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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #1174 · 7.12

Большущий текст о настолках и настольном кемпе. Если вы не интересуетесь этой темой, пропускайте пост. #games@clockstackwheels У настольщиков есть общая боль — низкое проникновение хобби в среду нормисов. Не знаю, с чем конкретно это связано, но пока что настолки прям сравнительно маргинальная тема в России. Может, людям лень или сложно, может быть им не собраться вживую, а может быть просто не хватает маркетинга, чтобы народ знал о существовании чего-то, кроме Монополии и Покера. Хотя по моим наблюдениям родители нередко начинают играть с детьми, признавая позитивный эмоционально-образовательный эффект настольных игр, но при трансфере этого хобби во взрослую жизнь что-то ломается по пути. В общем те, у кого не сломалось, собираются в игровые клубы, на игротеки и на кемпы. Кемп это такой выезд на несколько дней куда-нибудь в отель, где ты целыми днями играешь в настолки с такими же упоротыми ценителями прекрасного. Я был на таком впервые и вот только вернулся. Конкретно этот шёл трое суток в пансионате в Ленобласти, организован был компанией Лавка Игр. Ещё до начала я всех задолбал в чате попытками придумать какую-то систему записи, потому что мне было совершенно непонятно, как собственно на месте идёт процесс синхронизации. В идеале у тебя должна быть возможность в любой момент времени начать партию в интересующую тебя игру и иметь под неё нужное число игроков. На деле происходит так: • В чате кто-то пишет, что собирается во что-то играть. Ты думаешь: «О, я чё-то про неё слышал, надо попробовать» и идёшь; • Ты находишь интересную тебе игру на стеллажах, предоставленных организаторами и участниками, начинаешь её раскладывать на свободном столе, игроки материализуются сами; • Ты идёшь мимо столов с раскладываемой игрой, тебе она кажется привлекательной — всё, теперь ты тот самый материализовавшийся игрок. Короч, система работает. Сам пансионат был, ну как сказать, бюджетным, со всеми вытекающими (хотя я не знаю, бывают ли не бюджетные пансионаты, которым не требуется срочный косметический ремонт везде). Еда нормальная, столовская, с выбором и адекватными порциями, но без десертов (хотя их отсутствие компенсировалось бесконечными сладостями от организаторов). Я вообще не покидал здание все дни. В день лично мне в ненапряжном темпе удавалось сыграть в 3-4 игры с учётом долгого сна утром, но при этом окончания партий в 4 часа ночи. Как я понял, среднестатистический посетитель кемпов играет больше, а спит меньше. Всего четыре игровых зала, и из них почему-то один очень шумный, такой, что едва слышно сидящего рядом, а остальные три неожиданно тихие. Окей, один был попрохладнее, туда не так стремились, но всё равно распределение шума меня удивило. По уюту было очень кайфово вечером-ночью сидеть в углу где-то за составленными группой столами и раскладывать настолочку. Дальше конкретно про игры, в которые я сыграл, и моё мнение о них. Гармония. Расслабляющий абстракт на составление сетов в тематике природы. У нас были очень красивые миниатюрки с животными, сделанные на заказ, и конкретно для меня они дали половину удовольствия от игры (в оригинальной коробке там просто цветные кубики). Вот без этих миниатюр игре не хватило тематичности, чтоб я её себе в коллекцию купил. Хотя подумывал об этом. Зоократия. У меня дома есть коробка, я не успел распаковать. Любопытная игра на позитивную дипломатию: важные игровые действия каждый может делать только с помощью других игроков, при этом побеждает всё равно кто-то один. Удивительно, но она работает, не вызывает замыканий, когда никто никому не хотел бы помогать. Оставляю коробку, с удовольствием предложу семье и друзьям.

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