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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #1043 · 1.12

Пару недель назад достроил атомку в #Satisfactory. Иронично: занимаюсь атомными станциями в реальной жизни по работе, и теперь вот в игре тоже. Понравилось решение разработчиков сделать ядерные отходы неуничтожимыми. Любой ресурс в игре легко удаляется специальной кнопкой, и только атомные энергоблоки производят отходы, которые можно либо переработать очень сложным образом, либо складывать бесконечно куда-то в угол карты. А если хочешь более мощную станцию, то и переработать нельзя, только складывать. Недавно, кстати, состоялся релиз. До этого игра была в «раннем доступе», то есть формально считалась предварительной версией в активной стадии разработки. В релизе же изящно решили сразу две значительные проблемы. Во-первых, теперь можно дорогим и конечным способом точечно масштабировать энергетику и производство в отдельных местах. Это очень нужно ближе к концу игры для тонкой настройки. Во-вторых, и это самое крутое: можно построить специальный телепорт для ресурсов себе в рюкзак. Носить с собой в рюкзаке сколько угодно ресурсов нельзя, и поэтому для действительно масштабного строительства приходилось постоянно бегать на склад, это очень утомляло. Теперь исключительно целях строительства можно забирать ресурсы с некоторой задержкой прямо из места их производства на фабриках, которые ты построил по всей карте. Но конечно для автоматической передачи в цепочках производства так читерить нельзя, и это правильно. Только организация логистики. Игра очень хорошо учит выстраивать процессы и дает понимание ничтожности отдельного элемента, если весь процесс включает тысячи таких элементов. В общем, мастхэв, 350 часов наиграно, и до конца ещё далеко. #games

Резултати

Намерени 1 подобни публикации

Търсене: #unifiedembedding

当前筛选 #unifiedembedding清除筛选
Machinelearning

@ai_machinelearning_big_data · Post #8801 · 17.10.2025 г., 10:13

⚡️ Omni-Embed-Nemotron - новая единая модель от NVIDIA для поиска по тексту, изображениям, аудио и видео Модель обучена на разнообразных мультимодальных данных и может объединять разные типы входных сигналов в общее векторное представление. - Поддержка всех типов данных: текст, изображение, аудио, видео. - Основана на архитектуре Qwen Omni (Thinker-модуль, без генерации текста). - Контекст - до 32 768 токенов, размер embedding — 2048. - Оптимизирована под GPU, поддерживает FlashAttention 2. Это делает её идеальной для: - кросс-модального поиска (поиск текста по видео или изображению); - улучшения RAG-проектов; - систем мультимодального понимания контента. Просто, быстро и эффективно - всё в одном открытом решении. 🌐 Открытая модель: https://huggingface.co/nvidia/omni-embed-nemotron-3b @ai_machinelearning_big_data #crossmodal#retrieval#openAI#NVIDIA#OmniEmbed#multimodal#AIModels#OpenSource#Search#UnifiedEmbedding