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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #129 · 2.01

Твиттер — самая странная соцсеть. Начнем с того, что там никто не зарабатывает. Я ни разу не слышал, чтобы в твиттере кто-то получал доход от своего десятитысячного аккаунта. Хотя раскрутить такой аккаунт не проще, чем Ютуб до миллиона, а с него уже люди вполне себе живут и на работу не ходят. Но главное не это. Там очень своеобразная аудитория. Я имею ввиду тех, кто пишет очень часто, и вообще ведёт регулярную онлайн социальную активность именно в Твиттере. Так вот, там ярко выражена квинтэссенция либерально-молодёжной повестки: люди в депрессиях и на терапиях, с прогрессивными, но не работающими отношениями, с тревожностью и неуверенностью в себе, с видимой эмоциональной нестабильностью и ранимостью, незрелые адепты инфантильных идеологий. Читаешь как "Килл Ми Плиз", очень полезно — собственные проблемы кажутся незначительными. С другой стороны, именно эта аудитория в таком её состоянии производит самые смешные шутки, и вообще создает один из наиболее интеллектуальных и остроумных русскоязычных источников контента. А ещё там прям много пишут текстов, даже длинные рассказы оформляют "тредами" — цепочками ответов на собственные твиты. Во всём остальном интернете тексты убили дети, а в Твиттере тексты живут милостью невыросших взрослых. Достаточно умных, чтобы писать клёво, но недостаточно мудрых, чтобы разобраться со своей жизнью. Не знаю, как в англоязычном мире (кажется, не так), но в Рунете Твиттер это совершенно уникальное явление. #web

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