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 3 подобни публикации

Търсене: #retrieval

当前筛选 #retrieval清除筛选
GitHub Trends

@githubtrending · Post #15265 · 03.11.2025 г., 12:00

#python#ai#llm#rag#reasoning#retrieval PageIndex is an advanced AI tool that helps you find the most relevant information in long professional documents by thinking and reasoning like a human expert, rather than just matching keywords. It organizes documents into a clear tree structure, similar to a table of contents, and searches through this structure to give precise, trustworthy answers with exact page references. This method avoids the common problems of traditional vector-based search, making it ideal for complex reports, legal texts, or financial filings. You can use it easily via cloud services or run it locally, improving your ability to analyze and understand large documents quickly and accurately. https://github.com/VectifyAI/PageIndex

Machinelearning

@ai_machinelearning_big_data · Post #8801 · 17.10.2025 г., 10:13

⚡️ Omni-Embed-Nemotron - новая единая модель от NVIDIA для поиска по тексту, изображениям, аудио и видео Модель обучена на разнообразных мультимодальных данных и может объединять разные типы входных сигналов в общее векторное представление. - Поддержка всех типов данных: текст, изображение, аудио, видео. - Основана на архитектуре Qwen Omni (Thinker-модуль, без генерации текста). - Контекст - до 32 768 токенов, размер embedding — 2048. - Оптимизирована под GPU, поддерживает FlashAttention 2. Это делает её идеальной для: - кросс-модального поиска (поиск текста по видео или изображению); - улучшения RAG-проектов; - систем мультимодального понимания контента. Просто, быстро и эффективно - всё в одном открытом решении. 🌐 Открытая модель: https://huggingface.co/nvidia/omni-embed-nemotron-3b @ai_machinelearning_big_data #crossmodal#retrieval#openAI#NVIDIA#OmniEmbed#multimodal#AIModels#OpenSource#Search#UnifiedEmbedding