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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #36 · 3.06

Закончил «О дивный новый мир» Олдоса Хаксли, который рекомендуют читать в паре с «1984». В сети очень распространён иллюстрированный разбор со сравнением двух произведений, вот цитата оттуда: «Оруэлл боялся, что нас погубит то, что мы ненавидим. Хаксли боялся, что нас погубит то, что мы любим». В мире будущего жизнь каждого человека определена с рождения. Людей выращивают в пробирках и над каждой группой зародышей проводят особые манипуляции, а получившихся потом младенцев месяцами зомбируют гипнозом. Все это нужно для иерархического разделения и поддержания идеологии. Низшие касты — разнорабочих и прислугу — умышленно отупляют, внедряют им любовь к труду. Таких нужно много, поэтому их выращивают клонированием. Высшие касты — работники интеллектуального труда — создаются разными, но идеологическую промывку все равно проходят. В основу жизни человечества поставлено получение удовольствий. Крайне невежливо и даже в каком-то смысле запрещено отказываться от плотских утех. В свободное от работы время не полагается быть одному, а нужно тусоваться в компании и играть в игры. Если у человека возникают негативные эмоции: страх, грусть, обида, скука, то он должен принимать специальный синтетический наркотик под названием Сома. Я думаю, автор вдохновился латинским словом somnus — то есть сон. И правда, люди живут в постоянном полусне. Даже без учёта сюжета это восхитительная вселенная, которая с помощью гиперболизации говорит о нашем с вами мире. И даже более — о сегодняшнем, мире 2021 года, нежели о времени написания романа. В 1932-м представить круглосуточно работающий экран с развлекательным медиаконтентом в каждом доме было сложно, но сейчас — вы и сами знаете. Да и то, что называют сексуальной свободой, за сто лет изрядно развилось. Книга, кстати, очень хорошо демонстрирует суть работы идеологии и религии. Какие-то вещи видятся нам абсурдными просто потому, что мы воспитаны иначе. Так, например, в мире романа считается не очень правильным иметь МАЛО половых партнёров. Люди обсуждают там вопиющее поведение тех, кто недостаточно часто меняет сексуальные связи. В точности, как в нашем обществе критикуют тех, у кого, наоборот, много таких связей. С точки зрения работы идеологической и воспитательной машины в наших головах разницы между «много» и «мало» нет, но когда читаешь это, думаешь, что происходящее в тексте — полный абсурд. Аналогично автор описывает полностью выдуманные религиозные обряды, которые смотрятся максимально дико и глупо. Но, вы уже поняли, по сути разницы с существующими у нас религиозными обрядами нет. Только по форме. Отдельно мне понравилось, как менялся образ персонажей в моем восприятии с течением сюжета. Только я начинал проникаться к кому-то из них симпатией и видеть проблески настоящего человека, как автор показывал, что идеологическая или религиозная обработка неизбежно властна над всеми: персонаж проявлял себя с какой-то не лучшей запрограммированной стороны. В конце книги есть длинный эпизод, когда главный управляющий объясняет героям причины и преимущества построения подобного общества. И его аргументация очень сильна, мне даже особо нечего возразить, что весьма печально. У Оруэлла было понятно, что структура мира даёт выгоду только небольшой группе элит, а для остальных является нежелательной, но здесь с этим гораздо сложнее. Люди даже в нашей реальности без всяких пробирок видят счастье в тупости и примитивизме, любят бесконтрольное потребление и расслабляющие вещества, с удовольствием предаются абсурдным обрядам, не переосмысливают критически свою идеологию. Если Оруэлл описывает фантастический и ужасный мир, который ты воспринимаешь, как нечто далёкое и несуществующее, то у Хаксли фантастический и ужасный мир сшит из кусков объективной реальности вокруг нас, которая ещё и с каждым годом содержит подходящих кусков всё больше. #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