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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #111 · 14.12

Поставил себе дома NAS-хранилище Synology DS220+, и весьма кайфую от его удобства. Вообще, изначально я был настроен скептически к таким устройствам. Хранить много данных у себя дома мне казалось ненадёжным: сколько бы вы RAID-массивов не ставили, условный пожар в доме уничтожает весь ваш фотоархив. Но даже если хочешь хранить, купи ещё пару винтов в компьютер, делов то. Мультимедийные возможности таких приставок тоже сильно уступали отдельно стоящему компьютеру. Помню, несколько лет назад смотрел, как друг безуспешно пытается запустить там видео, закодированное редким кодеком. Однако, с появлением коптера места в облаке перестало хватать. К тому же, я подсел на стриминги, это изменило мои привычки. Можно качать отсутствующий фильм с торрентов, но я всё ещё хочу смотреть кино, сидя на диване перед телевизором. Сейчас уже ни одно устройство не записывает видео, которое невозможно было бы воспроизвести средствами NAS. А местный софт позволяет просто с телефона кинуться в специальное приложение магнет-ссылкой или торрент-файлом, и хранилище автоматически скачает фильм в нужную папку, после чего он будет доступен на всех телевизорах, телефонах и планшетах в доме, а при должной настройке ещё и из внешнего интернета. То есть да — я сижу в Москве в отеле с не слишком быстрым вайфаем, даю команду девайсу, стоящему дома в другом городе, через 5 минут 10-гигабайтное кино уже доступно мне стримом на телефон или ноутбук (дома сеть 400 мегабит). Ну и хранение. Идеально именно для сырых материалов со всяких съёмок: ценность их не критически высока, а места занимают много. Покупать для такого облако жалко, но иметь к ним доступ иногда нужно весьма неожиданно. Чем это лучше просто компьютера, настроенного определённым образом: - Устройство спроектировано специально для того, чтобы быть непрерывно включенным. - Занимает мало места. - Не шумит, не греется, пыль в себя не втягивает. - Весь нужный софт сразу из коробки, без возни, настраивается элементарно, работает отлично. #gadgets

Hashtags

Резултати

Намерени 1 подобни публикации

Търсене: #llmarena

当前筛选 #llmarena清除筛选
Machinelearning

@ai_machinelearning_big_data · Post #8560 · 16.09.2025 г., 16:22

🔥 Как реально выбирают LLM в 2025 — исследование LLM Arena Интересный опрос практиков (инженеров, ML-учёных, AI-продуктов) - как сегодня на самом деле выбирают языковые модели (LLM), что важнее: бенчмарки или собственные тесты, цена/скорость/качество, и чего не хватает в информации по моделям. 📊Ключевые выводы - 82,2% респондентов проводят собственные тесты; бенчмарки — лишь ориентир, не решение. - 26,7% вообще не пользуются бенчмарками. - В центре внимания: баланс качество / цена / скорость, устойчивость (без галлюцинаций), соответствие инфраструктуре. 👥 Участники опроса - 45 практиков с опытом работы с LLM-продуктами; все участники — профессионалы. - ML/AI Инженеры, Data Scientists, AI-строители, и менеджмент. 🔑 Что ищут и какие сигналы важны: - Часто оценивают обсуждаемость модели в статьях/сообществе; практическое применение в похожих продуктах. - Обращают внимание на число скачиваний и звёзд на Hugging Face / GitHub. - Хотят больше данных о требованиях к железу, лицензиях, локальной работе, графиках “цена vs качество”, “скорость vs качество”. ⚠️Проблемы & доверие - Многие не доверяют существующим бенчмаркам из-за методологических проблем (train/test leakage, нерелевантность задач). - Лабораторные условия часто сильно отличаются от продакшн. - Нехватка отзывов по реальным сценариям и использованиям. При выборе LLM важнее собственные тесты и контекст задач, чем рейтинги. Специалисты хотят поточечных данных: про лицензии, требования к железу, latency, стоимость. Инициатор исследования Роман Куцев - фаундер и CEO LLM Arena, публикуют много интересного у себя в блоге. Для тех, кто строит LLM-продукты, полезно: - Не ориентироваться только на чужие бенчмарки. - Собирать метрики в собственных условиях — на реальных данных. - Открыто показывать, что работает, а что — нет, в документации и обсуждениях. 🟢 Полное исследование: https://research.llmarena.ru/ #LLM#AI#ИИ#LLMArena#исследование#нейросети#benchmarks