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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #282 · 4.04

В ВК ноль человек прислали ответы, в Телеграме шестеро. При этом в ВК у поста 733 просмотра, а в Телеграме 230 просмотров. Время постинга одинаковое, содержание тоже идентичное. Сначала я хотел сказать что-то вроде "Аудитория ВК меньше любит задачки на подумать, чем аудитория Телеграма", но, пожалуй, честнее будет сказать так: ВК показывает пост той аудитории, которая меньше любит задачки на подумать. Что, конечно, очень странно, учитывая, что весь мой остальной блог для гиков и интеллектуалов в основном. Вообще, обсуждений в Телеграме стало больше, а в ВК меньше. Возможно, на фоне событий люди больше опасаются писать в ВК что угодно, даже не связанное с политикой. Но навскидку мне кажется, что падение доли обсуждений тут началось раньше. Хотя в январе на старте их было больше. Ещё и канал в Телеграме растёт быстрее, чем подписчики ВК, даже если считать по абсолютным цифрам. По относительным Телеграм вообще на три порядка быстрее, чем ВК: в телеге прирост 96%, а в ВК только 0.2%. При этом удобство оформления и чтения до сих пор в ВК значительно выше, чем в Телеграме. А на фоне блокировок активность людей в ВК заметно повысилась — я вижу, что больше стало Историй, статистика сообществ тоже растёт. Пока выводы такие: какая-то аудитория в ВК есть, но целевой или нет, или соцсеть не умеет ей предлагать подходящий контент. Продолжаем наблюдения. #web P.S. Вот график из статистики ВК. Создаётся иллюзия, будто рост есть, но если внимательно посмотреть на цифры, станет всё понятно. Классический обман с масштабом оси Y.

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