Вот вам ещё ОКР-контент.
Понял, что стол в мастерской очень быстро заваливается вещами, которые, вроде как, нужны под рукой, поэтому прятать их в ящик неудобно. Сначала решил купить для упорядочивания канцелярский органайзер, но очень быстро уперся в недостаточную гибкость и неподходящие размеры как самих органайзеров, так и ячеек в них.
В этом проекте попробовал две новые для себя фишки 3D-печати: длинные мосты и разглаживание.
Чисто формально каждый новый слой при печати должен лежать на предыдущем. Если геометрия модели не подходит для этого, то печатается поддержка: специальная искусственная хрупкая башенка от стола до того места, где у детали нависание. Но если у нависания с двух сторон есть опорная часть детали, то настоящая физика нередко позволяет нам протянуть ниточку пластика прямо по воздуху горизонтально без поддержек. Это называется мостом. Нить охлаждается и твердеет сразу в процессе вытягивания, что чисто в теории не даёт ей провиснуть. У меня мостами сделаны ниши для выдвижных ящичков: поддержки там потребовались на ребре и небольшая полоска по центру. Качество поверхности так себе, но геометрия сохранилась, что и нужно было. Получилось, правда, со второго раза. Этот манёвр (неудачная попытка) стоил мне половину катушки. Но всё равно рекомендую.
Разглаживание — специальная механика, с помощью которой горящее сопло водит по поверхности и размазывает пластик, из-за чего поверхность становится чуть более плоской и глянцевой. Я пробовал такой метод для улучшения прозрачности стенок ящичков, но, к сожалению, эффекта это не дало. Полагаю, что более прозрачные крышки можно было бы напечатать только на стекле. И ещё из-за разглаживания пластик забил термобарьер, так что пришлось впервые разбирать голову у нового принтера, благо, это делается не слишком сложно. Но всё равно не рекомендую.
#life#diy#окр
⭐VibeThinker-1.5B - миниатюрная модель, которая показывает SOTA-результаты в задачах рассуждения.
🚀Производительность: одна из лучших на AIME24/25 и HMMT25 - превосходит DeepSeek R1-0120 по математическим задачам и опережает модели такого же размера в соревновательном программировании.
⚡Эффективность: всего 1.5B параметров. то есть в 100–600 раз меньше, чем гиганты вроде Kimi K2 и DeepSeek R1.
💰Стоимость: полный пост-тренинг обошёлся всего в $7.8K, примерно в 30–60 раз дешевле, чем у DeepSeek R1 или MiniMax-M1.
Модель основана на Spectrum-to-Signal Principle (SSP) и MGPO-фреймворке, оптимизирующих процесс рассуждения.
📦Model:https://huggingface.co/WeiboAI/VibeThinker-1.5B
💻GitHub:https://github.com/WeiboAI/VibeThinker
📄Arxiv:https://arxiv.org/abs/2511.06221
@ai_machinelearning_big_data
#AI#LLM#Reasoning#OpenSource#SmallModel