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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #1040 · 16.11

Алексей Калугин, «Там». Встречается название «Город крыс». Когда я слушал эту книгу, постоянно хотел бросить. Недаром она так похожа на «Град обречённый», который мне совсем не понравился. И уж точно не собирался писать о ней пост. Но прошло время, и я понял, что произведение оставило очень интересное послевкусие. Бывает, читаешь книгу взахлёб, а через месяц уже не помнишь, о чём она была. Тут же совсем наоборот: я прям еле-еле сквозь неё продирался, но через несколько месяцев всё ещё переживаю в уме сюжет и обдумываю идеи автора. Описан замкнутый со всех сторон город с абсолютно идентичными кварталами и домами. Всё под управлением ИИ. За все нужды людей отвечают роботы и компьютеры, да так, что человеку не нужно даже покидать своё жилище. Собственно, никто и не покидает. Общаются через подобие виртуальной реальности, еда доставляется автоматически. У одного из персонажей есть жена, но тему отношений, семьи и продолжения рода автор не раскрыл. Главный герой внезапно становится озадачен такой жизнью и начинает исследовать. Даже просто покинуть жильё — очень тяжёлый шаг, к которому он специально готовится. Сначала делает небольшую вылазку, потом побольше, потом с трудом вытаскивает из дома своего друга. Улицы пусты, хотя в городе есть робо-такси, робо-кафе, и вообще куча всякой инфраструктуры для людей. Атмосфера очень гнетущая, и детально описывается, как герой её изучает. С ИИ (который тут называется Инфор) можно общаться только косвенно, хотя обычные сервисные роботы без проблем поддерживают диалог, но толком ничего не знают. Кстати, присутствие роботов иногда доходит до абсурда: например, роботы-швейцары в каждом доме имеют по одной руке, которая намертво соединена с дверью, и вся их функция состоит в том, чтобы эту дверь открывать. В городе, где никто не выходит из домов, да. Надо сказать, что ответы на вопросы автор даёт скорее философские, чем материальные. С моей точки зрения это минус, один из главных, из-за которых я книгу рекомендовать не хотел. Но, уверен, есть люди, которым очень зайдёт. Вообще, всё произведение в некотором роде о смысле жизни. О том, что делает жизнь интересной и имеющей какую-то ценность, в том числе для нас самих. Общество, где людям доступно всё, кроме цели, выглядит совершенно удручающе. Концовка открытая, и опять же, лично я такое сильно не люблю. Пробежался по названиям и обложкам других книг Алексея Калугина — создалось впечатление, что сейчас он просто клепает всякий масс-маркет ради денег. Моя гипотеза такая: «Там» это такой творческий порыв автора. Не идеальный, с косяками, полу-артхаусный и, видимо, плохо продавшийся, но всё-таки оригинальный и поднимающий какие-то внутренние идеи из глубины души, а потому и оставляющий след. #fiction

Hashtags

Резултати

Намерени 3 подобни публикации

Търсене: #longcontext

当前筛选 #longcontext清除筛选
Machinelearning

@ai_machinelearning_big_data · Post #8519 · 11.09.2025 г., 18:21

🚀 Релиз:Qwen3-Next-80B-A3B - эффективная модель заточенная на работа работу с очень длинным контекстом! 🔹80B параметров, но активируется только 3B на токен → тренировка и инференс 10x дешевле и быстрее, чем у Qwen3-32B (особенно при 32K+ контексте). 🔹Гибридная архитектура: Gated DeltaNet + Gated Attention → сочетает скорость и точность. 🔹Ultra-sparse MoE: 512 экспертов, маршрутизируется 10 + 1 общий. 🔹Multi-Token Prediction → ускоренное speculative decoding. 🔹 По производительности обходит Qwen3-32B и приближается к Qwen3-235B в рассуждениях и long-context задачах. 🟢Qwen3-Next-80B-A3B-Instruct показатели почти на уровне 235B flagship. 🟢Qwen3-Next-80B-A3B-Thinking превосходит Gemini-2.5-Flash-Thinking. ▪Попробовать: https://chat.qwen.ai ▪Анонс: https://qwen.ai/blog?id=4074cca80393150c248e508aa62983f9cb7d27cd&from=research.latest-advancements-list ▪ HuggingFace: https://huggingface.co/collections/Qwen/qwen3-next-68c25fd6838e585db8eeea9d ▪ ModelScope: https://modelscope.cn/collections/Qwen3-Next-c314f23bd0264a ▪Kaggle: https://kaggle.com/models/qwen-lm/qwen3-next-80b ▪ Alibaba Cloud API: https://alibabacloud.com/help/en/model-studio/models#c5414da58bjgj @ai_machinelearning_big_data #AI#LLM#Qwen#DeepLearning#MoE#EfficientModels#LongContext#Reasonin

Machinelearning

@ai_machinelearning_big_data · Post #9395 · 19.01.2026 г., 07:10

✔️ Sakana AI придумали, как LLM самим сортировать контекст по важности Обычные языковые модели читают текст как одну длинную ленту. Что ближе к началу внимания - то “важнее”. Что дальше - то модель видит хуже. И тут появляется проблема: если важный факт спрятан где-то далеко среди шума, модель может его просто не использовать. Она тратит внимание на всё подряд, вместо того чтобы сосредоточиться на главном. Sakana AI предложили решение - RePo (Context Re-Positioning). Идея очень понятная: модель получает модуль, который позволяет динамически “перепозиционировать” контекст. Примерно как человек: ты читаешь длинный документ, понимаешь, что важная часть была 20 страниц назад - и мысленно перечитываешь её, а лишнее игнорируешь. Что делает RePo - подтягивает важные куски информации ближе - отодвигает шум и лишний текст - помогает вниманию модели фокусироваться на нужном В модели есть обучаемый модуль, который **переназначает позиции токенов по смыслу**, а не по порядку ✅ важно = то, что помогает уменьшать ошибку модели и правильно решать задачу ❌ второстепенно = то, что не помогает (шум), поэтому “отодвигается” по позициям В результате модель с такой памятью начинает лучше работать там, где LLM обычно страдают: - когда контекст длинный - когда много шума - когда важные детали раскиданы далеко друг от друга - когда данные структурированные (таблички, списки, правила) Авторы показывают, что RePo даёт заметный прирост устойчивости, при этом не ухудшая общее качество. ▶️ Устойчивость к шуму (Noisy Context) Средний результат по 8 noisy-бенчмаркам: - Обычный RoPE: 21.07 - RePo: 28.31 🟡 Прирост: +7.24 пункта (сильно) Авторы отдельно фиксируют ключевую цифру: на noisy-eval (4K контекст) RePo лучше RoPE на +11.04 пункта. 🔥 Примеры прироста на конкретных задачах (везде RePo > RoPE) - TriviaQA: 61.47 → 73.02 (+11.55) - GovReport: 6.23 → 16.80 (+10.57) - 2WikiMultihopQA: 23.32 → 30.86 (+7.54) - MuSiQue: 7.24 → 13.45 (+6.21) Это шаг к моделям, которые не просто “читают что дали”, а умеют сами организовать свою рабочую память. 🟡Подробности: pub.sakana.ai/repo/ 🟡Статья: arxiv.org/abs/2512.14391 @ai_machinelearning_big_data #RePo#SakanaAI#LLM#AI#AIAgents#Context#LongContext#Attention

Neuron | OnlyFAST

@neuron_skills · Post #1643 · 11.07.2025 г., 14:48

📊 AI-автоматизация на страже новостей! За период 07.07.2025 – 10.07.2025 наша система автоматически проанализировала для вас: 191 топовый сабреддит 449 Twitter-аккаунтов 29 Discord-серверов (226 каналов, 12 761 сообщений) ⏳ Экономия вашего времени: Если бы вы читали это вручную со скоростью 200 слов в минуту, ушло бы целых 806 минут — а так, всё самое важное уже собрано в одном месте! tags: companies #xai#perplexityai#langchain#cursor#cline models #grok4#grok4heavy#claude4opus topics #modelreleases#benchmarking#longcontext#modelpricing#modelintegration#voice#performance#scaling#gpuoptimization people’s #elonmusk#aravsrinivas#igorbabuschkin#yuchenj_uw