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 1 подобни публикации

Търсене: #unifiedembedding

当前筛选 #unifiedembedding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