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: #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