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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #381 · 13.06

Семь откровений для меня о нашем дорожном движении. На одометре уже более 1500 км. Конечно, по меркам тех, кто ездит на автомобиле на работу, это мало. Но я до сих пор считаю, что в качестве регулярного транспорта автомобиль подходит только для редких сценариев. Мои поездки это в основном КАД, ЗСД, область, передвижение между окраинными точками. В город стараюсь не соваться. Но иногда приходится. Что я заметил, чего раньше не знал или не замечал: 1. Люди не сильно заморачиваются относительно своего положения в полосе. Раньше я боялся, что моё пока не развитое чувство габаритов будет мешать мне ехать по центру полосы. Но очень многие едут не по центру, и им пофиг. 2. На сигнал обычно плевать. Ещё ни разу, услышав сигнал какого-то другого водителя, я не идентифицировал ни его источник, ни причину возникновения. «Просто какой-то нервный тип гудит» — вот так это ощущается. 3. Самое часто нарушаемое правило, кроме скоростного режима — знак 5.15.1 «Направления движения по полосам». Кажется, на него водители кладут самый большой болт, который возможно. Просто едут как им удобнее. 4. Очень опасных мудаков меньше, чем рассказывают, но они опаснее, чем кажется. Есть люди, полностью отбитые на голову. К сожалению, система допустила их к вождению (и вообще к нахождению на свободе, а не на лечении). Но их довольно мало, я за полгода встретил 2-3 случая критически опасных нарушений. 5. Поток по непонятной мне причине пропускает вклинивающихся мудаков. Бывает, когда водители "легально" вклиниваются в плотно стоящую колонну: например, при выезде на дорогу с прилегающей территории, при обозначенном разметкой сужении итд. Но часто удивительно большой процент водителей объезжает пробку по обочине или по полосам "только налево"/"только направо". Я не понимаю, зачем водители в основой стоящей колонне их пропускают перед собой. Это плохо и с личной точки зрения (ты сам не двигаешься вперёд, пока пропускаешь) и с общественной (поощрение мудаков). Я стараюсь в таких ситуациях максимально близко держаться к впереди идущему автомобилю и не пропускать. Но многие (прям многие!) притормаживают, давая мудиле проехать. Я не понимаю, почему. 6. Мест, где дороги спроектированы с очевидными ошибками, много, а сама ошибка становится видна после буквально одного проезда по заданному участку. Люди, которые отвечают за проектирование дорог, сами по ним не ездят, по крайней мере, будучи за рулём. 7. От припаркованного транспорта вреда для водителей не меньше, чем для пешеходов. Я думал, что водителям просто плевать на условных мам с колясками (хотя некоторые из этих мам — их жёны). Но улиц, на которых из-за припаркованных автомобилей не разъехаться самим водителям, поразительно много. Приходится подвергать опасности себя и свою машину, выполнять небезопасные маневры, которые порой не предусмотрены не только правилами, но и конструкцией автомобиля. Такого много не только во дворах, но и на внешних улицах, как на окраине, так и в центре. Тоже за пределами моего понимания. #life

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