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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #1109 · 23.06

Не хотелось уходить из отрасли, но Росатом сокращает айтишников. Сейчас расскажу. Вот и подходит к концу мой пятилетний срок работы в Атомстройэкспорте. Не буду лукавить, это было очень интересно. Когда-то в 2019-м нас наняли целой командой после победы в треке Росатома в крупнейшем в мире хакатоне. Я ничего не знал о внутренностях этой компании, но сразу был приятно удивлён: современный технологический стек, хорошие процессы, команда молодых и очень компетентных спецов. Платили айтишникам вполне по рынку. Казалось, что такая железобетонная в прямом и переносном смысле отрасль, как строительство атомных станций, будет жить вечно и обеспечит нас работой на долгие десятилетия. Без преувеличения я с гордостью всем рассказывал о своём месте работы. К этому добавлялось ещё два важных позитивных фактора: Во-первых, очень приятная атмосфера взаимодействия с коллегами. Думаю, в Росатом многие шли из-за неравнодушия к отрасли, с желанием заниматься чем-то серьёзным и полезным. Во-вторых, классная корпоративная культура, в особенности ежегодный чемпионат AtomSkills, который дарил одни из самых ярких эмоций за мою соревновательную карьеру. Но, увы, в структуре управления Госкорпорацией есть фундаментальная проблема. Возможно, она существует в любой крупной компании, но в Росатоме проявляется особенно сильно — отсутствие горизонтальных связей между соседними ветками иерархии. И на самом высоком уровне (разные компании внутри ГК общаются друг с другом, как враги, и сражаются за ресурсы), и на самом мелком (руководитель мог забирать разработчиков, даже если это приводило к срыву задач другого руководителя). Такой способ управления держится, пока у веток есть общий корень — например, крупный начальник, которому важны все подопечные проекты. В итоге, когда в прошлом году ушла вице-президент по цифровизации, вся дирекция мгновенно балканизировалась (то есть, развалилась на изолированные островки). За продуктами целиком перестал кто-либо стоять, островки оказались нежизнеспособны, и к настоящему моменту де-факто закрыты три основных цифровых разработки дирекции, а пара сотен айтишников ушли на рынок. Обязательства же перед заказчиком в разрезе айти пытаются выполнить, спешно реанимируя старую версию софта, в которой номинально даже реализовано больше функций. С меньшей детализацией, меньшей надёжностью и меньшей поддерживаемостью, но об этом на презентациях можно не говорить. Добавьте сюда ещё такой эффект: достаточно много интересантов, которым цифровизация стройки не нужна и мешает. Потому что цифровизация делает процессы более прозрачными и упорядоченными, усиливает контроль со стороны генподрядчика, требует обучать и дисциплинировать людей. Конечно, многие (очень многие) не хотят этого. Кстати, пара других компаний в ГК хотели забрать к себе часть людей, но им заблокировали найм, а позже и там тоже начались сокращения. Поэтому я и говорю, что Росатом сокращает айти, а не АСЭ. Уверен, через несколько лет придёт сильный управленец, который захочет реанимировать идею общей цифровизации процессов на атомной стройке, придётся заново собирать команды и скорее всего заново запускать дорогую разработку. А пока, увы. В течение нескольких следующих дней я буду рассказывать вам свою историю поиска работы: современное состояние рынка, собеседования в крупные компании. Не переключайтесь! Пока, Росатом. Это было классно. #life

Hashtags

Резултати

Намерени 3 подобни публикации

Търсене: #longcontext

当前筛选 #longcontext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

Machinelearning

@ai_machinelearning_big_data · Post #9395 · 19.01.2026 г., 07:10

✔️ Sakana AI придумали, как LLM самим сортировать контекст по важности Обычные языковые модели читают текст как одну длинную ленту. Что ближе к началу внимания - то “важнее”. Что дальше - то модель видит хуже. И тут появляется проблема: если важный факт спрятан где-то далеко среди шума, модель может его просто не использовать. Она тратит внимание на всё подряд, вместо того чтобы сосредоточиться на главном. Sakana AI предложили решение - RePo (Context Re-Positioning). Идея очень понятная: модель получает модуль, который позволяет динамически “перепозиционировать” контекст. Примерно как человек: ты читаешь длинный документ, понимаешь, что важная часть была 20 страниц назад - и мысленно перечитываешь её, а лишнее игнорируешь. Что делает RePo - подтягивает важные куски информации ближе - отодвигает шум и лишний текст - помогает вниманию модели фокусироваться на нужном В модели есть обучаемый модуль, который **переназначает позиции токенов по смыслу**, а не по порядку ✅ важно = то, что помогает уменьшать ошибку модели и правильно решать задачу ❌ второстепенно = то, что не помогает (шум), поэтому “отодвигается” по позициям В результате модель с такой памятью начинает лучше работать там, где LLM обычно страдают: - когда контекст длинный - когда много шума - когда важные детали раскиданы далеко друг от друга - когда данные структурированные (таблички, списки, правила) Авторы показывают, что RePo даёт заметный прирост устойчивости, при этом не ухудшая общее качество. ▶️ Устойчивость к шуму (Noisy Context) Средний результат по 8 noisy-бенчмаркам: - Обычный RoPE: 21.07 - RePo: 28.31 🟡 Прирост: +7.24 пункта (сильно) Авторы отдельно фиксируют ключевую цифру: на noisy-eval (4K контекст) RePo лучше RoPE на +11.04 пункта. 🔥 Примеры прироста на конкретных задачах (везде RePo > RoPE) - TriviaQA: 61.47 → 73.02 (+11.55) - GovReport: 6.23 → 16.80 (+10.57) - 2WikiMultihopQA: 23.32 → 30.86 (+7.54) - MuSiQue: 7.24 → 13.45 (+6.21) Это шаг к моделям, которые не просто “читают что дали”, а умеют сами организовать свою рабочую память. 🟡Подробности: pub.sakana.ai/repo/ 🟡Статья: arxiv.org/abs/2512.14391 @ai_machinelearning_big_data #RePo#SakanaAI#LLM#AI#AIAgents#Context#LongContext#Attention

Neuron | OnlyFAST

@neuron_skills · Post #1643 · 11.07.2025 г., 14:48

📊 AI-автоматизация на страже новостей! За период 07.07.2025 – 10.07.2025 наша система автоматически проанализировала для вас: 191 топовый сабреддит 449 Twitter-аккаунтов 29 Discord-серверов (226 каналов, 12 761 сообщений) ⏳ Экономия вашего времени: Если бы вы читали это вручную со скоростью 200 слов в минуту, ушло бы целых 806 минут — а так, всё самое важное уже собрано в одном месте! tags: companies #xai#perplexityai#langchain#cursor#cline models #grok4#grok4heavy#claude4opus topics #modelreleases#benchmarking#longcontext#modelpricing#modelintegration#voice#performance#scaling#gpuoptimization people’s #elonmusk#aravsrinivas#igorbabuschkin#yuchenj_uw