TGTGInsightтелеграм анализLIVE / telegram public index
← Такты, стеки, два колеса
Обратно към каналите

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #1020 · 12.09

Прегледай публикациятаВиж оригинала

На недавнем тимбилдинге было "бинго" для знакомств с коллегами. "Бинго" это листок с 24 ячейками, в которых написаны утверждения о людях, например: "Попадал в телевизор", "Любит экзотическую еду" и так далее. Задачей было заполнить все ячейки фамилиями коллег без повторений. Я один из двух людей (среди ~300), кому это удалось, хочу поделиться алгоритмом. Вообще, знание игровых механик и алгоритмическое мышление могут пригодиться вам в самых неожиданных ситуациях. Во-первых, я взял несколько разных листов с "бинго". Всего было 5-6 версий с немного разными ячейками, логично было пытаться заполнять тот, где меньше редких утверждений, под которые сложно найти человека. Во-вторых, и это основное, половина листа заполнилась после рассадки за столы. Я предложил соседям по столу такой подход: 1. Каждому присваивается число 2. Все листы с бинго собираем в стопку и передаём стопку от одного края стола до другого по часовой стрелке 3. Когда к тебе попали листы, ты на каждом, кроме своих, ставишь свой номер в углу тех ячеек, которые содержат верные для тебя утверждения 4. Когда стопку все заполнили, возвращаем каждому его листы 5. Получив лист, ты выбираешь в нём ячейки с самым маленьким ненулевым количеством номеров в них (обычно это один номер) и вносишь в одну из них фамилию вместо номера 6. Номер внесённого человека зачёркивается во всех ячейках этого листа 7. Пункты 5 и 6 повторяются, пока незачёркнутых номеров не осталось Быстро выяснилось, что вообще все варианты листов без проблем заполняются на N-1 ячеек, где N — количество людей за столом (потому что себя вносить нельзя). Оставалось только дозаполнить остатки, половина из которых опять же закрывалась теми коллегами, кого я знаю, потому что столы были сформированы так, чтобы вы с меньшей вероятностью сели со своими прямыми знакомыми. Профит. Я принёс листок сдавать, но выяснилось, что чуть раньше полностью готовое бинго сдал мой коллега Дмитрий, который, представляете, ходил и общался с людьми ради этого. Вот прямо разговаривал! Ужас какой. #life

Hashtags

#life
Резултати

Намерени 20 подобни публикации

Търсене: #train

当前筛选 #train清除筛选
Voir de ses propres yeux

@voir_yeux · Post #12448 · 07.04.2026 г., 14:03

Намери подобниПрегледай

🇫🇷 La situation sur les lieux de la collision entre un train à grande vitesse (TGV) et un poids lourd transportant du matériel militaire dans la commune de Nœux-les-Mines (Pas‑de‑Calais), dans le nord de la France. #france#train#collision

Hashtags

#france#train#collision
Machinelearning

@ai_machinelearning_big_data · Post #9694 · 19.03.2026 г., 09:05

Намери подобниПрегледай

🌟Unsloth Studio: опенсорный no-code веб-интерфейс для LLM. Unsloth Studio - это локальный комбайн, который объединяет подготовку данных, обучение, инференс и экспорт модели в одном месте. Под капотом кастомные Triton-ядра с собственным backprop. По сравнению со стандартными CUDA-реализациями это дает 2х прирост скорости обучения и снижение потребления по VRAM на 70%. Поддерживаются полный файн-тюнинг, претрейн, LoRA, QLoRA, 4-bit, 16-bit и FP8. Всего совместимо более 500 моделей, включая Llama 4, Qwen 3.5 и Gemma 3. Для работы с данными есть визуальный нодовый редактор Data Recipes. Studio принимает PDF, DOCX, CSV и JSONL, генерирует синтетические датасеты и автоматически конвертирует данные в форматы ChatML или Alpaca. Помимо стандартного SFT, Studio умеет в GRPO, которая не требует отдельной critic-модели и потребляет на 80% меньше VRAM, что делает обучение ризонинг-моделей реалистичным на локальном железе. Модели на 8B и 70B параметров (например, Llama 3.1, Llama 3.3, DeepSeek-R1) можно файн-тюнить на одной RTX 4090 или 5090, а не на кластере, но есть и поддержка multi-GPU. В режиме инференса Studio умеет: tool calling, выполнение кода прямо в чате, работу с изображениями, аудио, PDF и DOCX. Из коробки - веб-поиск и автонастройка параметров инференса. Экспорт результатов - одной кнопкой в GGUF, vLLM или Ollama. Studio сама мерджит LoRA-адаптеры с базовой моделью. Работает на Windows, Linux и macOS (на Mac пока только инференс, поддержка MLX-обучения анонсирована), есть Docker. AMD-пользователи могут обучать через Unsloth Core, поддержка в Studio обещана позже. 📌Лицензирование: AGPL-3.0. 🟡Документация 🖥Github @ai_machinelearning_big_data #AI#ML#LLM#Framework#Train#UnslothStudio

Hashtags

#ai#ml#llm#framework#train#unslothstudio
12
← ПредишнаСтр. 1 от 2Следваща →