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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #267 · 22.03

В 2019 году Ситимобил пришёл в Петербург. Я тогда публично задал вопрос руководителю PR службы Ситимобила: зачем нужно восьмое приложение такси у меня в телефоне. Но ответ был супер невнятный, что-то в духе "Пусть будет". При этом такси уже тогда был высококонкуретным рынком, поделённым монополистами, а я тогда был самой что ни на есть целевой аудиторией: гик с деньгами и без личного автомобиля, живущий в огромном дождливом городе. Несколько дней назад объявили о закрытии Ситимобила. Понятно, что триггером этого закрытия послужили известные события, но там в статьях упоминается, что бизнес работал в минус, владельцы просто закрывают убыточные направления. Разумеется, эти события не связаны, а пиарщики не обязаны были мне отвечать. Однако, есть некоторые моменты, которые могут служить признаком хорошей или плохой работы процессов. На мой взгляд, ответ на вопрос "зачем ты нужен" должен быть у любого бизнеса прописан в его ядре и находиться в быстром доступе. Каким-то другим вопросам позволительно быть неоднозначными: например, почему услуга или товар стоит столько-то, а не дешевле/дороже. Ценовая политика вообще сложная штука, зависящая от кучи факторов. Позже я убедился в том, что у сервиса проблемы: уже упоминал когда-то в этом блоге, как трижды подряд водители отменяли заказы, как в другой раз водитель посчитал цену низкой и отказался везти, и так далее. В общем, я скучать не буду, прости, Ситимобил. Пойду заказывать Яндекс. #life

Hashtags

Резултати

Намерени 1 подобни публикации

Търсене: #efficientmodels

当前筛选 #efficientmodels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