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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #1190 · 18.12

Деннис Тейлор, «Пока мы не сбились с пути» Вселенная Бобов — это серия, за рекомендацию которой меня чаще всего благодарят. Видимо, все остальные книги, о которых я пишу, либо очень хорошо известны, либо не находят отклика у настолько широкой аудитории. Пожалуй, нет смысла подробно писать о пятой части. Автор вернулся к рваному повествованию, состоящему из отдельных историй. У него это в целом получается хорошо, хотя тут некоторые истории меня зацепили (про центр галактики и исход, про ИИ), другие показались проходными или невнятными (про драконов, про виртуальную реальность для инопланетян). Многие темы стали максимально размытыми, вроде взаимоотношений с людьми. Ещё могу отметить, что, если первые книги сносно опираются на существующие физические концепции, то тут Тейлору пришлось больше фантазировать, иначе он бы упёрся в сюжетные границы. Это не плохо, если только вы не воспринимали «Бобов» как твёрдую НФ. Для меня такой ход был ожидаемым, разочарования я не испытал. Понравился момент установки взаимопонимания с инопланетными дронами, хотя конечно лучше, чем в «Аве Марии», первый контакт не описан нигде. Причина, по которой с центром галактики случилось то, что случилось, тоже подобрана хорошо, приостановку неверия лично у меня не сломала, но и угадать заранее я не смог. По итогу я бы сказал так: пятую книгу прослушал не без удовольствия, но шестую автору уже писать не стоит. Из этой идеи и вселенной выжато всё досуха.#fiction@clockstackwheels

Hashtags

Резултати

Намерени 1 подобни публикации

Търсене: #crossmodal

当前筛选 #crossmodal清除筛选
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