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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #336 · 6.05

Останкино закрыли из-за постоянных угроз минирования. Мне кажется, такие угрозы могут исходить от людей, которые подобным образом хотят устранить источник пропаганды. Что, конечно, очень наивно и глупо. Так что из-за каких-то идиотов не удалось попасть в этот раз. Несколько новых для меня наблюдений про Москву. 1. Я попытался оценить движение, как автомобилист, и, мне показалось, что это жесть. В Питере конечно есть отдельные места, которые и плохо спроектированы, и пользуются большой популярностью у автомобилистов, из-за чего проезжать их — невероятное страдание и почти вечные муки на Земле. Например, Светлановская площадь. Но в Москве водители просто живут в Аду. Чудовищно частая многополосность, толкотня, разметка неочевидной сложности, многоуровневые развязки — я бы в таких условиях автомобиль купил с куда меньшей вероятностью. Хотя, наверное, те, кто живёт тут постоянно, банально привыкли. 2. С парковками, наоборот, какая-то магия. Куда люди девают свои машины? В Москве больше автомобилей, чем в Питере. Но Питер по сравнению с Москвой просто вусмерть запаркованная свалка железа. На Питер в этом отношении буквально невозможно смотреть, причем, как в центре, так и на окраинах. Но в Москве каким-то непостижимым образом этой проблемы нет: улицы чистые и в центре, и в спальных районах. Всегда знал, что нытьё водителей "А где ещё парковаться?" это фейк. Где-то, видимо, можно, если городская администрация имеет волю этим вопросом заниматься. 3. Почти нет каких-то кафешек и подобных бизнесов, вообще нижние этажи зданий очень не развиты. У нас в Питере практически в любой части города нельзя пройти и 20 минут, не наткнувшись на едальню, кондитерскую итд. Здесь же под это могут быть отдельные улицы, но в целом в обычных местах всё очень туго. Мы жили недалеко от ВДНХ, и там на огромный район полтора ноунейм-ресторана, в которых официанты банально не справляются с потоком людей. Интересно, связано ли это с какими-то запретами со стороны города? Гулять по Москве конечно очень круто и приятно, Питеру далеко до такого уровня урбанистики. Но жить в Москве всё ещё не хотел бы. Слишком много всех тут. #travel#life

Hashtags

Резултати

Намерени 1 подобни публикации

Търсене: #llmarena

当前筛选 #llmarena清除筛选
Machinelearning

@ai_machinelearning_big_data · Post #8560 · 16.09.2025 г., 16:22

🔥 Как реально выбирают LLM в 2025 — исследование LLM Arena Интересный опрос практиков (инженеров, ML-учёных, AI-продуктов) - как сегодня на самом деле выбирают языковые модели (LLM), что важнее: бенчмарки или собственные тесты, цена/скорость/качество, и чего не хватает в информации по моделям. 📊Ключевые выводы - 82,2% респондентов проводят собственные тесты; бенчмарки — лишь ориентир, не решение. - 26,7% вообще не пользуются бенчмарками. - В центре внимания: баланс качество / цена / скорость, устойчивость (без галлюцинаций), соответствие инфраструктуре. 👥 Участники опроса - 45 практиков с опытом работы с LLM-продуктами; все участники — профессионалы. - ML/AI Инженеры, Data Scientists, AI-строители, и менеджмент. 🔑 Что ищут и какие сигналы важны: - Часто оценивают обсуждаемость модели в статьях/сообществе; практическое применение в похожих продуктах. - Обращают внимание на число скачиваний и звёзд на Hugging Face / GitHub. - Хотят больше данных о требованиях к железу, лицензиях, локальной работе, графиках “цена vs качество”, “скорость vs качество”. ⚠️Проблемы & доверие - Многие не доверяют существующим бенчмаркам из-за методологических проблем (train/test leakage, нерелевантность задач). - Лабораторные условия часто сильно отличаются от продакшн. - Нехватка отзывов по реальным сценариям и использованиям. При выборе LLM важнее собственные тесты и контекст задач, чем рейтинги. Специалисты хотят поточечных данных: про лицензии, требования к железу, latency, стоимость. Инициатор исследования Роман Куцев - фаундер и CEO LLM Arena, публикуют много интересного у себя в блоге. Для тех, кто строит LLM-продукты, полезно: - Не ориентироваться только на чужие бенчмарки. - Собирать метрики в собственных условиях — на реальных данных. - Открыто показывать, что работает, а что — нет, в документации и обсуждениях. 🟢 Полное исследование: https://research.llmarena.ru/ #LLM#AI#ИИ#LLMArena#исследование#нейросети#benchmarks