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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #349 · 19.05

В сеть попал «Морбиус», я посмотрел, и не понимаю, почему его так хейтят. Рейтинги прям супер низкие, да и в комментариях везде в основном недовольство. А по мне так вполне нормальный. Конечно, есть недостатки, да и послевкусия почти никакого не оставляет. Но, на мой взгляд, картина вполне цельная, последовательная, с прикольным визуалом, и каст попал в точку (видеть Мэтта Смитта в необычном образе было прикольно). Да, у фильма какой-то не слишком современный ритм, если можно так выразиться. Он, как бы сказать, слишком прямой и буквальный: вот тебе, зритель, пересказ событий. Напомнило мне боевики и ужастики девяностых, конкретно даже возникли ассоциации с фильмом «Муха»: там тоже учёный в результате эксперимента над собой получил сверхсилы, но потерял человеческий облик. Отдельно мне понравилось, что герой очень логичен и действует реалистично. Он переживает о своих действиях вполне правдоподобно: сокрушаясь, но не слишком. Ещё он сразу берётся исследовать себя, вести записи и замеры — так сделал бы любой разумный человек после подобных изменений. Ну и никакие сюжетные интриги не держат долго, потому что раз зритель догадывается сразу, то и персонажи должны сообразить. В общем, таких разгромных рейтингов «Морбиус» точно не заслуживает. Я думаю даже вполне получил бы удовольствие от просмотра его в кино, если бы показывали, чего не могу сказать, например, о новом Бэтмене (про который я рад, что в кино попасть не смог). #fiction

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