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 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