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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #1113 · 28.06

Mindbox #interview#dev Вакансия тимлида .NET, откликнулся через hh, единственная вакансия, где был указан доход: до 500 на руки. Mindbox — это крупнейший в России софт для автоматизации маркетинга. Среди клиентов известные торговые сети и бренды (Комус, Петрович, Делимобиль, Афиша, даже бигтех, например Сбер Еаптека и Мегафон). Когда я готовился к другим собеседованиям, в моём пуле был очень хороший доклад по микросервисной среде от сотрудника Mindbox с конференции DotNext. В общем, не стартап-однодневка, а вполне серьёзная организация, просто известная больше в бизнесовых, а не потребительских кругах. А ещё Mindbox — это «бирюзовая» компания. С этим термином я столкнулся впервые. Таким способом называют компании, у которых внутренняя организационная структура отвергает классические подходы с жёсткой иерархией и согласованиями. Теоретически любой человек может принять любое решение, если готов за это решение отвечать. Прозрачность зарплат внутри — все знают, кто сколько зарабатывает. Многие вопросы решаются голосованием, системой вето, дебатами с аргументацией. Принято давать не анонимную обратную связь коллегам, и в компании специально обучают, как это делать так, чтобы тебе в челюсть не прилетело человека такая обратная связь развивала, а не обижала. Короче, мечта зумера. Как в современных смешных роликах, где вчерашние школьники на звонке говорят что-то типа «Сегодня я не в ресурсе работать, пойду выпью лавандовый раф и помедитирую». Давайте честно скажу: я сам не верю, что такая структура работает. Но, во-первых, как-то всё-таки она работает. Организация успешно функционирует, ребята делятся интересными технологиями, доходы есть. И Mindbox не единственная «бирюзовая» компания в России, на самом деле их довольно много: ВкусВилл, Буше, Qiwi, Точка итд. Во-вторых, я уверен, что есть подводные камни, но выявить их с помощью вопросов на собеседованиях у меня не получилось. Например, с моей точки зрения при открытости зарплат всегда будут люди, которые считают, что кто-то с более высоким доходом на самом деле менее компетентен и получает такой доход незаслуженно. И даже в ряде случаев эти люди будут правы. Это создаёт негативное эмоциональное напряжение. Хуже открытой неприязни только скрытая: когда человек в лицо мило с тобой общается, а потом в кулуарах будет тебя поливать грязью. Но, когда я спросил на собеседовании, как они справляются с такого рода конфликтами, мне ответили, что у них так не бывает. Система повышения зарплаты тоже голосованием: на некотором внутреннем портале ты публикуешь свои достижения и желаемую новую цифру, а люди апрувят или нет. Вот тут уже, как я понял, не все подряд апрувят, а, условно, руководители. То есть, иерархия всё-таки есть в разрезе количества власти и влияния на компанию и людей в ней. Да и в других голосованиях у разных сотрудников разные веса. Должно было быть три секции: 1. Скрининг с эйчаром и обсуждение моих пожеланий 2. Встреча с техлидом, решение технической задачи, вопросы от меня по команде и продукту 3. Финальная встреча, фит, софтскиллы На скрининге действительно больше, чем в других местах, интересовались моими пожеланиями. Не только по зарплате, но и, например, с задачами какого типа я люблю работать. Основная секция Начинается с моих вопросов команде. Тут как раз я больше спрашивал про оргструктуру, чем про проект. Затем дали задачу: элементарный обход дерева. Я спросил, нужен ли им обход в ширину или в глубину, ответили, что не важно. И ещё момент — разрешили пользоваться гуглом, нейросетями (!), и даже не шарить экран на время решения (я всё-таки пошарил). Ну, то есть, идея была такая: в настоящей работе мы всё-таки сидим с гуглом, нейронками и без надзора, поэтому вот решай в условиях, приближенных к естественным. Не понимаю, что именно оценивалось, и кто мог с такими вводными не решить. Хотя потом эйчар сказала, что некоторые кандидаты решают по 50 минут (я написал за 10 на yield'ах). Когда смотрели решение, поспрашивали совсем чуть-чуть по простым вещам. И погоняли по кейсам из моего тимлидского опыта по системе STAR (situation, task, action, result).

Резултати

Намерени 8 подобни публикации

Търсене: #deepresearch

当前筛选 #deepresearch清除筛选
Kun.uz AI

@kunuzai · Post #215 · 27.02.2025 г., 04:29

🔍Deep Research barcha pullik ChatGPT foydalanuvchilari uchun ochildi! Endi Plus tarifida (oyiga 10 ta so‘rov) Deep Research vositasidan foydalanish mumkin. Bu imkoniyatdan maksimal foydalanish uchun quyidagi maslahatlarni eslab qoling: 📌 Asosiy xususiyatlar va tavsiyalar: ✅Tilni aniq belgilang – qaysi tilda ma'lumot izlash va hisobot yozish kerakligini ko‘rsating. ✅Takrorlanishdan qoching – so‘rovga "Muhim: agar fikr allaqachon bayon qilingan bo‘lsa, uni takrorlama" deb qo‘shing. ✅Tasvirlarni tushunmaydi – Deep Research faqat matnli manbalar bilan ishlaydi. ✅Ilmiy manbalar so‘rang – faktlarga asoslangan tahlil uchun ilmiy maqolalarni qidirishni so‘rashingiz mumkin, hatto kerakli yillarni ham belgilashingiz mumkin. ✅Kod yozish imkoniyati bor – grafiklar, jadvallar va boshqa vizual ma’lumotlarni generatsiya qilishga qodir. ✅Kalit so‘zlarni bering – kerakli ma’lumotni aniqroq olish uchun asosiy tushunchalarni oldindan belgilang. ✅Fayllarni yuklash mumkin – siz unga fayl yoki havola berib, izlanishni shu asosda davom ettirishni so‘rashingiz mumkin. ✅Natijalar inson tekshiruvidan o‘tishi kerak – ba’zan xatolar uchrashi mumkin, shuning uchun tekshirish tavsiya etiladi. ✅Pullik maqolalarga kira olmaydi – agar qidirilayotgan material parda ortida bo‘lsa, uni yuklash kerak. 🎯Qachon Deep Research’dan foydalanish kerak? – Agar yangi mavzuni o‘rganishni boshlayotgan bo‘lsangiz, bu tez va samarali usul. – Ma’lumotlarni chuqurroq tahlil qilish va o‘z tadqiqotlaringizni qurish uchun yaxshi poydevor yaratadi. – U biznes, ilm-fan va boshqa ko‘plab sohalar uchun mos keladi. Deep Research hozirda eng kuchli AI-tadqiqotchilardan biri – Perplexity va Google ham unga tenglasha olmaydi! 🚀 #AI#DeepResearch#ChatGPT

🔍«Глубокий поиск» или 55 источников за один запрос Мы протестировали функцию Deep Research в Perplexity AI. Задача — выяснить, какие тренды ждут рынок ИИ-инструментов для личной эффективности. Ожидали стандартный пересказ очевидных вещей, но получили глубокий разбор рынка, сравнение продуктов и 55 источников. Что выдал Perplexity? 🔹 Никакой воды — только факты и подтвержденные данные. 🔹 Источники из актуальных исследований и профильных статей (2024–2025 гг.). 🔹 Сравнение реальных продуктов, а не абстрактные размышления. 💡Лайфхак: как получить крутой результат от «Глубокого поиска» Первая попытка была неудачной — мы задали слишком длинный запрос, уточняя много деталей. В итоге Perplexity сузил сильно тему и выдал поверхностный ответ. Второй запрос был короче, без лишней воды. Это позволило Perplexity не сдерживать себя и дать развернутый анализ. 📌 Запрос: Проведи анализ рынка и трендов 2025 года в сфере применения ИИ для личной эффективности. Нужны конкретные ИИ-продукты в сравнении, анализ того, чего не хватает или слабо развито. Поэтому чем короче и конкретнее запрос, тем лучше работает «Глубокий поиск». Такой результат вдохновил проверить, как на этот же вопрос ответят другие ИИ-модели: DeepSeek и ChatGPT o1. Они дали интересные выводы, но с совершенно другим подходом! Получился любопытный анализ. 🔥 Посмотрите его у нас в Дзене или в ВК. Уверены, что найдете открытия и для себя! #ИИ#AI#Нейросети#Perplexity ——— #Инструменты#deepresearch ✍️Подписывайтесь: @aiforproduct

Machinelearning

@ai_machinelearning_big_data · Post #8819 · 21.10.2025 г., 12:36

⚡️ Qwen Deep Research получил полезное обновление Теперь он создаёт не только отчёты, но и готовые веб-страницы и подкасты. Работает связка Qwen3-Coder, Qwen-Image и Qwen3-TTS. 👉Попробовать: chat.qwen.ai/?inputFeature=deep_research @ai_machinelearning_big_data #Qwen#AI#DeepResearch#Qwen3#AItools

Machinelearning

@ai_machinelearning_big_data · Post #8459 · 05.09.2025 г., 13:00

🌟InfoSeek: синтез данных для deep‑research с формализацией HCSP. BAAI представила InfoSeek — открытую методику синтеза данных и учебный контур для глубоких исследований. Задачи такого класса выходят за рамки обычного извлечения фактов: модель должна раскладывать вопрос на подзадачи, координировать многошаговое рассуждение и проверять ответы по источникам. Эти задачи формализуются как HCSP — иерархические задачи удовлетворения ограничений, решение которых возникает только при последовательном сужении кандидатов на нескольких уровнях, где каждый внутренний узел сам является подзадачей, а зависимость между узлами образует дерево исследования. Базовая идея проста: данные строятся вокруг древа исследования. Вершины - сущности или атомарные факты, ребра - проверяемые отношения из Википедии и открытых страниц. Алгоритм синтеза явно управляет структурой, чтобы исключить недоопределенность или ранние "короткие замыкания". В HCSP ответ формально равен пересечению множеств, заданных текущими ограничениями и рекурсивными подвопросами; в терминах дерева корень — финальный ответ. Такой подход не только задаёт глубину и ширину рассуждения, но и делает каждый промежуточный шаг проверяемым по конкретным утверждениям. 🟡Синтез выполняет связка из 2 агентов. Планировщик контролирует глобальную сложность, выбирая цель и тип расширения, а Браузер добывает факты и ссылки из страницы сущности. 4 операции покрывают весь жизненный цикл: 🟢Инициализация из "якоря"; 🟢"Размытие родителя" - добавление нескольких независимых условий, которые в совокупности определяют уникальный ответ без включений между кандидатами; 🟢Вертикальное углубление по гиперссылке для увеличения высоты дерева; 🟢Генерация текста вопроса лишь после того, как каждый узел имеет достаточный набор проверяемых ограничений и достигнуты заданные метрики сложности. Качество контролируется по 2 осям: сложность и проверяемость. Сначала вопросы прогоняются "в лоб": если мощная базовая модель отвечает правильно без поиска, образец исключается, так было отсеяно около 2%. Затем проверяется решаемость на фиксированном наборе страниц с примесями-дистракторами и все двусмысленное удаляется. Итог: датасет с 50 тыс. пар вопрос–ответ и 16,5 тыс. траекторий размышлений с метками извлечения. 🟡Эксперименты. Тесты показали, что InfoSeek переносится за пределы домашнего домена. На классических наборах для извлечения фактов и мульти‑hop вопросов компактная модель InfoSeeker‑3B опережает типовые RAG и агентные пайплайны. На BrowseComp‑Plus с фиксированным корпусом 100K страниц и BM25 точность достигает 16,5% при среднем 8,24 обращения к поиску, что выше, чем у Gemini 2.5 Flash, Sonnet 4 и GPT‑4.1 и значительно выше Qwen3‑32B и Search‑R1‑32B. Замена обучающего набора NQ+HQA на InfoSeek поднимает точность с 3,0% до 16,5% и делает запросы осмысленно более частыми. ▶️ Из готового у проекта есть датасет, техотчет, конструктор древа данных и код для SFT- трейна. В планах - код RL и публикация весов InfoSeeker‑3B. 📌Лицензирование: Apache 2.0 License. 🟡Датасет 🟡Arxiv 🖥GitHub @ai_machinelearning_big_data #AI#ML#DeepResearch#Dataset#InfoSeek

Machinelearning

@ai_machinelearning_big_data · Post #8450 · 04.09.2025 г., 13:20

🔥 NVIDIA представила Universal Deep Research (UDR) UDR — настраиваемый агент для глубокого ресёрча, который «оборачивается» вокруг любого LLM. Почему это важно: 🟠**Гибкая настройка агента без кода** — UDR не ограничивает жёсткими сценариями, как большинство тулзов. 🟠Можно создавать, редактировать и комбинировать стратегии поиска и анализа. 🟠В репо есть примеры стратегий (minimal, expansive, intensive), но главная сила — в кастомизации под свои задачи. По сути, это гибкий ресёрч-агент, который можно адаптировать под любой рабочий процесс. 🟢Project: https://research.nvidia.com/labs/lpr/udr 🟢Code: https://github.com/NVlabs/UniversalDeepResearch 🟢Lab: https://nv-dler.github.io @ai_machinelearning_big_data #NVIDIA#UDR#UniversalDeepResearch#AI#LLM#ResearchAgent#AIAgents#DeepResearch

GitHub Trends

@githubtrending · Post #15607 · 07.04.2026 г., 11:30

#python#ai_agents#ai_tutor#clawdbot#cli_tool#deepresearch#interactive_learning#large_language_models#multi_agent_systems#rag DeepTutor v1.0.0 is an open-source AI tutoring tool with personalized TutorBots, unified chat modes for solving problems, quizzes, research, and math animations, plus knowledge bases from your PDFs, persistent memory of your learning style, AI co-writing, and guided plans—all via easy web, Docker, or CLI setup. You benefit by getting a smart, evolving study companion that adapts to you, boosts understanding with interactive tools, and saves time on tough topics without starting over. https://github.com/HKUDS/DeepTutor

Venture Village Wall 🦄

@venturevillagewall · Post #4237 · 25.02.2025 г., 07:00

Musk's Grok AI Updates Amid Market Drop 🔍 Elon Musk's Grok AI upgraded to version 3, enabling advanced reasoning like OpenAI's o3. New feature, DeepResearch, assists in detailed research. Performance varies: good for research tasks, but average in text generation compared to Claude. 📉 Meanwhile, Bitcoin falls to key support at $91,000, dragging down Ethereum below $2500 and Solana under $140. Liquidation volumes exceed $880 million. Chainflip to enhance protocol to block Bybit hacker fund movements within 24-72 hours. For further details, check here. #Grok#AI#Crypto#Bitcoin#Ethereum#Solana#DeepResearch#Chainflip#Bybit#hacker#liquidations#marketupdate#protocolupgrade#ElonMusk#Claude#OpenAI#DeepSeek#cryptonews#fintech#blockchain

Venture Village Wall 🦄

@venturevillagewall · Post #4169 · 16.02.2025 г., 22:00

Major AI Investments and Developments - France to invest €109 billion in AI, boosting Mistral's prospects. Read more - Elon Musk plans to pay $100 billion to buy OpenAI and prevent its commercialization. Details here - Research shows LLMs have better performance improvements compared to VLMs. GraphVLM Progress - OpenAI has new features in o1 and o3-mini, allows document uploads, increase to 50 queries for Plus subscribers. More info - Musk claims Grok 3 will outperform OpenAI’s offerings. Read about Grok - OpenAI to finalize its first custom chip this year to enhance trading with Nvidia. Reuters news #AI#OpenAI#ElonMusk#France#Investment#Chips#Mistral#LLM#VLM#DeepResearch#Grok#Crypto#Nvidia#TechNews#Finance#Market#Progress#Innovation#Data#Analysis