 1994 | оценка | | 697 | Kohonen network (Helsinki University of Technology, 1981) | \~4.1 × 10³ | | 1981 | оценка | | 698 | Speaker-independent vowel classification (University of Washington, 1989) | 3 × 10³ | 3 × 10³ | 1989 | плотная | | 699 | Pattern recognition and reading by machine (Sandia Corporation, 1959) | \~2.6 × 10³ | | 1959 | оценка | | 700 | Handwritten digit recognition network (AT&T, 1989) | 2.6 × 10³ | 2.6 × 10³ | 1989 | плотная | | 701 | Boosting (Bell Laboratories, 1992) | \~2.6 × 10³ | | 1992 | оценка | | 702 | Decision tree adaline (Tokyo Medical and Dental University, 1969) | 2.5 × 10³ | 2.5 × 10³ | 1969 | плотная | | 703 | LTE speaker verification system (IBM, 1966) | \~2.1 × 10³ | | 1966 | оценка | | 704 | Ceramic-MLP (Sapienza Università di Roma, 1994) | \~1.9 × 10³ | | 1994 | оценка | | 705 | SexNet classification (, 1990) | \~1.6 × 10³ | | 1990 | оценка | | 706 | RAAM (, 1990) | 1.5 × 10³ | 1.5 × 10³ | 1990 | плотная | | 707 | Super-vector coding (University of Illinois Urbana-Champaign (UIUC), 2010) | \~1 × 10³ | | 2010 | оценка | | 708 | Perceptron Mark I (Cornell Aeronautical Laboratory, 1957) | \~1 × 10³ | | 1957 | оценка | | 709 | Perceptron (Cornell Aeronautical Laboratory, 1960) | \~1 × 10³ | | 1960 | оценка | | 710 | Translation-invariant MLP (Carnegie Mellon University (CMU), 1987) | 8.2 × 10² | 8.2 × 10² | 1987 | смесь экспертов (число активных параметров не опубликовано) | | 711 | Truck backer-upper (Stanford University, 1989) | 8.1 × 10² | 8.1 × 10² | 1989 | плотная | | 712 | Siamese-TDNN (Bell Laboratories, 1993) | \~7.4 × 10² | | 1993 | оценка | | 713 | MLP with back-propagation (University of California San Diego, 1986) | 7.2 × 10² | 7.2 × 10² | 1986 | плотная | | 714 | Предсказание механизма действия противораковых препаратов (National Cancer Institute, 1992) | \~5.9 × 10² | | 1992 | оценка | | 715 | Distributed representation NN (Carnegie Mellon University (CMU), 1986) | 4.3 × 10² | 4.3 × 10² | 1986 | плотная | | 716 | Кусочно-линейная модель (University of Kansas, 1973) | 3.6 × 10² | 3.6 × 10² | 1973 | плотная | | 717 | ASE+ACE (University of Massachusetts Amherst, 1983) | \~3.2 × 10² | | 1983 | оценка | | 718 | LSTM with forget gates (IDSIA, 1999) | \~2.8 × 10² | | 1999 | оценка | | 719 | Self Organizing System (Massachusetts Institute of Technology (MIT), 1955) | \~2.3 × 10² | | 1955 | оценка | | 720 | Theseus (Bell Laboratories, 1950) | 4 × 10¹ | 4 × 10¹ | 1950 | плотная | | 721 | SNARC (Harvard University, 1952) | \~4 × 10¹ | | 1952 | оценка | | 722 | Bankruptcy-NN (, 1990) | 3.6 × 10¹ | 3.6 × 10¹ | 1990 | плотная | | 723 | GNN (University of Siena, 2008) | 3 × 10¹ | 3 × 10¹ | 2008 | плотная | | 724 | ADALINE (Stanford University, 1960) | 1.7 × 10¹ | 1.7 × 10¹ | 1960 | плотная | | 725 | Samuel Neural Checkers (IBM, 1959) | \~1.6 × 10¹ | | 1959 | оценка | ## Коллективы Эти диаграммы ранжируют общества животных, религии, государства, партии и корпорации двумя способами. Один — по числу членов. Другой — по нейронным эквивалентам, которые взвешивают каждого члена по доле его бодрствования, которой распоряжаются инструкции группы. Религиозные кодексы, законы, партийные правила и должностные инструкции считаются одинаково. Все они — наборы инструкций, поэтому мы измеряем их по одному правилу. [Как оценивается направленное время](https://simulation-hypothesis.com/ru/entities/control). ## Общества животных: нейроны в согласованной групповой активности Нейроны в группе В групповой деятельности Члены типичной группы × нейроны в коре или паллиуме каждого члена (во всём мозге для насекомых), по логарифмической шкале. Штрихованные столбцы используют оценочный размер группы или число нейронов родственного вида. 1. Сообщество шимпанзе▲1 7.4 × 10¹¹ 2. Колония муравьёв-листорезов▼1 6.3 × 10¹¹ 3. Сообщество бонобо▲2 4.4 × 10¹¹ 4. Лагерь хадза (люди, для масштаба) 4.1 × 10¹¹ 5. Группа косаток Биггса▼2 2.6 × 10¹¹ 6. Матрилиния резидентных косаток 2.4 × 10¹¹ 7. Стадо бабуинов 8.6 × 10¹⁰ 8. Союз афалин▲1 7.6 × 10¹⁰ 9. Социальная группа кашалотов▲1 6.4 × 10¹⁰ 10. Колония медоносных пчёл▼2 5.8 × 10¹⁰ 11. Семья слонов 5.6 × 10¹⁰ 12. Стая пинонских соек 5.3 × 10¹⁰ 13. Клан пятнистых гиен 2.2 × 10¹⁰ 14. Стая гиеновидных собак 7.2 × 10⁹ 15. Волчья стая 4.2 × 10⁹ 16. Группа сурикатов 1.7 × 10⁹ 17. Колония голых землекопов 4.1 × 10⁸ 10^8 10^9 10^10 10^11 10^12 neurons Показать числа | # | Группа | Нейроны в группе | В групповой деятельности | Члены | Направляемая доля | Виды сигналов | | -- | --------------------------------- | ---------------- | ------------------------ | ------------ | ----------------- | ------------- | | 1 | Сообщество шимпанзе | 7.4 × 10¹¹ | 2.5 × 10¹¹ | 100 | 34% | — | | 2 | Колония муравьёв-листорезов | 6.3 × 10¹¹ | 5 × 10¹¹ | 2,5 миллиона | 80% | — | | 3 | Сообщество бонобо | 4.4 × 10¹¹ | 1.9 × 10¹¹ | 59 | 43% | — | | 4 | Лагерь хадза (люди, для масштаба) | 4.1 × 10¹¹ | 2.1 × 10¹¹ | 25 | 53% | — | | 5 | Группа косаток Биггса | 2.6 × 10¹¹ | 2.4 × 10¹¹ | 6 | 91% | — | | 6 | Матрилиния резидентных косаток | 2.4 × 10¹¹ | 1.7 × 10¹¹ | 6 | 70% | 11 | | 7 | Стадо бабуинов | 8.6 × 10¹⁰ | 5.2 × 10¹⁰ | 30 | 60% | 9 | | 8 | Союз афалин | 7.6 × 10¹⁰ | 4.2 × 10¹⁰ | 6 | 55% | — | | 9 | Социальная группа кашалотов | 6.4 × 10¹⁰ | 4.1 × 10¹⁰ | 8 | 65% | — | | 10 | Колония медоносных пчёл | 5.8 × 10¹⁰ | 4.9 × 10¹⁰ | 60,000 | 85% | — | | 11 | Семья слонов | 5.6 × 10¹⁰ | 3.2 × 10¹⁰ | 10 | 57% | — | | 12 | Стая пинонских соек | 5.3 × 10¹⁰ | 3.2 × 10¹⁰ | 100 | 60% | — | | 13 | Клан пятнистых гиен | 2.2 × 10¹⁰ | 6.7 × 10⁹ | 45 | 30% | 11 | | 14 | Стая гиеновидных собак | 7.2 × 10⁹ | 4.8 × 10⁹ | 14 | 67% | 11 | | 15 | Волчья стая | 4.2 × 10⁹ | 2.6 × 10⁹ | 8 | 63% | — | | 16 | Группа сурикатов | 1.7 × 10⁹ | 1 × 10⁹ | 15 | 57% | 12 | | 17 | Колония голых землекопов | 4.1 × 10⁸ | 2.9 × 10⁸ | 78 | 70% | — | [Как оцениваются группы](https://simulation-hypothesis.com/ru/entities/control). ## Религии: члены и нейроны, следующие их инструкциям Члены Следуя его инструкциям Религии целиком Секты и движения Последователи, по логарифмической шкале. Секты и движения показаны отдельно от религий, которые их содержат. Сплошные столбцы — подсчёты; штрихованные — оценки. 1. Христианство▲1 2,27 миллиарда 2. Ислам▼1 2,02 миллиарда 3. Индуизм 1,18 миллиарда 4. Народные религии 400 миллионов 5. Буддизм 324,19 миллиона 6. Традиционные африканские религии▲1 98,73 миллиона 7. Синтоизм▲1 87,92 миллиона 8. Сикхизм▲1 25 миллионов 9. Иудаизм▼3 14,78 миллиона 10. Даосизм▲1 8 миллионов 11. Бахаи▲1 8 миллионов 12. Фалуньгун▲1 7 миллионов 13. Джайнизм▼3 4,45 миллиона 14. Спиритизм 3,8 миллиона 15. Каодай 2,5 миллиона 16. Тэнрикё 1,12 миллиона 17. Брахма-Кумарис 1 миллион 10^5 10^6 10^7 10^8 10^9 10^10 члены Показать числа | # | Религия | Члены | Следуя его инструкциям | Направляемая доля | Часов в неделю | | -- | -------------------------------- | --------------- | ---------------------- | ----------------- | -------------- | | 1 | Христианство | 2,27 миллиарда | 1.7 × 10¹⁸ | 0.88% | 0.9 h | | 2 | Ислам | 2,02 миллиарда | 8.9 × 10¹⁸ | 5.1% | 5.4 h | | 3 | Индуизм | 1,18 миллиарда | 1.6 × 10¹⁸ | 1.6% | 1.6 h | | 4 | Народные религии | 400 миллионов | 2 × 10¹⁷ | 0.59% (прокси) | 0.6 h | | 5 | Буддизм | 324,19 миллиона | 7.5 × 10¹⁶ | 0.27% | 0.3 h | | 6 | Традиционные африканские религии | 98,73 миллиона | 5 × 10¹⁶ | 0.59% (прокси) | 0.6 h | | 7 | Синтоизм | 87,92 миллиона | 4.5 × 10¹⁶ | 0.59% (прокси) | 0.6 h | | 8 | Сикхизм | 25 миллионов | 3.7 × 10¹⁶ | 1.7% | 1.8 h | | 9 | Иудаизм | 14,78 миллиона | 5.3 × 10¹⁶ | 4.2% | 4.4 h | | 10 | Даосизм | 8 миллионов | 4.1 × 10¹⁵ | 0.59% (прокси) | 0.6 h | | 11 | Бахаи | 8 миллионов | 4.1 × 10¹⁵ | 0.59% (прокси) | 0.6 h | | 12 | Фалуньгун | 7 миллионов | 3.6 × 10¹⁵ | 0.59% (прокси) | 0.6 h | | 13 | Джайнизм | 4,45 миллиона | 1.8 × 10¹⁶ | 4.6% | 4.8 h | | 14 | Спиритизм | 3,8 миллиона | 1.9 × 10¹⁵ | 0.59% (прокси) | 0.6 h | | 15 | Каодай | 2,5 миллиона | 1.3 × 10¹⁵ | 0.59% (прокси) | 0.6 h | | 16 | Тэнрикё | 1,12 миллиона | 5.7 × 10¹⁴ | 0.59% (прокси) | 0.6 h | | 17 | Брахма-Кумарис | 1 миллион | 5.1 × 10¹⁴ | 0.59% (прокси) | 0.6 h | [Каждая практика, доля и источник](https://simulation-hypothesis.com/ru/entities/control). ## Государства: жители и нейроны, следующие их инструкциям Жители Следуя его инструкциям Все Африка к югу от Сахары Ближний Восток, Северная Африка, Афганистан и Пакистан Восточная Азия и Тихий океан Европа и Центральная Азия Латинская Америка и Карибский бассейн Северная Америка Южная Азия Население, по логарифмической шкале. Сплошные столбцы — подсчёты; штрихованные — оценки. 1. Индия▲1 1,46 миллиарда 2. Китай▼1 1,41 миллиарда 3. Соединённые Штаты 341,78 миллиона 4. Индонезия 285,72 миллиона 5. Пакистан▲5 255,22 миллиона 6. Нигерия▲1 237,53 миллиона 7. Бразилия▼2 212,81 миллиона 8. Бангладеш▲5 175,69 миллиона 9. Россия▼3 143,51 миллиона 10. Эфиопия▲7 135,47 миллиона 11. Мексика▼2 131,95 миллиона 12. Япония▲11 123,37 миллиона 13. Египет▼2 118,37 миллиона 14. Филиппины 116,79 миллиона 15. ДР Конго▼3 112,83 миллиона Показать все 196 10^4 10^6 10^8 10^10 жители Показать числа | # | Государство | Жители | Следуя его инструкциям | Направляемая доля | Часов в неделю | | --- | -------------------------------- | --------------- | ---------------------- | ----------------- | -------------- | | 1 | Индия | 1,46 миллиарда | 2.5 × 10¹⁸ | 2% | 2.1 h | | 2 | Китай | 1,41 миллиарда | 5 × 10¹⁸ | 4.1% | 4.3 h | | 3 | Соединённые Штаты | 341,78 миллиона | 1.6 × 10¹⁸ | 5.6% | 5.8 h | | 4 | Индонезия | 285,72 миллиона | 1 × 10¹⁸ | 4.2% | 4.4 h | | 5 | Пакистан | 255,22 миллиона | 5.7 × 10¹⁷ | 2.6% | 2.7 h | | 6 | Нигерия | 237,53 миллиона | 6.6 × 10¹⁷ | 3.2% | 3.4 h | | 7 | Бразилия | 212,81 миллиона | 8.7 × 10¹⁷ | 4.8% | 5 h | | 8 | Бангладеш | 175,69 миллиона | 4.6 × 10¹⁷ | 3% | 3.1 h | | 9 | Россия | 143,51 миллиона | 7.5 × 10¹⁷ | 6.1% | 6.4 h | | 10 | Эфиопия | 135,47 миллиона | 3.9 × 10¹⁷ | 3.4% | 3.5 h | | 11 | Мексика | 131,95 миллиона | 5.9 × 10¹⁷ | 5.2% | 5.5 h | | 12 | Япония | 123,37 миллиона | 2.8 × 10¹⁷ | 2.7% | 2.8 h | | 13 | Египет | 118,37 миллиона | 5.5 × 10¹⁷ | 5.4% | 5.7 h | | 14 | Филиппины | 116,79 миллиона | 4.4 × 10¹⁷ | 4.4% | 4.6 h | | 15 | ДР Конго | 112,83 миллиона | 4.7 × 10¹⁷ | 4.8% | 5.1 h | | 16 | Вьетнам | 101,6 миллиона | 4.2 × 10¹⁷ | 4.8% | 5 h | | 17 | Иран | 92,42 миллиона | 3.5 × 10¹⁷ | 4.3% | 4.6 h | | 18 | Турция | 85,88 миллиона | 4.3 × 10¹⁷ | 5.8% | 6 h | | 19 | Германия | 83,49 миллиона | 2.9 × 10¹⁷ | 4% | 4.2 h | | 20 | Таиланд | 71,62 миллиона | 2.4 × 10¹⁷ | 3.9% | 4.1 h | | 21 | Танзания | 70,55 миллиона | 2.2 × 10¹⁷ | 3.6% | 3.8 h | | 22 | Великобритания | 69,49 миллиона | 2.8 × 10¹⁷ | 4.6% | 4.8 h | | 23 | Франция | 68,72 миллиона | 3.1 × 10¹⁷ | 5.3% | 5.5 h | | 24 | Южная Африка | 64,75 миллиона | 2.9 × 10¹⁷ | 5.1% | 5.4 h | | 25 | Италия | 58,92 миллиона | 2.1 × 10¹⁷ | 4.2% | 4.4 h | | 26 | Кения | 57,53 миллиона | 2.3 × 10¹⁷ | 4.7% | 5 h | | 27 | Мьянма | 54,85 миллиона | 1.9 × 10¹⁷ | 4% | 4.2 h | | 28 | Колумбия | 53,43 миллиона | 1.7 × 10¹⁷ | 3.7% | 3.9 h | | 29 | Южная Корея | 51,68 миллиона | 1.4 × 10¹⁷ | 3% | 3.2 h | | 30 | Судан | 51,66 миллиона | 1.5 × 10¹⁷ | 3.4% | 3.6 h | | 31 | Уганда | 51,38 миллиона | 1.5 × 10¹⁷ | 3.4% | 3.6 h | | 32 | Испания | 49,36 миллиона | 1.8 × 10¹⁷ | 4.2% | 4.3 h | | 33 | Алжир | 47,44 миллиона | 3.2 × 10¹⁷ | 7.9% | 8.3 h | | 34 | Ирак | 47,02 миллиона | 1.1 × 10¹⁷ | 2.8% | 2.9 h | | 35 | Аргентина | 45,85 миллиона | 1.7 × 10¹⁷ | 4.4% | 4.6 h | | 36 | Афганистан | 43,84 миллиона | 1.8 × 10¹⁷ | 4.8% | 5 h | | 37 | Йемен | 41,77 миллиона | 1.3 × 10¹⁷ | 3.7% | 3.9 h | | 38 | Канада | 41,65 миллиона | 2 × 10¹⁷ | 5.5% | 5.8 h | | 39 | Ангола | 39,04 миллиона | 1.4 × 10¹⁷ | 4.2% | 4.4 h | | 40 | Украина | 38,98 миллиона | 2.1 × 10¹⁷ | 6.2% | 6.5 h | | 41 | Марокко | 38,43 миллиона | 1.5 × 10¹⁷ | 4.5% | 4.7 h | | 42 | Узбекистан | 37,05 миллиона | 2 × 10¹⁷ | 6.3% | 6.6 h | | 43 | Саудовская Аравия | 36,97 миллиона | 1.4 × 10¹⁷ | 4.3% | 4.6 h | | 44 | Польша | 36,44 миллиона | 2.1 × 10¹⁷ | 6.7% | 7 h | | 45 | Малайзия | 35,98 миллиона | 1.8 × 10¹⁷ | 5.8% | 6.1 h | | 46 | Мозамбик | 35,63 миллиона | 1.5 × 10¹⁷ | 4.8% | 5.1 h | | 47 | Гана | 35,06 миллиона | 1.2 × 10¹⁷ | 3.9% | 4.1 h | | 48 | Перу | 34,58 миллиона | 1.4 × 10¹⁷ | 4.8% | 5 h | | 49 | Мадагаскар | 32,74 миллиона | 9.4 × 10¹⁶ | 3.3% | 3.5 h | | 50 | Кот-д’Ивуар | 32,71 миллиона | 9.5 × 10¹⁶ | 3.4% | 3.5 h | | 51 | Камерун | 29,88 миллиона | 9.8 × 10¹⁶ | 3.8% | 4 h | | 52 | Непал | 29,62 миллиона | 1.1 × 10¹⁷ | 4.2% | 4.4 h | | 53 | Венесуэла | 28,52 миллиона | 1.5 × 10¹⁷ | 6.1% | 6.4 h | | 54 | Нигер | 27,92 миллиона | 6.4 × 10¹⁶ | 2.6% | 2.8 h | | 55 | Австралия | 27,61 миллиона | 1.1 × 10¹⁷ | 4.7% | 5 h | | 56 | Северная Корея | 26,57 миллиона | 6.6 × 10¹⁷ | 29% | 30.1 h | | 57 | Сирия | 25,62 миллиона | 9.8 × 10¹⁶ | 4.4% | 4.6 h | | 58 | Мали | 25,2 миллиона | 4.9 × 10¹⁶ | 2.3% | 2.4 h | | 59 | Буркина-Фасо | 24,07 миллиона | 5.7 × 10¹⁶ | 2.8% | 2.9 h | | 60 | Тайвань | 23,31 миллиона | 1 × 10¹⁷ | 5% | 5.3 h | | 61 | Малави | 22,22 миллиона | 1 × 10¹⁷ | 5.4% | 5.6 h | | 62 | Замбия | 21,91 миллиона | 10 × 10¹⁶ | 5.3% | 5.5 h | | 63 | Шри-Ланка | 21,76 миллиона | 1.1 × 10¹⁷ | 6% | 6.3 h | | 64 | Чад | 21 миллион | 4.9 × 10¹⁶ | 2.7% | 2.9 h | | 65 | Казахстан | 20,84 миллиона | 1.4 × 10¹⁷ | 7.6% | 7.9 h | | 66 | Чили | 19,86 миллиона | 6.2 × 10¹⁶ | 3.6% | 3.8 h | | 67 | Сомали | 19,65 миллиона | 1.5 × 10¹⁶ | 0.88% | 0.9 h | | 68 | Румыния | 19,02 миллиона | 7.5 × 10¹⁶ | 4.6% | 4.8 h | | 69 | Сенегал | 18,93 миллиона | 5.9 × 10¹⁶ | 3.6% | 3.8 h | | 70 | Гватемала | 18,69 миллиона | 6 × 10¹⁶ | 3.7% | 3.9 h | | 71 | Эквадор | 18,29 миллиона | 6.6 × 10¹⁶ | 4.2% | 4.4 h | | 72 | Нидерланды | 18,09 миллиона | 7.6 × 10¹⁶ | 4.9% | 5.1 h | | 73 | Камбоджа | 17,85 миллиона | 7.4 × 10¹⁶ | 4.8% | 5.1 h | | 74 | Зимбабве | 16,95 миллиона | 6.1 × 10¹⁶ | 4.2% | 4.4 h | | 75 | Гвинея | 15,1 миллиона | 3.1 × 10¹⁶ | 2.4% | 2.5 h | | 76 | Бенин | 14,81 миллиона | 4.4 × 10¹⁶ | 3.4% | 3.6 h | | 77 | Руанда | 14,57 миллиона | 7 × 10¹⁶ | 5.6% | 5.8 h | | 78 | Бурунди | 14,39 миллиона | 5.2 × 10¹⁶ | 4.2% | 4.4 h | | 79 | Боливия | 12,58 миллиона | 5.8 × 10¹⁶ | 5.4% | 5.6 h | | 80 | Тунис | 12,35 миллиона | 6.4 × 10¹⁶ | 6% | 6.3 h | | 81 | Южный Судан | 12,19 миллиона | 4.4 × 10¹⁶ | 4.2% | 4.4 h | | 82 | Бельгия | 11,94 миллиона | 4.5 × 10¹⁶ | 4.3% | 4.5 h | | 83 | Гаити | 11,91 миллиона | 1.9 × 10¹⁶ | 1.8% | 1.9 h | | 84 | Иордания | 11,52 миллиона | 4.9 × 10¹⁶ | 5% | 5.2 h | | 85 | Доминиканская Республика | 11,52 миллиона | 4.9 × 10¹⁶ | 4.9% | 5.2 h | | 86 | Объединённые Арабские Эмираты | 11,51 миллиона | 3.1 × 10¹⁶ | 3.1% | 3.2 h | | 87 | Гондурас | 11,01 миллиона | 3.2 × 10¹⁶ | 3.3% | 3.5 h | | 88 | Куба | 10,94 миллиона | 1.6 × 10¹⁷ | 17% | 17.4 h | | 89 | Чехия | 10,89 миллиона | 5.8 × 10¹⁶ | 6.2% | 6.5 h | | 90 | Португалия | 10,8 миллиона | 5.1 × 10¹⁶ | 5.5% | 5.7 h | | 91 | Таджикистан | 10,79 миллиона | 5.3 × 10¹⁶ | 5.7% | 6 h | | 92 | Папуа — Новая Гвинея | 10,76 миллиона | 4.3 × 10¹⁶ | 4.6% | 4.8 h | | 93 | Швеция | 10,6 миллиона | 6.8 × 10¹⁶ | 7.5% | 7.8 h | | 94 | Греция | 10,41 миллиона | 4.9 × 10¹⁶ | 5.4% | 5.7 h | | 95 | Азербайджан | 10,25 миллиона | 6.2 × 10¹⁶ | 7% | 7.4 h | | 96 | Израиль | 10,12 миллиона | 6.4 × 10¹⁶ | 7.3% | 7.7 h | | 97 | Венгрия | 9,51 миллиона | 5.7 × 10¹⁶ | 6.9% | 7.3 h | | 98 | Австрия | 9,21 миллиона | 2.5 × 10¹⁶ | 3.2% | 3.4 h | | 99 | Швейцария | 9,09 миллиона | 3.9 × 10¹⁶ | 5% | 5.3 h | | 100 | Беларусь | 9,09 миллиона | 7.9 × 10¹⁶ | 10% | 10.6 h | | 101 | Сьерра-Леоне | 8,82 миллиона | 4.9 × 10¹⁶ | 6.5% | 6.8 h | | 102 | Того | 8,59 миллиона | 3 × 10¹⁶ | 4% | 4.2 h | | 103 | Лаос | 7,87 миллиона | 3.2 × 10¹⁶ | 4.8% | 5 h | | 104 | Туркмения | 7,62 миллиона | 4.2 × 10¹⁶ | 6.5% | 6.8 h | | 105 | Ливия | 7,46 миллиона | 3.9 × 10¹⁶ | 6.1% | 6.4 h | | 106 | Киргизия | 7,34 миллиона | 4.1 × 10¹⁶ | 6.5% | 6.8 h | | 107 | Парагвай | 7,01 миллиона | 2.9 × 10¹⁶ | 4.8% | 5.1 h | | 108 | Никарагуа | 7,01 миллиона | 2.8 × 10¹⁶ | 4.6% | 4.8 h | | 109 | Сербия | 6,55 миллиона | 4.1 × 10¹⁶ | 7.2% | 7.5 h | | 110 | Республика Конго | 6,48 миллиона | 1.7 × 10¹⁶ | 3% | 3.1 h | | 111 | Болгария | 6,43 миллиона | 3.3 × 10¹⁶ | 5.9% | 6.2 h | | 112 | Сальвадор | 6,37 миллиона | 3.2 × 10¹⁶ | 5.8% | 6.1 h | | 113 | Сингапур | 6,11 миллиона | 1.9 × 10¹⁶ | 3.6% | 3.7 h | | 114 | Дания | 6,01 миллиона | 3.9 × 10¹⁶ | 7.6% | 8 h | | 115 | Ливан | 5,85 миллиона | 1.5 × 10¹⁶ | 3% | 3.1 h | | 116 | Либерия | 5,73 миллиона | 1.5 × 10¹⁶ | 3.1% | 3.3 h | | 117 | Финляндия | 5,65 миллиона | 3.2 × 10¹⁶ | 6.6% | 6.9 h | | 118 | Норвегия | 5,61 миллиона | 3.7 × 10¹⁶ | 7.6% | 8 h | | 119 | Центральноафриканская Республика | 5,51 миллиона | 1.7 × 10¹⁶ | 3.5% | 3.7 h | | 120 | Оман | 5,49 миллиона | 2.9 × 10¹⁶ | 6.2% | 6.5 h | | 121 | Ирландия | 5,48 миллиона | 3.4 × 10¹⁶ | 7.2% | 7.6 h | | 122 | Словакия | 5,41 миллиона | 3.1 × 10¹⁶ | 6.7% | 7 h | | 123 | Палестина | 5,41 миллиона | 2 × 10¹⁶ | 4.3% | 4.5 h | | 124 | Новая Зеландия | 5,32 миллиона | 2.7 × 10¹⁶ | 5.9% | 6.2 h | | 125 | Мавритания | 5,32 миллиона | 2 × 10¹⁶ | 4.3% | 4.5 h | | 126 | Коста-Рика | 5,15 миллиона | 2.6 × 10¹⁶ | 5.9% | 6.2 h | | 127 | Кувейт | 4,87 миллиона | 2.7 × 10¹⁶ | 6.5% | 6.8 h | | 128 | Панама | 4,57 миллиона | 2.3 × 10¹⁶ | 5.9% | 6.2 h | | 129 | Грузия | 3,94 миллиона | 2.1 × 10¹⁶ | 6.1% | 6.4 h | | 130 | Хорватия | 3,88 миллиона | 2.2 × 10¹⁶ | 6.7% | 7 h | | 131 | Эритрея | 3,61 миллиона | 1.5 × 10¹⁶ | 5% | 5.2 h | | 132 | Монголия | 3,57 миллиона | 2.2 × 10¹⁶ | 7% | 7.3 h | | 133 | Уругвай | 3,38 миллиона | 1.7 × 10¹⁶ | 5.9% | 6.2 h | | 134 | Босния и Герцеговина | 3,14 миллиона | 1.6 × 10¹⁶ | 5.9% | 6.2 h | | 135 | Намибия | 3,09 миллиона | 1.8 × 10¹⁶ | 6.9% | 7.2 h | | 136 | Армения | 3,09 миллиона | 1.7 × 10¹⁶ | 6.5% | 6.8 h | | 137 | Катар | 2,97 миллиона | 9.6 × 10¹⁵ | 3.8% | 3.9 h | | 138 | Литва | 2,89 миллиона | 1.8 × 10¹⁶ | 7.4% | 7.7 h | | 139 | Ямайка | 2,84 миллиона | 1.2 × 10¹⁶ | 5% | 5.2 h | | 140 | Гамбия | 2,82 миллиона | 1.1 × 10¹⁶ | 4.5% | 4.7 h | | 141 | Габон | 2,59 миллиона | 9.9 × 10¹⁵ | 4.4% | 4.6 h | | 142 | Ботсвана | 2,56 миллиона | 1.3 × 10¹⁶ | 5.7% | 6 h | | 143 | Лесото | 2,36 миллиона | 9.5 × 10¹⁵ | 4.7% | 4.9 h | | 144 | Молдавия | 2,36 миллиона | 1.5 × 10¹⁶ | 7.3% | 7.6 h | | 145 | Албания | 2,35 миллиона | 1.2 × 10¹⁶ | 5.7% | 6 h | | 146 | Гвинея-Бисау | 2,25 миллиона | 5.7 × 10¹⁵ | 2.9% | 3.1 h | | 147 | Словения | 2,13 миллиона | 1.2 × 10¹⁶ | 6.6% | 6.9 h | | 148 | Экваториальная Гвинея | 1,94 миллиона | 4 × 10¹⁵ | 2.4% | 2.5 h | | 149 | Латвия | 1,85 миллиона | 1.2 × 10¹⁶ | 7.6% | 7.9 h | | 150 | Северная Македония | 1,82 миллиона | 9.2 × 10¹⁵ | 5.9% | 6.2 h | | 151 | Бахрейн | 1,6 миллиона | 5.9 × 10¹⁵ | 4.3% | 4.5 h | | 152 | Косово | 1,58 миллиона | 8 × 10¹⁵ | 5.9% | 6.2 h | | 153 | Тимор-Лесте | 1,42 миллиона | 8 × 10¹⁵ | 6.6% | 6.9 h | | 154 | Кипр | 1,37 миллиона | 5.5 × 10¹⁵ | 4.7% | 4.9 h | | 155 | Тринидад и Тобаго | 1,37 миллиона | 9.3 × 10¹⁵ | 7.9% | 8.2 h | | 156 | Эстония | 1,37 миллиона | 8.3 × 10¹⁵ | 7% | 7.4 h | | 157 | Эсватини | 1,26 миллиона | 7.5 × 10¹⁵ | 6.9% | 7.2 h | | 158 | Маврикий | 1,24 миллиона | 5.1 × 10¹⁵ | 4.8% | 5 h | | 159 | Джибути | 1,18 миллиона | 4.6 × 10¹⁵ | 4.5% | 4.8 h | | 160 | Фиджи | 933,154 | 5.6 × 10¹⁵ | 7% | 7.4 h | | 161 | Коморы | 882,847 | 3.5 × 10¹⁵ | 4.6% | 4.8 h | | 162 | Соломоновы Острова | 838,645 | 3.2 × 10¹⁵ | 4.4% | 4.6 h | | 163 | Гайана | 835,986 | 4.6 × 10¹⁵ | 6.4% | 6.7 h | | 164 | Бутан | 796,682 | 5.8 × 10¹⁵ | 8.5% | 8.9 h | | 165 | Люксембург | 686,970 | 2.4 × 10¹⁵ | 4% | 4.2 h | | 166 | Суринам | 639,850 | 3.7 × 10¹⁵ | 6.7% | 7.1 h | | 167 | Черногория | 623,129 | 4.3 × 10¹⁵ | 8.1% | 8.5 h | | 168 | Malta | 579,704 | 3.1 × 10¹⁵ | 6.2% | 6.5 h | | 169 | Мальдивы | 529,676 | 4.7 × 10¹⁵ | 10% | 10.8 h | | 170 | Кабо-Верде | 527,326 | 3.3 × 10¹⁵ | 7.2% | 7.6 h | | 171 | Бруней | 466,330 | 3.6 × 10¹⁵ | 8.9% | 9.3 h | | 172 | Белиз | 422,924 | 1.1 × 10¹⁵ | 2.9% | 3.1 h | | 173 | Багамы | 403,033 | 2.2 × 10¹⁵ | 6.4% | 6.7 h | | 174 | Исландия | 392,404 | 2.5 × 10¹⁵ | 7.4% | 7.7 h | | 175 | Вануату | 335,169 | 2 × 10¹⁵ | 6.9% | 7.3 h | | 176 | Барбадос | 282,623 | 1.5 × 10¹⁵ | 6% | 6.3 h | | 177 | Сан-Томе и Принсипи | 240,254 | 1.1 × 10¹⁵ | 5.4% | 5.7 h | | 178 | Самоа | 219,306 | 1.1 × 10¹⁵ | 5.7% | 5.9 h | | 179 | Сент-Люсия | 180,149 | 9.3 × 10¹⁴ | 6% | 6.3 h | | 180 | Кирибати | 136,488 | 7.6 × 10¹⁴ | 6.4% | 6.7 h | | 181 | Сейшелы | 122,730 | 8.9 × 10¹⁴ | 8.4% | 8.8 h | | 182 | Гренада | 117,303 | 7.3 × 10¹⁴ | 7.2% | 7.5 h | | 183 | Микронезия | 113,683 | 5.7 × 10¹⁴ | 5.8% | 6.1 h | | 184 | Тонга | 103,742 | 5.9 × 10¹⁴ | 6.6% | 6.9 h | | 185 | Сент-Винсент и Гренадины | 99,924 | 4.9 × 10¹⁴ | 5.7% | 5.9 h | | 186 | Антигуа и Барбуда | 94,209 | 6.5 × 10¹⁴ | 8% | 8.3 h | | 187 | Андорра | 82,904 | 3.9 × 10¹⁴ | 5.5% | 5.8 h | | 188 | Доминика | 65,871 | 2.3 × 10¹⁴ | 4.1% | 4.3 h | | 189 | Сент-Китс и Невис | 46,922 | 2.1 × 10¹⁴ | 5.2% | 5.5 h | | 190 | Лихтенштейн | 41,024 | 2 × 10¹⁴ | 5.7% | 5.9 h | | 191 | Монако | 38,341 | 2.3 × 10¹⁴ | 6.9% | 7.3 h | | 192 | Маршалловы Острова | 36,282 | 3.3 × 10¹⁴ | 10% | 10.9 h | | 193 | Сан-Марино | 34,109 | 1.3 × 10¹⁴ | 4.6% | 4.8 h | | 194 | Палау | 17,663 | 1.6 × 10¹⁴ | 10% | 11 h | | 195 | Науру | 12,025 | 9.3 × 10¹³ | 9% | 9.4 h | | 196 | Тувалу | 9,492 | 8 × 10¹³ | 9.8% | 10.2 h | [Что учитывается, а что нет](https://simulation-hypothesis.com/ru/entities/control). ## Политические партии: члены и нейроны, следующие их инструкциям Члены Следуя его инструкциям Члены в том виде, в каком их сообщает партия, по логарифмической шкале. Сплошные столбцы — подсчёты; штрихованные — оценки или заявления. 1. Бхаратия джаната парти (Индия)▲1 140 миллионов 2. Коммунистическая партия Китая▼1 101,29 миллиона 3. Демократическая партия (США)▲13 44,9 миллиона 4. Республиканская партия (США)▲16 38 миллионов 5. Индийский национальный конгресс▼2 26 миллионов 6. АИАДМК (Индия)▼2 20,04 миллиона 7. ДМК (Индия)▼2 20 миллионов 8. Партия процветания (Эфиопия)▼1 15,7 миллиона 9. TVK (Индия)▼1 15 миллионов 10. Чама Ча Мапиндузи (Танзания)▼1 13 миллионов 11. Всеобщий конгресс прогрессистов (Нигерия)▼1 12,9 миллиона 12. Партия справедливости и развития (Турция)▼1 11,71 миллиона 13. Морена (Мексика)▼1 11,63 миллиона 14. Телугу Десам (Индия)▼1 10,05 миллиона 15. Народная партия Камбоджи▼1 7 миллионов Показать все 59 10^4 10^5 10^6 10^7 10^8 10^9 члены Показать числа | # | Партия | Члены | Следуя его инструкциям | Направляемая доля | Часов в неделю | | -- | -------------------------------------------------- | --------------- | ---------------------- | ----------------- | -------------- | | 1 | Бхаратия джаната парти (Индия) | 140 миллионов | 6.3 × 10¹⁶ | 0.52% (прокси) | 0.6 h | | 2 | Коммунистическая партия Китая | 101,29 миллиона | 8.2 × 10¹⁶ | 0.94% | 1 h | | 3 | Демократическая партия (США) | 44,9 миллиона | 2.3 × 10¹⁵ | 0.06% | 0.1 h | | 4 | Республиканская партия (США) | 38 миллионов | 2 × 10¹⁵ | 0.06% | 0.1 h | | 5 | Индийский национальный конгресс | 26 миллионов | 1.2 × 10¹⁶ | 0.52% (прокси) | 0.6 h | | 6 | АИАДМК (Индия) | 20,04 миллиона | 9 × 10¹⁵ | 0.52% (прокси) | 0.6 h | | 7 | ДМК (Индия) | 20 миллионов | 9 × 10¹⁵ | 0.52% (прокси) | 0.6 h | | 8 | Партия процветания (Эфиопия) | 15,7 миллиона | 7 × 10¹⁵ | 0.52% (прокси) | 0.6 h | | 9 | TVK (Индия) | 15 миллионов | 6.7 × 10¹⁵ | 0.52% (прокси) | 0.6 h | | 10 | Чама Ча Мапиндузи (Танзания) | 13 миллионов | 5.8 × 10¹⁵ | 0.52% (прокси) | 0.6 h | | 11 | Всеобщий конгресс прогрессистов (Нигерия) | 12,9 миллиона | 5.8 × 10¹⁵ | 0.52% (прокси) | 0.6 h | | 12 | Партия справедливости и развития (Турция) | 11,71 миллиона | 5.2 × 10¹⁵ | 0.52% (прокси) | 0.6 h | | 13 | Морена (Мексика) | 11,63 миллиона | 5.2 × 10¹⁵ | 0.52% (прокси) | 0.6 h | | 14 | Телугу Десам (Индия) | 10,05 миллиона | 4.5 × 10¹⁵ | 0.52% (прокси) | 0.6 h | | 15 | Народная партия Камбоджи | 7 миллионов | 3.1 × 10¹⁵ | 0.52% (прокси) | 0.6 h | | 16 | Трудовая партия Кореи | 6,18 миллиона | 7.6 × 10¹⁵ | 1.4% | 1.5 h | | 17 | ФРЕЛИМО (Мозамбик) | 6 миллионов | 2.7 × 10¹⁵ | 0.52% (прокси) | 0.6 h | | 18 | Коммунистическая партия Вьетнама | 5,6 миллиона | 2.1 × 10¹⁵ | 0.44% | 0.5 h | | 19 | Демократическая партия Кореи | 5 миллионов | 2.2 × 10¹⁵ | 0.52% (прокси) | 0.6 h | | 20 | Партия силы народа (Южная Корея) | 4,44 миллиона | 2 × 10¹⁵ | 0.52% (прокси) | 0.6 h | | 21 | ЕСПВ (Венесуэла) | 4,24 миллиона | 1.9 × 10¹⁵ | 0.52% (прокси) | 0.6 h | | 22 | ЗАНУ—ПФ (Зимбабве) | 4,06 миллиона | 1.8 × 10¹⁵ | 0.52% (прокси) | 0.6 h | | 23 | ОМНО (Малайзия) | 3,25 миллиона | 1.5 × 10¹⁵ | 0.52% (прокси) | 0.6 h | | 24 | Хустисиалистская партия (Аргентина) | 3,1 миллиона | 1.4 × 10¹⁵ | 0.52% (прокси) | 0.6 h | | 25 | Партия Колорадо (Парагвай) | 3 миллиона | 1.3 × 10¹⁵ | 0.52% (прокси) | 0.6 h | | 26 | Единая Россия | 2,6 миллиона | 1.2 × 10¹⁵ | 0.52% (прокси) | 0.6 h | | 27 | ЛДПУ (Узбекистан) | 2,31 миллиона | 1 × 10¹⁵ | 0.52% (прокси) | 0.6 h | | 28 | PLD (Доминиканская Республика) | 2,18 миллиона | 9.7 × 10¹⁴ | 0.52% (прокси) | 0.6 h | | 29 | MDB (Бразилия) | 2,02 миллиона | 9 × 10¹⁴ | 0.52% (прокси) | 0.6 h | | 30 | РНП (Турция) | 1,88 миллиона | 8.4 × 10¹⁴ | 0.52% (прокси) | 0.6 h | | 31 | Гражданский радикальный союз (Аргентина) | 1,79 миллиона | 8 × 10¹⁴ | 0.52% (прокси) | 0.6 h | | 32 | Партия трудящихся, PT (Бразилия) | 1,67 миллиона | 7.5 × 10¹⁴ | 0.52% (прокси) | 0.6 h | | 33 | PRM (Доминиканская Республика) | 1,55 миллиона | 6.9 × 10¹⁴ | 0.52% (прокси) | 0.6 h | | 34 | Подлинная радикально-либеральная партия (Парагвай) | 1,55 миллиона | 6.9 × 10¹⁴ | 0.52% (прокси) | 0.6 h | | 35 | Федеральная партия Филиппин | 1,5 миллиона | 6.7 × 10¹⁴ | 0.52% (прокси) | 0.6 h | | 36 | PAS (Малайзия) | 1,3 миллиона | 5.8 × 10¹⁴ | 0.52% (прокси) | 0.6 h | | 37 | PRD (Бразилия) | 1,29 миллиона | 5.8 × 10¹⁴ | 0.52% (прокси) | 0.6 h | | 38 | Прогрессисты (Бразилия) | 1,29 миллиона | 5.8 × 10¹⁴ | 0.52% (прокси) | 0.6 h | | 39 | PSDB (Бразилия) | 1,26 миллиона | 5.6 × 10¹⁴ | 0.52% (прокси) | 0.6 h | | 40 | PKR (Малайзия) | 1,15 миллиона | 5.2 × 10¹⁴ | 0.52% (прокси) | 0.6 h | | 41 | Борцы за экономическую свободу (Южная Африка) | 1,09 миллиона | 4.9 × 10¹⁴ | 0.52% (прокси) | 0.6 h | | 42 | PDT (Бразилия) | 1,07 миллиона | 4.8 × 10¹⁴ | 0.52% (прокси) | 0.6 h | | 43 | União Brasil | 1,07 миллиона | 4.8 × 10¹⁴ | 0.52% (прокси) | 0.6 h | | 44 | КПИ(М) (Индия) | 1,02 миллиона | 4.6 × 10¹⁴ | 0.52% (прокси) | 0.6 h | | 45 | Либерально-демократическая партия (Япония) | 1 миллион | 4.5 × 10¹⁴ | 0.52% (прокси) | 0.6 h | | 46 | ФНО (Алжир) | 1 миллион | 4.5 × 10¹⁴ | 0.52% (прокси) | 0.6 h | | 47 | Либеральная партия, PL (Бразилия) | 952,881 | 4.3 × 10¹⁴ | 0.52% (прокси) | 0.6 h | | 48 | Коммунистическая партия Кубы | 700,000 | 2.7 × 10¹⁴ | 0.44% | 0.5 h | | 49 | Африканский национальный конгресс | 688,454 | 3.1 × 10¹⁴ | 0.52% (прокси) | 0.6 h | | 50 | Консервативная партия Канады | 678,708 | 2.7 × 10¹⁴ | 0.46% | 0.5 h | | 51 | ХДС (Германия) | 364,202 | 1.6 × 10¹⁴ | 0.52% (прокси) | 0.6 h | | 52 | СДПГ (Германия) | 357,116 | 1.6 × 10¹⁴ | 0.52% (прокси) | 0.6 h | | 53 | Лейбористская партия (Великобритания) | 333,235 | 1.6 × 10¹⁴ | 0.55% | 0.6 h | | 54 | Либеральная партия Канады | 163,836 | 6.5 × 10¹³ | 0.46% | 0.5 h | | 55 | Зелёные (Германия) | 155,296 | 7 × 10¹³ | 0.52% (прокси) | 0.6 h | | 56 | ХСС (Германия) | 125,153 | 5.6 × 10¹³ | 0.52% (прокси) | 0.6 h | | 57 | Консервативная партия (Великобритания) | 123,000 | 3.7 × 10¹³ | 0.35% | 0.4 h | | 58 | Новая демократическая партия (Канада) | 100,542 | 4 × 10¹³ | 0.46% | 0.5 h | | 59 | АдГ (Германия) | 51,335 | 2.3 × 10¹³ | 0.52% (прокси) | 0.6 h | [Встречи, опросы и источники](https://simulation-hypothesis.com/ru/entities/control). ## Корпорации: сотрудники и нейроны, следующие их инструкциям Сотрудники Следуя его инструкциям Сотрудники по последнему годовому отчёту или списку, по линейной шкале. 1. Walmart 2,1 миллиона 2. Amazon▲1 1,58 миллиона 3. State Grid▼1 1,36 миллиона 4. Китайская национальная нефтяная корпорация 1,03 миллиона 5. JD.com 951,420 6. BYD▲1 869,622 7. Accenture▼1 779,000 8. Allied Universal▲3 770,000 9. China Post Group▼1 719,448 10. Российские железные дороги (РЖД)▲2 677,363 11. Volkswagen Group▲6 662,942 12. Foxconn (Hon Hai)▼2 633,167 13. Schwarz Group▲16 604,000 14. Compass Group▲18 590,000 15. Tata Consultancy Services▼6 584,510 Показать все 71 0 0.5M 1M 1.5M 2M 2.5M employees Показать числа | # | Корпорация | Сотрудники | Следуя его инструкциям | Часов в неделю | Направляемая доля | | -- | ------------------------------------------ | ------------- | ---------------------- | --------------------------- | ----------------- | | 1 | Walmart | 2,1 миллиона | 6.3 × 10¹⁶ | 36.3 h (Соединённые Штаты) | 35% | | 2 | Amazon | 1,58 миллиона | 4.7 × 10¹⁶ | 36.3 h (Соединённые Штаты) | 35% | | 3 | State Grid | 1,36 миллиона | 5.5 × 10¹⁶ | 49 h (Китай) | 47% | | 4 | Китайская национальная нефтяная корпорация | 1,03 миллиона | 4.1 × 10¹⁶ | 49 h (Китай) | 47% | | 5 | JD.com | 951,420 | 3.8 × 10¹⁶ | 49 h (Китай) | 47% | | 6 | BYD | 869,622 | 3.5 × 10¹⁶ | 49 h (Китай) | 47% | | 7 | Accenture | 779,000 | 3.7 × 10¹⁶ | 57.58 h (Индия) | 55% | | 8 | Allied Universal | 770,000 | 2.3 × 10¹⁶ | 36.52 h (Соединённые Штаты) | 35% | | 9 | China Post Group | 719,448 | 2.9 × 10¹⁶ | 49 h (Китай) | 47% | | 10 | Российские железные дороги (РЖД) | 677,363 | 2.2 × 10¹⁶ | 39.96 h (Россия) | 38% | | 11 | Volkswagen Group | 662,942 | 2 × 10¹⁶ | 35.95 h (Германия) | 34% | | 12 | Foxconn (Hon Hai) | 633,167 | 2.5 × 10¹⁶ | 49 h (Китай) | 47% | | 13 | Schwarz Group | 604,000 | 1.6 × 10¹⁶ | 31.49 h (Германия) | 30% | | 14 | Compass Group | 590,000 | 1.5 × 10¹⁶ | 31.7 h (Соединённые Штаты) | 30% | | 15 | Tata Consultancy Services | 584,510 | 2.8 × 10¹⁶ | 58.23 h (Индия) | 56% | | 16 | DHL Group | 583,998 | 1.7 × 10¹⁶ | 35.81 h (Германия) | 34% | | 17 | Sinopec | 513,434 | 2.1 × 10¹⁶ | 49 h (Китай) | 47% | | 18 | Gazprom | 501,000 | 1.7 × 10¹⁶ | 40.47 h (Россия) | 39% | | 19 | FedEx | 474,200 | 1.6 × 10¹⁶ | 39.98 h (Соединённые Штаты) | 38% | | 20 | Home Depot | 470,000 | 1.4 × 10¹⁶ | 36.3 h (Соединённые Штаты) | 35% | | 21 | China Mobile | 468,496 | 1.9 × 10¹⁶ | 49 h (Китай) | 47% | | 22 | UPS | 460,000 | 1.5 × 10¹⁶ | 39.98 h (Соединённые Штаты) | 38% | | 23 | Сельскохозяйственный банк Китая | 457,835 | 1.8 × 10¹⁶ | 49 h (Китай) | 47% | | 24 | Concentrix | 455,000 | 1.7 × 10¹⁶ | 46.71 h (Филиппины) | 45% | | 25 | Teleperformance | 446,716 | 2.2 × 10¹⁶ | 58.89 h (Индия) | 56% | | 26 | Jardine Matheson | 443,000 | 1.5 × 10¹⁶ | 41.93 h (Индонезия) | 40% | | 27 | Sodexo | 426,464 | 1.1 × 10¹⁶ | 31.7 h (Соединённые Штаты) | 30% | | 28 | Capgemini | 423,400 | 2 × 10¹⁶ | 58.23 h (Индия) | 56% | | 29 | Reliance Industries | 419,911 | 2.1 × 10¹⁶ | 59.57 h (Индия) | 57% | | 30 | Edeka | 417,500 | 1.1 × 10¹⁶ | 31.49 h (Германия) | 30% | | 31 | Luxshare Precision | 416,197 | 1.7 × 10¹⁶ | 49 h (Китай) | 47% | | 32 | Target | 415,000 | 1.2 × 10¹⁶ | 36.3 h (Соединённые Штаты) | 35% | | 33 | Marriott International | 414,000 | 1.1 × 10¹⁶ | 31.7 h (Соединённые Штаты) | 30% | | 34 | Bosch | 412,400 | 1.2 × 10¹⁶ | 35.95 h (Германия) | 34% | | 35 | ICBC | 409,758 | 1.6 × 10¹⁶ | 49 h (Китай) | 47% | | 36 | Kroger | 403,000 | 1.2 × 10¹⁶ | 36.3 h (Соединённые Штаты) | 35% | | 37 | China Resources | 397,398 | 1.6 × 10¹⁶ | 49 h (Китай) | 47% | | 38 | Magnit | 394,000 | 1.3 × 10¹⁶ | 39.69 h (Россия) | 38% | | 39 | Toyota | 390,927 | 1.3 × 10¹⁶ | 39.6 h (Япония) | 38% | | 40 | UnitedHealth Group | 390,000 | 1.2 × 10¹⁶ | 36.87 h (Соединённые Штаты) | 35% | | 41 | X5 Group | 389,000 | 1.3 × 10¹⁶ | 39.69 h (Россия) | 38% | | 42 | Berkshire Hathaway | 387,800 | 1.2 × 10¹⁶ | 37.75 h (Соединённые Штаты) | 36% | | 43 | AVIC | 384,000 | 1.5 × 10¹⁶ | 49 h (Китай) | 47% | | 44 | Ahold Delhaize | 384,000 | 1.1 × 10¹⁶ | 36.3 h (Соединённые Штаты) | 35% | | 45 | China Telecom | 381,436 | 1.5 × 10¹⁶ | 49 h (Китай) | 47% | | 46 | Starbucks | 381,000 | 9.9 × 10¹⁵ | 31.7 h (Соединённые Штаты) | 30% | | 47 | Rewe Group | 380,000 | 9.8 × 10¹⁵ | 31.49 h (Германия) | 30% | | 48 | Строительный банк Китая | 378,344 | 1.5 × 10¹⁶ | 49 h (Китай) | 47% | | 49 | TJX Companies | 377,000 | 1.1 × 10¹⁶ | 36.3 h (Соединённые Штаты) | 35% | | 50 | China State Construction Engineering | 370,272 | 1.5 × 10¹⁶ | 49 h (Китай) | 47% | | 51 | FEMSA | 368,776 | 1.4 × 10¹⁶ | 47.09 h (Мексика) | 45% | | 52 | Japan Post Holdings | 360,000 | 1.2 × 10¹⁶ | 41.6 h (Япония) | 40% | | 53 | Tesco | 354,744 | 9.3 × 10¹⁵ | 31.81 h (Великобритания) | 30% | | 54 | Cognizant | 351,600 | 1.7 × 10¹⁶ | 58.23 h (Индия) | 56% | | 55 | NTT | 344,196 | 1.1 × 10¹⁶ | 40.2 h (Япония) | 38% | | 56 | Costco | 341,000 | 1 × 10¹⁶ | 36.3 h (Соединённые Штаты) | 35% | | 57 | Infosys | 328,594 | 1.6 × 10¹⁶ | 58.23 h (Индия) | 56% | | 58 | ISS | 325,000 | 1.6 × 10¹⁶ | 58.89 h (Индия) | 56% | | 59 | Securitas | 322,000 | 9.7 × 10¹⁵ | 36.52 h (Соединённые Штаты) | 35% | | 60 | HCA Healthcare | 320,000 | 9.7 × 10¹⁵ | 36.87 h (Соединённые Штаты) | 35% | | 61 | Rosneft | 320,000 | 1.1 × 10¹⁶ | 40.47 h (Россия) | 39% | | 62 | JPMorgan Chase | 318,512 | 1.1 × 10¹⁶ | 40.14 h (Соединённые Штаты) | 38% | | 63 | Siemens | 318,000 | 9.4 × 10¹⁵ | 35.95 h (Германия) | 34% | | 64 | Банк Китая | 313,746 | 1.3 × 10¹⁶ | 49 h (Китай) | 47% | | 65 | Walgreens Boots Alliance | 312,000 | 9.3 × 10¹⁵ | 36.3 h (Соединённые Штаты) | 35% | | 66 | PepsiCo | 306,000 | 1 × 10¹⁶ | 40.7 h (Соединённые Штаты) | 39% | | 67 | China Railway Construction (CRCC) | 304,927 | 1.2 × 10¹⁶ | 49 h (Китай) | 47% | | 68 | CHN Energy (China Energy Investment) | 303,418 | 1.2 × 10¹⁶ | 49 h (Китай) | 47% | | 69 | China Railway Group (CREC) | 302,527 | 1.2 × 10¹⁶ | 49 h (Китай) | 47% | | 70 | CK Hutchison | 300,000 | 8.6 × 10¹⁵ | 35.08 h (Великобритания) | 33% | | 71 | CVS Health | 300,000 | 8.9 × 10¹⁵ | 36.3 h (Соединённые Штаты) | 35% | [Часы и источники](https://simulation-hypothesis.com/ru/entities/control). ## Животные и другие организмы От отдельных клеток без нейронов до мозга человека. Числа нейронов измерены там, где они существуют. ### Нет нейронов * [Escherichia coli](https://simulation-hypothesis.com/ru/entities/ecoli)Escherichia coli 0 измерено Одна клетка без нейронов. Она направляется к пище и обладает химической памятью, которая длится несколько секунд. * [Слизевик](https://simulation-hypothesis.com/ru/entities/physarum)Physarum polycephalum 0 измерено Одна гигантская клетка без нейронов. Она проходит лабиринты и выращивает эффективные транспортные сети. * [Мимоза стыдливая](https://simulation-hypothesis.com/ru/entities/mimosa)Mimosa pudica 0 измерено Растение, листья которого складываются при касании. В одном исследовании сообщалось, что оно учится игнорировать безвредные прикосновения. Более поздний повторный анализ это оспорил. * [Губка](https://simulation-hypothesis.com/ru/entities/sponge)Porifera (e.g. Amphimedon queenslandica) 0 измерено Животное без нейронов и синапсов, которое тем не менее согласованно сокращает всё тело. ### Нервные сети, без мозга * [Гидра](https://simulation-hypothesis.com/ru/entities/hydra)Hydra vulgaris около 3 000–5 000 оценка Маленький пресноводный стрекающий. Им управляет диффузная нервная сеть, мозга у него нет. * [Кубомедуза](https://simulation-hypothesis.com/ru/entities/jellyfish)Tripedalia cystophora Опубликованного подсчёта нет У кубомедузы нет центрального мозга, но она показала ассоциативное обучение. ### Беспозвоночные с мозгом * [Круглый червь](https://simulation-hypothesis.com/ru/entities/celegans)Caenorhabditis elegans 302 измерено Червь длиной около миллиметра, у которого ровно 302 нейрона. Это первое животное, у которого полностью составили схему связей. * [Дрозофила](https://simulation-hypothesis.com/ru/entities/drosophila)Drosophila melanogaster 139,255 измерено Самая большая из составленных на сегодня полных схем связей мозга, около 139 000 нейронов. * [Медоносная пчела](https://simulation-hypothesis.com/ru/entities/honeybee)Apis mellifera около 1 млн оценка Около миллиона нейронов, и пчёлы способны усваивать абстрактные понятия, такие как «одинаковое» и «разное». * [Муравей (Camponotus / Formica)](https://simulation-hypothesis.com/ru/entities/ant)Camponotus spp. Опубликованного подсчёта нет Маленький мозг, который справляется с дальней навигацией, считая шаги (интеграция пути) и запоминая ориентиры. * [Паук-скакун Portia](https://simulation-hypothesis.com/ru/entities/portia)Portia fimbriata / labiata Опубликованного подсчёта нет Паук-скакун, который планирует обходные пути. Он выбирает маршруты, уводящие от добычи и скрывающие его из виду. * [Прибрежный краб / рак](https://simulation-hypothesis.com/ru/entities/decapod)Carcinus maenas; Procambarus / Astacus spp. Опубликованного подсчёта нет Крабы и раки. Обзор правительства Великобритании 2021 года нашёл убедительные свидетельства того, что настоящие крабы способны чувствовать. * [Обыкновенный осьминог](https://simulation-hypothesis.com/ru/entities/octopus)Octopus vulgaris 500 млн оценка Большая часть её нейронов находится в щупальцах. Обзор 2021 года нашёл очень убедительные свидетельства того, что она способна чувствовать. ### Рыбы и земноводные * [Данио-рерио](https://simulation-hypothesis.com/ru/entities/zebrafish)Danio rerio Опубликованного подсчёта нет Маленькая рыба, широко используемая в нейронауке. Её нейроны ещё не посчитаны полностью. В мозге взрослой особи около 10 млн клеток. * [Губан-чистильщик](https://simulation-hypothesis.com/ru/entities/wrasse)Labroides dimidiatus Опубликованного подсчёта нет Рифовая рыба, прошедшая вариант теста с меткой перед зеркалом. О том, что это показывает, люди спорят. * [Лягушка](https://simulation-hypothesis.com/ru/entities/frog)Anura (e.g. Xenopus / Rana) Опубликованного подсчёта нет Нью-Йоркская декларация 2024 года говорит, что сознательный опыт у земноводных реально возможен. ### Птицы * [Сизый голубь](https://simulation-hypothesis.com/ru/entities/pigeon)Columba livia 310 млн измерено Сотни миллионов нейронов в небольшом мозге. Голуби умеют сортировать сложные изображения по категориям. * [Ворон](https://simulation-hypothesis.com/ru/entities/raven)Corvus corax 2,17 млрд измерено Более двух миллиардов нейронов, плотно упакованных. Вороны помнят отдельных соперников. * [Новокаледонская ворона](https://simulation-hypothesis.com/ru/entities/nccrow)Corvus moneduloides Опубликованного подсчёта нет Она делает крючки-инструменты из веточек и проволоки. Её нейроны не посчитаны. * [Серый попугай](https://simulation-hypothesis.com/ru/entities/greyparrot)Psittacus erithacus 1,57 млрд измерено Около 1,6 млрд нейронов. Десятилетия лабораторных исследований восприятия числа и категоризации. ### Mammals * [Мышь](https://simulation-hypothesis.com/ru/entities/mouse)Mus musculus 70,9 млн измерено Около 71 млн нейронов. У мышей есть мимика боли, которую можно измерить. * [Крыса](https://simulation-hypothesis.com/ru/entities/rat)Rattus norvegicus 200 млн измерено Около 200 млн нейронов. Крысы освобождают запертых соседей по клетке. * [Домашняя кошка](https://simulation-hypothesis.com/ru/entities/cat)Felis catus 1,22 млрд измерено Около 250 млн нейронов в коре больших полушарий. * [Домашняя собака](https://simulation-hypothesis.com/ru/entities/dog)Canis familiaris от 1,8 до 2,6 млрд, в зависимости от собаки измерено До примерно 600 млн корковых нейронов, в зависимости от собаки. Это больше, чем у кошек. * [Домашняя свинья](https://simulation-hypothesis.com/ru/entities/pig)Sus scrofa domesticus 2,22 млрд измерено Свиньи понимают, что показывает зеркало, и используют его, чтобы найти еду. * [Афалина](https://simulation-hypothesis.com/ru/entities/dolphin)Tursiops truncatus Опубликованного подсчёта нет Проходит тесты на узнавание себя в зеркале. Измеренного числа нейронов для афалины нет. * [Африканский слон](https://simulation-hypothesis.com/ru/entities/elephant)Loxodonta africana 257 млрд измерено 257 млрд нейронов, втрое больше, чем у человека, почти все в мозжечке. * [Шимпанзе](https://simulation-hypothesis.com/ru/entities/chimp)Pan troglodytes около 28 млрд (предсказано по законам масштабирования, не подсчитано) оценка Один из двух наших ближайших ныне живущих родственников (вместе с бонобо). Проходит зеркальный тест. * [Человек](https://simulation-hypothesis.com/ru/entities/human)Homo sapiens 86,1 млрд измерено 86 млрд нейронов, из них 16 млрд в коре больших полушарий. Мы единственный вид, чьи представители могут словесно рассказать о своём опыте. ## Коллективные системы Группы, которые принимают решения, недоступные ни одному члену по отдельности. Их изучают как коллективный интеллект, а не как сознания. * [Муравьиные колонии](https://simulation-hypothesis.com/ru/entities/c-ants)Колонии выбирают лучшее гнездо, потому что отдельные муравьи следуют кворумному порогу. Ни один муравей не сравнивает места в целом. * [Рои медоносных пчёл](https://simulation-hypothesis.com/ru/entities/c-bees)Рои выбирают лучшую полость через соревнование разведчиков и кворум. Сигналы остановки обеспечивают перекрёстное торможение, которое разрывает тупики. * [Скворцовые стаи](https://simulation-hypothesis.com/ru/entities/c-starlings)Каждая птица следит за фиксированным числом соседей (около 6–7), а не за всеми птицами в пределах фиксированного расстояния. Это называют топологическим, а не метрическим взаимодействием. * [Рыбьи косяки](https://simulation-hypothesis.com/ru/entities/c-fish)Косяки принимают решения по кворуму. Большие группы могут ощущать градиенты среды, недоступные ни одной рыбе по отдельности. ## Искусственные системы Виды машинного интеллекта, отсортированные по принципу работы. Ни одна из нынешних систем не считается сильным кандидатом на сознание. * [Экспертные системы на правилах](https://simulation-hypothesis.com/ru/entities/ai-expert)Программы, которые записывают знания эксперта в предметной области как явные правила «если–то». Механизм вывода применяет правила по порядку, чтобы прийти к заключениям, обычно с объяснением своих рассуждений. * [Движки перебора игровых деревьев (шахматы)](https://simulation-hypothesis.com/ru/entities/ai-chess)Программы, которые перебирают возможные последовательности ходов до фиксированной глубины и оценивают получившиеся позиции вручную составленной оценочной функцией. Они отсекают ветви, которые не могут изменить выбор (минимакс с альфа-бета-отсечением). * [Агенты глубокого обучения с подкреплением](https://simulation-hypothesis.com/ru/entities/ai-drl)Нейронные сети, обученные методом проб и ошибок максимизировать сигнал вознаграждения. Они усваивают политику или функцию ценности, взаимодействуя со средой, часто смоделированной, например с игрой. * [Большие языковые модели](https://simulation-hypothesis.com/ru/entities/ai-llm)Трансформерные нейронные сети, обученные предсказывать следующий токен в очень больших текстовых корпусах, а затем часто донастроенные по отзывам людей. * [Воплощённые роботы](https://simulation-hypothesis.com/ru/entities/ai-robots)Машины с датчиками и приводами, действующие в физическом мире. Они часто используют многоуровневое реактивное управление вместо центральной модели мира, так что поведение возникает из цикла между телом и средой. * [Нейроморфное железо](https://simulation-hypothesis.com/ru/entities/ai-neuromorphic)Чипы, схемы которых имитируют импульсные нейроны и синапсы. Они управляются событиями и потребляют мало энергии, в отличие от обычной архитектуры процессора и памяти. ## Гипотетические сознания Сознания, предложенные в научной и философской литературе. Никто ни одного не наблюдал. * [Эмуляция всего мозга](https://simulation-hypothesis.com/ru/entities/h-wbe)не наблюдалось Детальное сканирование мозга и запуск его программной модели. * [Смоделированные сознания в симуляциях предков](https://simulation-hypothesis.com/ru/entities/h-ancestor)не наблюдалось Трилемма Бострома: либо почти ни одна цивилизация не достигает постчеловеческой стадии, либо почти ни одна не запускает симуляции предков, либо мы почти наверняка живём в одной из них. * [Больцмановские мозги](https://simulation-hypothesis.com/ru/entities/h-boltzmann)не наблюдалось Мозгоподобные наблюдатели, возникающие из редких тепловых или квантовых флуктуаций. * [Загрузка сознания путём постепенной замены](https://simulation-hypothesis.com/ru/entities/h-uploading)не наблюдалось Замена нейронов один за другим функционально идентичными искусственными частями. * [Сверхинтеллект](https://simulation-hypothesis.com/ru/entities/h-superintelligence)не наблюдалось Гипотетический разум, намного превосходящий человеческий почти во всех областях. Книга Бострома разбирает пути к нему (эмуляция всего мозга, биологическое познание, ИИ), его формы и проблемы контроля. Версия данных 2.0.0\. [Скачать (JSON)](https://simulation-hypothesis.com/entities/minds.json).