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: #speculativedecoding

当前筛选 #speculativedecoding清除筛选
Machinelearning

@ai_machinelearning_big_data · Post #8524 · 12.09.2025 г., 11:00

⚡Speculative Cascades — как ускорить работу LLM Google Research придумали новый способ сделать большие языковые модели быстрее и дешевле. Что это такое: 🔹Каскады Сначала отвечает маленькая модель. Если задача слишком сложная - подключается большая. Так экономятся ресурсы, но качество может прыгать. 🔹Спекулятивная декодировка Маленькая модель угадывает сразу несколько слов вперёд. Большая быстро проверяет данные и подтверждает. Скорость выше, но большая модель всё равно тратит много ресурсов. 🟢Speculative Cascades Это комбинация: маленькая модель иногда отвечает полностью сама, а иногда используется как ускоритель для большой. В итоге получаем меньше затрат, больше скорости и то же качество. 🔥Что показали тесты (тестили на Gemma, T5): - быстрее, чем обычная спекулятивная декодировка - дешевле и качественнее, чем каскады - удобнее настраивать баланс «скорость ↔ качество» При том же уровне качества, что и у спекулятивной декодировки, новый метод работает быстрее (генерирует больше токенов за один вызов большой модели). А в задачах математических рассуждений получен явный апгрейд по скорости при сохранении или даже улучшении качества. LLM всё чаще используются в поиске, чатах, ассистентах. Чтобы они реально были полезными, их нужно ускорять и удешевлять. *Speculative cascades* помогают это сделать без потери качества. 🔗Подробнее: https://research.google/blog/speculative-cascades-a-hybrid-approach-for-smarter-faster-llm-inference/ @ai_machinelearning_big_data #AI#LLM#Inference#SpeculativeDecoding#Cascades#GoogleResearch