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 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