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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #346 · 16.05

Недавно Илон Маск написал, что у Нетфликса проблемы с доходами из-за повесточки. Удивительно, что такое пишет американец — я был уверен, что американцы как раз довольно слепы к тому, насколько абсурдной выглядит вездесущая повестка. И что скорее у русских людей пригорает: редко когда на русскоязычных ресурсах под любым новым релизом фильма или сериала нельзя найти комментарии разной степени язвительности о расах и ориентациях персонажей. А тут и у Маска пригорело, оказывается. Повестку действительно трудно не замечать, ей прямо тычут в лицо, если не в фильмах, то в современных американских сериалах практически повсеместно. Проникновение в кино пока меньше, хотя тоже есть, и, судя по анонсам, будет усиливаться: новый Джеймс Бонд это чернокожая девушка, новый Железный Человек это чернокожая девушка, я вообще не понимаю, как белых мужчин в принципе ещё пускают на съёмочную площадку. Слово "обратный" в термине "обратный расизм" или, например, "обратная дискриминация" — не совсем подходящее, но хорошо отражает суть: давайте осознанно и умышленно быть расистами и сексистами против людей, которые до этого долгое время были расистами и сексистами. И я даже не говорю о том, что принцип "око за око" может быть не только спорным сам по себе, но и порождать потенциально бесконечные качели. Мне просто весь подход кажется очень формальным и искусственным: примерно как попытка на выходных выспаться за всю неделю. Если просто взять и принудительно в сверх-форсированном режиме показывать по 10 представителей меньшинств в каждой серии каждого нового сериала, это не исправит десятилетия и столетия притеснений, но при этом и качество сериала уронит, и вызовет некоторое раздражение у людей. На мой взгляд бороться со столетием притеснений нужно вот как: следующие сто лет показывать представителей меньшинств в нормальной репрезентации. Вот по статистике что-то около 2% геев — ну и сделайте 2% персонажей геями случайным образом, а не 20% просто ради демонстрации. Аналогично с расами, полами и так далее. Может ли быть Джеймс Бонд чернокожей девушкой? Конечно. И Железный Человек может. Но вот чтобы одновременно: вероятность уже ниже. А чтобы ещё в десяти фильмах и сериалах ВНЕЗАПНО значимые роли достались меньшинствам — это прямо совсем какое-то магическое совпадение. Вместо мысли "геи это нормально" закрепляется мысль "геи это навязчиво и раздражающе" (да простят меня геи, которые это читают). Что-то мне кажется, лет через десять мы не очень будем жалеть об уходе из страны американского кино, даже при том, что американская киноиндустрия де-факто является на текущий момент крупнейшей в мире, и во многих жанрах просто нет никаких хоть сколь бы то ни было качественных альтернатив. #fiction

Hashtags

Резултати

Намерени 3 подобни публикации

Търсене: #longcontext

当前筛选 #longcontext清除筛选
Machinelearning

@ai_machinelearning_big_data · Post #8519 · 11.09.2025 г., 18:21

🚀 Релиз:Qwen3-Next-80B-A3B - эффективная модель заточенная на работа работу с очень длинным контекстом! 🔹80B параметров, но активируется только 3B на токен → тренировка и инференс 10x дешевле и быстрее, чем у Qwen3-32B (особенно при 32K+ контексте). 🔹Гибридная архитектура: Gated DeltaNet + Gated Attention → сочетает скорость и точность. 🔹Ultra-sparse MoE: 512 экспертов, маршрутизируется 10 + 1 общий. 🔹Multi-Token Prediction → ускоренное speculative decoding. 🔹 По производительности обходит Qwen3-32B и приближается к Qwen3-235B в рассуждениях и long-context задачах. 🟢Qwen3-Next-80B-A3B-Instruct показатели почти на уровне 235B flagship. 🟢Qwen3-Next-80B-A3B-Thinking превосходит Gemini-2.5-Flash-Thinking. ▪Попробовать: https://chat.qwen.ai ▪Анонс: https://qwen.ai/blog?id=4074cca80393150c248e508aa62983f9cb7d27cd&from=research.latest-advancements-list ▪ HuggingFace: https://huggingface.co/collections/Qwen/qwen3-next-68c25fd6838e585db8eeea9d ▪ ModelScope: https://modelscope.cn/collections/Qwen3-Next-c314f23bd0264a ▪Kaggle: https://kaggle.com/models/qwen-lm/qwen3-next-80b ▪ Alibaba Cloud API: https://alibabacloud.com/help/en/model-studio/models#c5414da58bjgj @ai_machinelearning_big_data #AI#LLM#Qwen#DeepLearning#MoE#EfficientModels#LongContext#Reasonin

Machinelearning

@ai_machinelearning_big_data · Post #9395 · 19.01.2026 г., 07:10

✔️ Sakana AI придумали, как LLM самим сортировать контекст по важности Обычные языковые модели читают текст как одну длинную ленту. Что ближе к началу внимания - то “важнее”. Что дальше - то модель видит хуже. И тут появляется проблема: если важный факт спрятан где-то далеко среди шума, модель может его просто не использовать. Она тратит внимание на всё подряд, вместо того чтобы сосредоточиться на главном. Sakana AI предложили решение - RePo (Context Re-Positioning). Идея очень понятная: модель получает модуль, который позволяет динамически “перепозиционировать” контекст. Примерно как человек: ты читаешь длинный документ, понимаешь, что важная часть была 20 страниц назад - и мысленно перечитываешь её, а лишнее игнорируешь. Что делает RePo - подтягивает важные куски информации ближе - отодвигает шум и лишний текст - помогает вниманию модели фокусироваться на нужном В модели есть обучаемый модуль, который **переназначает позиции токенов по смыслу**, а не по порядку ✅ важно = то, что помогает уменьшать ошибку модели и правильно решать задачу ❌ второстепенно = то, что не помогает (шум), поэтому “отодвигается” по позициям В результате модель с такой памятью начинает лучше работать там, где LLM обычно страдают: - когда контекст длинный - когда много шума - когда важные детали раскиданы далеко друг от друга - когда данные структурированные (таблички, списки, правила) Авторы показывают, что RePo даёт заметный прирост устойчивости, при этом не ухудшая общее качество. ▶️ Устойчивость к шуму (Noisy Context) Средний результат по 8 noisy-бенчмаркам: - Обычный RoPE: 21.07 - RePo: 28.31 🟡 Прирост: +7.24 пункта (сильно) Авторы отдельно фиксируют ключевую цифру: на noisy-eval (4K контекст) RePo лучше RoPE на +11.04 пункта. 🔥 Примеры прироста на конкретных задачах (везде RePo > RoPE) - TriviaQA: 61.47 → 73.02 (+11.55) - GovReport: 6.23 → 16.80 (+10.57) - 2WikiMultihopQA: 23.32 → 30.86 (+7.54) - MuSiQue: 7.24 → 13.45 (+6.21) Это шаг к моделям, которые не просто “читают что дали”, а умеют сами организовать свою рабочую память. 🟡Подробности: pub.sakana.ai/repo/ 🟡Статья: arxiv.org/abs/2512.14391 @ai_machinelearning_big_data #RePo#SakanaAI#LLM#AI#AIAgents#Context#LongContext#Attention

Neuron | OnlyFAST

@neuron_skills · Post #1643 · 11.07.2025 г., 14:48

📊 AI-автоматизация на страже новостей! За период 07.07.2025 – 10.07.2025 наша система автоматически проанализировала для вас: 191 топовый сабреддит 449 Twitter-аккаунтов 29 Discord-серверов (226 каналов, 12 761 сообщений) ⏳ Экономия вашего времени: Если бы вы читали это вручную со скоростью 200 слов в минуту, ушло бы целых 806 минут — а так, всё самое важное уже собрано в одном месте! tags: companies #xai#perplexityai#langchain#cursor#cline models #grok4#grok4heavy#claude4opus topics #modelreleases#benchmarking#longcontext#modelpricing#modelintegration#voice#performance#scaling#gpuoptimization people’s #elonmusk#aravsrinivas#igorbabuschkin#yuchenj_uw