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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #1084 · 9.04

Прегледай публикациятаВиж оригинала

В общем, была задача на оптимизацию плана работ: есть набор заказов, и в каждом N тасков. Таски могут зависеть друг от друга или нет, имеют длительность и тип. Ещё есть M работников, каждый из которых может выполнять таски только определённых типов, причём, у каждого своя скорость. Если все таски в заказе выполнены, фирма получает сколько-то денег. У заказа есть дедлайн, за просрочку штраф (за каждый день просрочки), который вычитается из цены заказа. И ещё фирма тратит деньги за каждый день своей работы независимо от того, как загружены её сотрудники (то есть просто платит зарплаты по сути). Ещё важен учёт праздников и выходных. Нужно заработать на определённом наборе заказов и работников как можно больше денег. Полный текст задачи и код программы проверки есть в репозитории. Эта задача является изменённым заказом, который мы с напарником решали в реальной жизни: оптимизация работы печатных станков для типографии. Правда, тогда и мы справились так себе, и заказчик в итоге сначала захотел всё вручную сам делать, а потом и вовсе похоронил проект при смене директора. !!! Не читайте дальше, если хотите сначала попробовать решить самостоятельно, потому что я сейчас опишу эффективные подходы и результаты. ________________________________________ Так вот. Мы с другим экспертом Андреем сразу сели и написали разные варианты, чтобы задать шкалу, по которой будем оценивать решения команд. За пару часов я собрал примитивный жадный алгоритм, который сортировал заказы по прибыльности и укладывал в сетку кое-как, это дало нам нижнюю оценку. Мой алгоритм заработал ~75 млн виртуальных рублей, мы решили для оценки поставить нижней границей 40 млн. То есть всё, что ещё ниже, оценивалось в ноль баллов за качество оптимизации. Затем Андрей закрылся дома на три дня и вышел на свет со сложным жадным алгоритмом, который очень хитро сортировал заказы и очень хитро укладывал их в сетку, попутно выбирая разные способы этой укладки в зависимости от конкретного заказа. Это позволило заработать ~275 млн рублей. Мы сделали верхней границей для оценки 280 млн. К сожалению, в итоге только две команды из десяти прошли нижнюю границу, заработав, соответственно, ~91 и ~105 млн. К верхней границе не приблизился никто. И у четырёх команд алгоритм вообще не смог уложить без нарушений задачи в сетку (то есть, например, произвольно менял длительности, накладывал задачи друг на друга, давал одному работнику две задачи в один момент и так далее). Важной ошибкой команд, на мой взгляд, являлся тот факт, что никто не воспользовался возможностью запустить алгоритм на несколько минут и дать ему поработать. По условиям задания, можно было тянуть до 5 минут на одну оптимизацию, но по факту решения команд отрабатывали за единицы и десятки секунд. На самом конкурсе, пока команды работали, я решил попробовать сделать быстрое (по времени написания) но эффективное решение. Сначала попробовал жадную сортировку + доведение до лучшего варианта методом имитации отжига. В качестве нового состояния я просто менял местами заказы целиком. Этот вариант работал пару минут и дал мне около ~200 млн дохода. К слову, команда-лидер использовала такой же подход, просто не докрутила число итераций и температуру. Ну и потом я взял готовую либу по реализации классической генетики с особями и скрещиванием. Особью был массив с приоритетами заказов (которые конечно же нужно было аккуратно уложить чистым алгоритмом). Тип скрещивания: scattered. Всего 15 поколений по 20 особей, и это за минуту-полторы давало ~230-240 млн. Считаю, что для конкурса это самый лучший выбор: пишется одним человеком за день и даёт почти максимум, при этом легко настраивается на нужную длительность работы, легко параллелится. Ну а потом уже дома я посидел и накодил свой вариант сложного жадного с плавающим окном перебора отсортированных заказов и плавающей же укладкой по работникам. Такая штука за две минуты зарабатывает ~281 млн. Но за три дня в условиях стресса я бы такое не сделал, скорее всего. #dev

Hashtags

#dev
Резултати

Намерени 33 подобни публикации

Търсене: #wan

当前筛选 #wan清除筛选
Pro Analysis

@proanalysistrader · Post #27930 · 13.09.2024 г., 16:03

Намери подобниПрегледай

#WAN/USDT analysis : #WAN is experiencing strong bullish momentum. It has already broken above the 200 EMA and is maintaining its position above it. The price is anticipated to continue its upward trajectory and test previous highs. TF : 4H Entry : $0.1729 Target : $0.1831 SL : $0.1658

Hashtags

#wan
Pro Analysis

@proanalysistrader · Post #27834 · 13.08.2024 г., 00:31

Намери подобниПрегледай

#WAN/USDT analysis : #WAN is trading in the resistance zone below the 200 EMA. It is expected that the price gonna face rejection at this level and continue moving downwards. It is advisable to wait for the price to break below the $0.1563 level for an entry. TF : 2H Entry : $0.1563 Target : $0.1329 SL : $0.1636

Hashtags

#wan
Crypto Profit Coach™

@cryptoprofitcoach · Post #9170 · 08.11.2025 г., 05:55

Намери подобниПрегледай

#WAN https://www.binance.com/en/trade/WAN_BTC Current rate 70-72 Technical Signal Bullish above 65🔼🔼 death zone below 65🔽🔽 (under monitoring tag don't trade without SL) Sell 🤑 80 🤑 80-90 🤑 90-100 🚀 100-110 & above

Hashtags

#wan
Machinelearning

@ai_machinelearning_big_data · Post #8369 · 26.08.2025 г., 19:20

Намери подобниПрегледай

🚀 Wan2.2-S2V — модель с 14 миллиардами параметров для генерации видео кинематографического качества на основе аудио. 🎬 Новая версия Wan способна превращать статичные изображения и аудио в динамичные видео с реалистичными выражениями лиц, естественными движениями тела и профессиональной работой камеры. ✨Ключевые особенности: - Высокая динамическая согласованность — модель генерирует плавную и устойчивую анимацию на протяжении всего видео - Высокое качество аудио-видео синхронизации — точное соответствие мимики и артикуляции звуку - Контроль движения и среды через текстовые промпты — возможно задавать жесты, эмоции, фон и поведение персонажа (например, человек «идёт по рельсам», «девочка поёт под дождём», «старик играет на пианино у моря») - Поддержка сложных сценариев — включая движение камеры, дождь, ветер, парашют, съёмку в движущемся поезде и другие кинематографические эффекты 🖼️ + 🎵 = 🎥 Wan2.2-S2V принимает на вход одно изображение и аудиофайл, а на выходе создаёт синхронизированное видео, соответствующее заданному промпту. 📊По результатам тестов модель демонстрирует лучшие или близкие к лучшим показатели среди конкурентов: - FID ↓ 15.66 — высокое качество видео - EFID ↓ 0.283 — естественность выражения лица - CSIM ↑ 0.677 — сохранение идентичности персонажа - Хорошие результаты на SSIM, PSNR и Sync-C подтверждают визуальную чёткость, стабильность и аудиосинхронизацию 🔓Проект полностью открытый — исходный код, веса модели. И судя по всему, что модель совместима с LoRA-адаптерами от Wan 2.x 🟢Попробовать онлайн: https://wan.video 🟢GitHub: https://github.com/Wan-Video/Wan2.2 🟢Проект: https://humanaigc.github.io/wan-s2v-webpage 🟢Декма на Hugging Face: https://huggingface.co/spaces/Wan-AI/Wan2.2-S2V 🟢Демо на ModelScope: https://modelscope.cn/studios/Wan-AI/Wan2.2-S2V 🟢Веса: https://huggingface.co/Wan-AI/Wan2.2-S2V-14B @ai_machinelearning_big_data #AI#ML#Wan

Hashtags

#ai#ml#wan
ForgetMe | Нейросети

@forgetmeai · Post #4842 · 29.07.2025 г., 09:02

Намери подобниПрегледай

⚡️Qwen представили Wan 2.2 — кинематографическая видеомодель с открытым исходным кодом Qwen выпустили Wan 2.2, и это первая в мире MoE-видеомодель в опенсорсе, способная на генерацию кинематографических видео с 720p/24fps. Что нового: 🟡MoE-архитектура, где диффузионные шаги обрабатываются специализированными экспертами — высокая детализация без перегруза по ресурсам. 🟡Продвинутый контроль сцены — можно задавать освещение, цвет, движения камеры и композицию. 🟡Три версии модели: • wan2.2-t2V-A14B — текст в видео • wan2.2-i2V-A14B — изображение в видео • wan2.2-TI2V-5B — объединённый режим (и текст, и картинка) Сильная сторона Wan 2.2 — анимация сложных движений и реалистичная передача эмоций, что может сильно пригодиться в генерации нарративных видео и короткометражек. 🤖 Попробовать: wan.video/welcome 📄 Код и модели: GitHub | Hugging Face 🤑ForgetMe | Boosty | ForgetBench | ForgetGPT | ForgetAPI #qwen#нейросети#новости#wan

Hashtags

#qwen#нейросети#новости#wan
ForgetMe | Нейросети

@forgetmeai · Post #4830 · 27.07.2025 г., 13:30

Намери подобниПрегледай

⚡️WAN 2.2 выходит в опенсорс уже 28 июля Новая версия видеогенеративной модели WAN 2.2 будет выложена в открытый доступ. Обновление ориентировано на кинематографичную генерацию и креативные сценарии. Прямая трансляция релиза состоится 28 июля в 15:00 по московскому времени (20:00 UTC+8). 🤑ForgetMe | Boosty | ForgetBench | ForgetGPT | ForgetAPI #новости#нейросети#wan#qwen

Hashtags

#новости#нейросети#wan#qwen
123
← ПредишнаСтр. 1 от 3Следваща →