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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #11 · 15.04

Новый универсальный дрон DJI Air 2S Пожалуй, я буду разбавлять длинные статьи небольшими заметками из мира технологий, а то канал ощущается тяжеловесным. Но, чтобы не быть бестолковым агрегатором новостей, буду дополнять собственным мнением и/или опытом, связанным с темой. Компания DJI только что выпустила новый квадрокоптер — DJI Air 2S. Складное и достаточно компактное устройство весом 600г, является своеобразным гибридом линеек Mavic Mini и Mavic Air. Кстати, обратите внимание на отсутствие слова Mavic в названии. Хотя на офсайте дрон находится в разделе Mavic, но теперь это просто DJI Air, что намекает на полностью отдельную линейку. Из важных особенностей: дюймовый сенсор, который по заявлению производителя может чисто снимать даже в темноте. По личному опыту могу сказать, что в темноте дроны отрабатывают лучше, чем от них ожидаешь, приложу ниже свой снимок Петропавловки с DJI Mavic Air первого поколения. Ещё формально заявлен 8-кратный зум, но это ерунда, потому что он цифровой — тот же эффект получится, если растягивать картинку в видеоредакторе. И второй важный момент — акцент на автоматизацию. В предыдущих моделях тоже были полуавтоматические режимы — дрон облетает вокруг тебя или, например, сам подлетает в точку над тобой и начинает подниматься, смотря вниз. Я почти никогда этими режимами не пользовался, потому что вручную всегда снимешь лучше, если уметь. Но это показывает характерную тенденцию — способность быстро получать сгенерированный контент для условных соцсетей. В своё время телефоны вытеснили с потребительского рынка большие фотокамеры не только из-за того, что телефон у каждого с собой, но и из-за простоты получения результата, который годится для демонстрации широким массам. В отдельной камере ты можешь долго возиться с настройками и фотошопом, а затем получить крутой результат. В телефоне ты можешь нажать одну кнопку и получить сносный результат, который отправишь в Инстаграм. С учётом того, что время жизни контента в интернете сокращается, идёт переход на форматы вроде Историй и коротких роликов — тенденция очевидна. Здесь добавили режимы, благодаря которым дрон сам летает вокруг тебя несколько минут в разных позах, а затем сам же склеивает из этого типа кинематографичное видео. Это гораздо хуже, чем снимать самому, если ты умеешь, но гораздо лучше, чем могут (и хотят!) делать 90% людей. Чтобы внедрить эту функцию, DJI якобы улучшили определение препятствий и режим слежения за движущимся объектом. По опыту могу сказать, что и то и другое — полный отстой, даже у лучшей в мире дроно-компании. Хвалёное определение препятствий полностью бессильно перед ветками и проводами — то есть тогда, когда оно действительно нужно. Потому что стену и ствол дерева я без проблем замечу сам. Что касается ActiveTrack (слежение за целью), то, опять же, оно работает нормально только при полном отсутствии препятствий. Вот как в рекламных роликах по ссылке, которую я привёл — если ты едешь по чистому полю или берегу моря. В реальных условиях даже небольшой ряд кустов вокруг дороги делает функцию неюзабельной. И вторая проблема — общая низкая скорость этих дронов. Здесь заявляют около 70 км/ч в спортивном режиме в безветрие. По факту получается 40-50 км/ч, даже для слежения за велосипедом скорости маловато, а слежение за автомобилем или мотоциклом адекватно организовать не получится. Тем не менее, при всех недостатках новая модель выглядит, как крутой универсальный дрон на все случаи жизни, и в особенности для путешествий (если вы не боитесь, что в аэропорту заставят его выкидывать). Обычная версия стоит $999, а расширенный комплект $1299, что по меркам качественных дронов не дорого. #gadgets#tech

Резултати

Намерени 2 подобни публикации

Търсене: #kvcache

当前筛选 #kvcache清除筛选
Machinelearning

@ai_machinelearning_big_data · Post #8027 · 11.07.2025 г., 12:05

🌟LMCache: умное кэширования для LLM-инференса. LMCache - проект, который предлагает решение по сохранению KV-кэша на CPU, диске или даже в специализированной памяти NIXL. По сути, это инструмент, который превращает одноразовые вычисления в многократно используемые блоки, экономя время и ресурсы. Представьте, что в чат-боте пользователи часто ссылаются на один и тот же системный промпт или историю диалога. Обычно модель заново обрабатывает эти данные, но LMCache просто загружает готовый кэш. Выгрузка KV-кэшей освобождает GPU для новых задач, уменьшая TTFT (время до первого токена) вплоть до 10 раз. 🟡LMCache гибкий. Кэши можно не только выгружать, но и делиться между разными инстансами LLM. Проще говоря, если два пользователя одновременно обращаются к разным копиям модели с одинаковым запросом, система не будет дублировать работу: результаты одного prefill’а станут доступны всем. Это работает даже для неполных префиксов, например, при частичном совпадении входных данных. 🟡LMCache умеет в раздельную предобработку. Prefill и decode, которые обычно выполняются на одном GPU, теперь могут быть разнесены: первый этап обрабатывается на мощных узлах, а второй на оптимизированных для генерации. Для распределенных систем такая техника повысит пропускную способность. Тесты разработчиков проекта показывают, что в реальных задачах задержка снижается в 3–10 раз, а GPU-циклы экономятся на повторных вычислениях. Проект тесно интегрируется с vLLM, в репозитории есть большой набор с примерами, документация и советы по установке и настройке. ⚠️Калькулятор KV-кеша с выбором модели, ее типа данных и количества токенов, который поможет прикинуть, сколько VRAM можно сэкономить. 📌Лицензирование: Apache 2.0 License. 🖥Github @ai_machinelearning_big_data #AI#ML#LLM#LMCache#KVCache#Github

Machinelearning

@ai_machinelearning_big_data · Post #8010 · 10.07.2025 г., 11:37

⚡️ Китайские исследователи из Shanghai Jiao Tong и Zhejiang University представили MemOS — первую в мире "операционную систему памяти" для ИИ. Обычные LLM быстро забывают информацию, а дообучать их — долго и дорого. В новой работе предлагают радикально другой подход: MemOS превращает память в часть операционной системы. 🟢Память как файлы: Модель может *записывать, перемещать и удалять* знания, как будто работает с файлами, и делать это прямо во время работы, а не только на этапе обучения. 🟢MemCube — контейнер знаний: Каждое знание упаковывается в кубик с метками времени и авторства. Планировщик сам решает, где хранить этот "куб" — в тексте, GPU‑кэше или в виде маленького патча весов. 🟢Умная экономия: MemOS работает с 1500 токенами памяти, но достигает такой же точности, как если бы модель загружала весь контекст. При этом скорость — как у облегчённых моделей. 🟢Мгновенная подгрузка: На тестах с Qwen2.5‑72B переключение нужных "кубов" в кэш снижает задержку первого токена на 91.4%, *без изменения ответа*. 🟢Результаты: MemOS набрал 73.31 балла по LLM‑Judge на LOCOMO-бенчмарке — почти на 9 баллов больше ближайшего конкурента. Особенно хорошо работает на сложных задачах с несколькими шагами и временными зависимостями. 💡 Итог: память как ОС — это не просто удобно, это ускоряет модель, повышает точность и даёт контроль над знаниями. Установка: pip install MemoryOS 🟠GitHub 🟠Проект @ai_machinelearning_big_data #MemoryOS#agentmemory#rag#kvcache