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: #omniembed

当前筛选 #omniembed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