Намери подобно съдържание

Изходен канал @clockstackwheels · Post #265 · 20.03

Давайте раз выходной ещё расскажу про автодилера, и пока закроем тему с машинами. Вообще, я был удивлён, насколько эта область закостенелая. Многие вопросы решаются только звонками. Списку "модели в наличии" и ценам на нём верить нельзя. Весь процесс покупки какой-то долгий, не на один день. Встречается путаница в цифрах: вот эта цена только с кредитом, причем определённым, но за сам кредит вы переплатите больше, а вот эта цена за трейдин, но тоже при некоторых условиях, а это вообще рекламная. На самом деле, я почти со всем этим не столкнулся (кроме ненастоящего списка "в наличии"). Хочу выразить благодарность салону Пежо Авто Премиум, на Хасанской улице — мне сразу сказали практически точно конечную цену, не впаривали никакие допы, и самое главное — не было скрытых платежей. Я вообще, когда друзьям рассказал, что машину покупаю, все до единого рекомендовали тщательно сверять цифры. Но я относился к этому очень скептически — ну, допустим, какие-то разводилы у вокзала пытаются людей обмануть, но автосалоны то не будут! Однако, у меня отец в тот же период покупал новый Tiguan, и у него там реально пытались пропихнуть скрытый платёж на внушительную сумму за какую-то номинальную доп.услугу. Это повергло меня в шок: салон немецких автомобилей, от немцев фанатов чётких правил, пытался развести на бабки, а салон менее строгих французов не пытался! Короче, по тому, что рассказывают друзья, и что пишут и показывают в сети, мой опыт вообще очень удачный, а нередко людям куда сложнее и дольше даётся процесс покупки автомобиля. Кажется, сейчас даже квартиру легче купить, благодаря всяким ДомКликам. Ну и пару слов про кредит, не могу не рассказать. Мой первый в жизни кредит был тупым. Прямо по классике: я выпускал новый проект и думал, что сейчас разбогатею. Взял себе кредит на мотоцикл. Проект провалился, я остался без источника дохода, и мало того, что не отдал кредит сразу же, как планировал, а он ещё и висел на мне кабалой несколько лет, вдвое уменьшая мой и без того низкий в то время уровень жизни. Мой нынешний опыт кредита максимально положительный. Я за 5 минут в приложении интернет-банка оформил потреб на недостающую сумму. Это оказалось не только существенно быстрее, чем ждать одобрения от кредитного отдела в автосалоне, но и дешевле по деньгам. И отдавать мне его легко, потому что платёж незначителен относительно величины зарплаты. Так что любым инструментом нужно просто уметь правильно и своевременно пользоваться. Кредиты не зло, тупые люди зло. #life

Hashtags

#life

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

Намери подобни Прегледай

🚀 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

Hashtags

#ai #llm #qwen #deeplearning #moe #efficientmodels #longcontext #reasonin

Machinelearning

@ai_machinelearning_big_data · Post #9395 · 19.01.2026 г., 07:10

Намери подобни Прегледай

✔️ 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

Hashtags

#repo #sakanaai #llm #ai #aiagents #context #longcontext #attention

Neuron | OnlyFAST

@neuron_skills · Post #1643 · 11.07.2025 г., 14:48

Намери подобни Прегледай

📊 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