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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #106 · 19.11

Это должен был быть выпуск про зарплаты, но я понял, что ничего нового или интересного всё-таки не скажу, да и тема слишком уж попсовая. Поэтому будет выпуск про энтерпрайз-разработку. В конце-концов, странно записывать подкаст не о том, что ты хочешь. Вообще, выпуск дался тяжело, потому что я понял, что трачу на продакшен сильно больше времени, чем готов. Поэтому данный эпизод я записал в ускоренном режиме — паузы между словами порезал автоматически, не стал вставлять никакие заставки. В двух-трёх местах это слышно, но глобально, как мне кажется, нельзя сказать, что качество упало на порядок. Несмотря на то, что я получил много действительно приятных отзывов о подкасте, какой-то фундаментальной разницы он не сделал. Подписчики — то же активное ядро моей аудитории, как и в остальных местах. При этом усилий он требует больше, чем посты, а информации позволяет передать меньше: картинки и видео уже не прикрепишь. Понятно, отчего большинство подкастов выживают только в «тяжёлом» формате: когда приглашают известных гостей и разговаривают с ними по полтора-два часа. И отдельная беда это отсутствие централизованной площадки. Недавно дал человеку ссылку на выпуск в Яндекс.Музыке, оказалось, у него нет там подписки, а без подписки внезапно Яндекс слушать даже подкасты не даёт. Пришлось давать ссылку на Телеграм, где подкаст полуофициально. Хотя вот подкасты запустили в российском Spotify, и мой там теперь тоже есть. Подумал о том, что, наверное, подкаст выродится в короткие аудио-заметки по 5 минут. Но в таком стиле классически существуют скорее видеозаписи. Наверное, от подкаста ожидается бОльшее вовлечение, а условный ютуб можно включить ненадолго за завтраком. Да, широко известно, что ютуб зачастую слушают, а не смотрят, но видимо сам факт наличия изображения что-то меняет в восприятии. Однако, если делать короткие видеоролики, то это уже какой-то ТикТок, а этого бы совсем не хотелось. Из всех взрослых людей, которых я считаю адекватными, тикток смотрят процентов 10, пожалуй. Я, возможно, найду там аудиторию, но совсем не ту, которую хотел бы. В общем, я в раздумьях. #podcast

Hashtags

Резултати

Намерени 3 подобни публикации

Търсене: #retrieval

当前筛选 #retrieval清除筛选
GitHub Trends

@githubtrending · Post #15265 · 03.11.2025 г., 12:00

#python#ai#llm#rag#reasoning#retrieval PageIndex is an advanced AI tool that helps you find the most relevant information in long professional documents by thinking and reasoning like a human expert, rather than just matching keywords. It organizes documents into a clear tree structure, similar to a table of contents, and searches through this structure to give precise, trustworthy answers with exact page references. This method avoids the common problems of traditional vector-based search, making it ideal for complex reports, legal texts, or financial filings. You can use it easily via cloud services or run it locally, improving your ability to analyze and understand large documents quickly and accurately. https://github.com/VectifyAI/PageIndex

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