Намери подобно съдържание

Изходен канал @clockstackwheels · Post #34 · 31.05

Дошли руки написать про второй сезон Love.Death.Robots, который вышел 2 недели назад. Почти единогласно в сети все, кого я читаю, согласились, что планка, к сожалению, снижена. Начиная от значительно меньшего количества серий, и заканчивая содержанием. В обзорах и комментариях к сезону справедливо отмечают, что серии выглядят уж совсем как наброски. Если первый сезон рассказывал короткие, но вполне полноценные истории, то во втором чувство недосказанности и даже какой-то пустоты преследует практически после каждого эпизода. В первом были серии, вызвавшие у меня невероятный восторг, серии, которые просто понравились, и проходные на разок. Во-втором с натягом понравилась пара вещей, не более. Automated Customer Service — ужасная рисовка, по которой видно, что её авторы считают себя оригиналами. Сюжет глуповат, смеха не вызывает. Ice — занятно, посмотрел бы такую полнометражку, но сказано очень мало. Pop Squad — почему он так называется, кстати? Зарисовка на тему романа «Будущее» Дмитрия Глуховского. Сюжет обрывается на завязке, и это причиняет почти физическую боль. А так было бы круто. Snow in the Desert — единственный полноценный рассказ в сезоне, вполне понравился: и экшен, и сюжетный поворот. Такого бы побольше. The Tall Grass — ни о чём. Интрига нагнетается, а разрешение у неё банальное. All Through the House — пожалуй, лучший эпизод. Очень крутая идея, не вступающая в противоречие с реальным миром, но переворачивающая его. Life Hutch — видели это в «Чёрном Зеркале» только более подробно и более драматично. The Drowned Giant — (тут небольшой спойлер, если не хотите, пропустите абзац!) до последнего надеялся, что авторы сделают какой-то неожиданный поворот в конце. Например, что утопленник на самом деле нашего с вами размера, но нет. Закадровый голос вроде бы рассказывает много всего, но это не особо имеет отношение к фантастике и сюжету данной серии. В общем, кажется, у авторов не оправдалось то, на что они рассчитывали после первых выпусков, и поэтому то ли им дальше меньше времени/денег на этот раз, то ли они сами выдохлись и потеряли энтузиазм. И это очень грустно. По-настоящему качественной и взрослой фантастики остро не хватает. #fiction

Hashtags

#fiction

Резултати

Намерени 1 подобни публикации

Търсене: #vrag

当前筛选 #vrag清除筛选

Machinelearning

@ai_machinelearning_big_data · Post #9841 · 09.04.2026 г., 13:20

Намери подобни Прегледай

🌟 VimRAG: мультимодальный RAG-агент, который держит контекст в виде графа памяти. Tongyi Lab (Alibaba Group) опубликовала VimRAG - фреймворк агентного RAG для работы с текстом, изображениями и видео. Проект развивает прошлогодний VRAG-RL и решает проблему мультимодального RAG: визуальные данные тяжелые по токенам, но семантически разрежены, а классическая ReAct-история забивает контекст шумом и провоцирует повторные бесполезные запросы к поиску. Вместо журнала наблюдений VimRAG моделирует рассуждение как динамический направленный ацикличный граф. Каждая вершина хранит подзапрос, действие агента, текстовое саммари и банк визуальных токенов. Ребра фиксируют логические зависимости между шагами. Такой граф позволяет агенту отличать тупиковую ветку от новой гипотезы и не уходить в циклы повторных поисков. 🟡Поверх графа работает Graph-Modulated Visual Memory Encoding. Бюджет визуальных токенов распределяется с учетом исходящей степени в графе, экспоненциального временного затухания (имитация забывания) и рекурсивной обратной связи от потомков. Ключевым фрагментам достается высокое разрешение, а второстепенные кадры сжимаются или отбрасываются. Для видео задействована способность VLM привязывать содержимое к временной шкале (извлечение ключевых кадров по таймкодам). 🟡Третий компонент - Graph-GPO. GGPO строит критический путь от корня к ответу и накладывает градиентную маску, исключая тупиковые узлы из положительных примеров, а ценные ретривы - из отрицательных. По графикам обучения это дает более быструю сходимость, чем базовый GSPO без прунинга. 🟡Тесты 🟢VimRAG обходит Vanilla RAG, ReAct, VideoRAG, UniversalRAG, MemAgent и Mem1 на 9 бенчмарках (HotpotQA и SQuAD до SlideVQA, MMLongBench, LVBench и XVBench). 🟢На Qwen3-VL-8B-Instruct средний скор поднимается с 43,6 до 50,1, на 4B-версии - с 40,6 до 45,2. При этом средняя длина траектории ниже, чем у ReAct и Mem1: структурированная память съедает меньше действий на ответ. В репозитории доступны: 🟠тренировочный фреймворк VRAG-RL, демо VRAG на тестовой Qwen2.5-VL-7B-VRAG через vLLM (нужна A100 80GB); 🟠демо на API Qwen3.5-Plus через DashScope (с визуализацией DAG рассуждения и расширенным ризонингом). Поисковый движок построен на FAISS и поддерживает эмбеддинги GVE-3B/7B и Qwen3-VL-Embedding-2B/8B. Индексировать можно изображения, PDF (через конвертацию) и нарезанное на чанки видео. Код трейна самого VimRAG обещают выложить после внутреннего ревью Alibaba. 🟡Arxiv 🟡Модель 🖥GitHub @ai_machinelearning_big_data #AI#ML#RAG#VRAG#TongyiLab

Hashtags

#ai #ml #rag #vrag #tongyilab