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 1 подобни публикации

Търсене: #smallmodel

当前筛选 #smallmodel清除筛选
Machinelearning

@ai_machinelearning_big_data · Post #8975 · 12.11.2025 г., 13:03

⭐VibeThinker-1.5B - миниатюрная модель, которая показывает SOTA-результаты в задачах рассуждения. 🚀Производительность: одна из лучших на AIME24/25 и HMMT25 - превосходит DeepSeek R1-0120 по математическим задачам и опережает модели такого же размера в соревновательном программировании. ⚡Эффективность: всего 1.5B параметров. то есть в 100–600 раз меньше, чем гиганты вроде Kimi K2 и DeepSeek R1. 💰Стоимость: полный пост-тренинг обошёлся всего в $7.8K, примерно в 30–60 раз дешевле, чем у DeepSeek R1 или MiniMax-M1. Модель основана на Spectrum-to-Signal Principle (SSP) и MGPO-фреймворке, оптимизирующих процесс рассуждения. 📦Model:https://huggingface.co/WeiboAI/VibeThinker-1.5B 💻GitHub:https://github.com/WeiboAI/VibeThinker 📄Arxiv:https://arxiv.org/abs/2511.06221 @ai_machinelearning_big_data #AI#LLM#Reasoning#OpenSource#SmallModel