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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #1076 · 21.02

Посудомойка это отличная вещь, но с ней есть проблема: пока она набирается, ты просто ставишь сразу туда все тарелки, но вот когда она закончила мыть, кто-то должен целиком её разобрать и переместить посуду в шкаф для хранения. До этого момента тарелки копятся в раковине или моются вручную (потому что помыть одну тарелку сильно дешевле по затрате времени, чем разобрать всю посудомойку). Подумал о том, что хорошо бы иметь две посудомойки: одна копится, из второй достаётся чистая посуда, а потом они меняются местами. Бонусом это позволяет полностью избавиться от отдельного шкафа для хранения. Но, вот беда, даже очень большой посудомойки не хватит на половину всей посуды и кухонной утвари, которая обычно нужна семье, особенно если в семье ещё и готовят. Выходит, нужно иметь N посудомоек, где N = [общий объём посуды] / [вместимость одной посудомойки]. Для нашей семьи навскидку получилось бы 3-4, что уже конечно не слишком адекватно. С третьей стороны, можно чётко разделить стратегический запас посуды (большие кастрюли, редкая утварь для выпечки, сервизы для праздников), который достаётся редко, и тактический запас посуды, используемой постоянно. В такой ситуации для описанного выше цикла должно хватить и двух машин. Останется сделать систему, которая всегда будет однозначно идентифицировать, из какой посудомойки доставать посуду, а в какую класть в текущий период времени. Наша кухня, к сожалению, таких модификаций не позволяет. Вообще, в ней и для одной машины не было предусмотрено место, мне пришлось буквально выпиливать его из одного из шкафов. Но если когда-нибудь будем переезжать и увеличивать кухню, эту мысль стоит обдумать. #life

Hashtags

Резултати

Намерени 1 подобни публикации

Търсене: #efficientmodels

当前筛选 #efficientmodels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