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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #356 · 24.05

Некоторые нашли ответ на вчерашнюю загадку: это последовательность животных из песни What Does The Fox Say. И это породило интересное обсуждение здесь, в Телеграме. Часть людей никогда не слышали об этой песне, что лично меня очень сильно удивило. В моём информационном пространстве она является бесспорным масс-культурным феноменом, поэтому знакомство с ней не зависит, например, от ваших музыкальных вкусов. Вам достаточно просто заходить в интернет. По аналогии с, например, Gangnam Style или Harlem Shake: для меня это вещи, которые невозможно было не застать, если вы в принципе пользовались интернетом в период их популярности. Но, как выяснилось, это совершенно не так, и люди действительно живут немножко в разных информационных слоях. Вот я и задумался: от чего это зависит? Какие источники нужно читать или не читать, чтобы ни разу не наткнуться на какой-то относительно популярный феномен, не обсудить его ни с кем из знакомых, не увидеть в ленте ни одной из соцсетей? В моих компаниях друзей, например, очень часто шутят с отсылками к масс-культуре, поэтому буквально невозможно не знать чего-то известного. Я просто не мог ничего сделать, чтобы пропустить какой-нибудь Ice Bucket Challenge, The Dress или Coffin Dance. Но как-то люди пропускают (наверняка среди читающих это есть те, кто не знает о чём-нибудь из перечисленного). И другой вопрос: что отличает масс-культурный феномен от просто очень популярной вещи? В комментариях мне справедливо заметили, что если мы откроем в Википедии топ популярных видео на YouTube, там будут ролики с миллиардами просмотров, о которых мы и не слышали. Например, я никогда не видел и не слышал детский стишок «Johny Johny Yes Papa», а ведь это топ-3 видео на YouTube за всю историю, с поразительными 6 миллиардами просмотров! Ну ладно, допустим, видео для детей нельзя считать, потому что современные родители их просто ставят младенцам по 100 раз в день, чтобы отвлечь и чем-то занять. Но, например, у песни Джастина Бибера «Sorry» более 3.5 млрд просмотров, а я её никогда не слышал. На мой взгляд произведение становится массовым, когда выходит за свои первоначальные границы. Например, если о песне знают не только те, кто в принципе слушает такую музыку и этого исполнителя. А особенно если песня вообще выходит за рамки музыкальной сферы. Например, по песне про лису писали научпоп-статьи о том, какой звук издают лисы. Челлендж Ice Bucket выполняли люди, которые никакого отношения не имеют к медицине или благотворительности. Танец Harlem Shake исполняли люди в военных частях, офисах, в Кембриджском университете. Для меня именно проникновение в нейтральную среду — основной признак. #web

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