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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #389 · 21.06

Я уже месяц не могу оторваться от игры Satisfactory. Чувствую себя наркоманом, "Могу бросить в любой момент" :) Вы, наверное, слышали про Factorio — это такая инди-игра 2016 года о строительстве фабрик. Она в своё время взорвала сцену, получила высочайшие рейтинги. Но внешний вид и реализация у неё довольно простые. А вот Satisfactory это последователь жанра с полноценной красивой и технологичной 3D графикой на Unreal Engine. Вы человек на необитаемой планете, где вам доступны разного рода ресурсы (например, железная руда, сера, нефть итд) и средства добычи, преобразования и автоматизации, улучшающиеся со временем. Есть способ возводить различные постройки, у которых разная стоимость в ресурсах. Например, можно собрать машину, которая превращает железную руду в подготовленные железные слитки, но для этого нужно сначала вручную из руды сделать N таких слитков, а потом из них прутки и пластины. Количество доступных к производству деталей и машин растёт почти в геометрической прогрессии, но и ваша необходимость делать разные вещи тоже. Грубо говоря, в начале игры иметь 10 железных прутков в минуту это много. А в середине игры нужно уже 1000 железных прутков в минуту. Игра уже 5 лет в раннем доступе, в ней до сих пор есть баги, и видно, что какие-то куски не доделаны. Но то, что сделано, офигенно круто. Если вам знаком термин "технопорно", то вот оно: это игра-конструктор технопорно. Своего рода "Майнкрафт", но с крутой графикой, и в котором у строительства есть как цель, так и оптимальное состояние. Это игра для гиков, у которых есть тяга к организации и систематизации. Она заходит не всем, многие относятся к таким вещам абсолютно прохладно. Но других затягивает очень сильно. Я вот не могу оторваться, наиграл уже 70 часов за месяц — это больше, чем в любой другой игре за последние 5-10 лет. А на ютубе видел ролики от людей, у которых тысячи часов, страшно представить эту цифру! Нельзя закончить улучшать и оптимизировать фабрику, можно лишь перестать это делать :) Тот факт, что игра концентрирует склонных к организации гиков, имеет интересное косвенное следствие. Я наткнулся на вики по игре, и там просто фантастика: люди пишут формулы расчёта потоков сырья, рисуют схемы каскадных делителей, балансировщиков и манифольдов, приводят таблицы с цифрами. Такой подробной и проработанной технической документации я не видел даже в проектах от крупных корпораций! Есть ещё вебсервисы с инструментарием под эту игру. В общем, я подсел плотно, сейчас на третьей фазе лифта. На скриншотах чуть-чуть можно увидеть мой прогресс по размеру и дизайну фабрик, но уже есть планы, как сделать сильно лучше. Напишу в будущем ещё пару постов. Всё-таки это технарская игра, а у меня технарский блог :) #games#satisfactory

Резултати

Намерени 1 подобни публикации

Търсене: #maitrix

当前筛选 #maitrix清除筛选
Machinelearning

@ai_machinelearning_big_data · Post #7957 · 04.07.2025 г., 13:03

🌟WM-ABench: тестирование VL-моделей на понимание физики реального мира. Мaitrix Org разработали WM-ABench, бенчмарк для оценки VLM в качестве так называемых «моделей мира». Идея проста: проверить, насколько хорошо топовые модели способны не просто распознавать картинки, а понимать окружающую действительность и предсказывать ее изменения. Создатели, опираясь на когнитивную науку, создали фреймворк, который тестирует 15 самых популярных моделей по 23 параметрам, разделяя процесс на 2 ключевых этапа: восприятие и прогнозирование. В основе бенчмарка - огромный датасет из более чем 100 тысяч примеров, сгенерированных в 6 различных симуляторах, от ThreeDWorld и Physion до Carla. Чтобы модели не искали легких путей и не полагались на поверхностные совпадения, в тест добавили «сложные негативы» - контрфактические состояния, которые заставляют систему действительно анализировать происходящее. Весь процесс был разделен на оценку восприятия (распознавание объектов, пространства, времени, движения) и прогнозирования (симуляция физики, транзитивный и композиционный вывод). Для калибровки сложности задач были установлены базовые показатели, основанные на результатах людей. 🟡Результаты. С простым визуальным восприятием, то есть с определение цвета или формы, все модели справляются отлично. Однако когда дело доходит до трехмерного пространственного мышления, динамики движения или временных последовательностей, начинаются серьезные проблемы. Выяснилась и другая любопытная деталь: VLM склонны «спутывать» физические понятия. Например, если в сцене изменить только цвет объекта, модель может внезапно ошибиться в оценке его размера или скорости. Оказалось, что цвет и форма являются самыми влиятельными атрибутами, которые искажают восприятие других, не связанных с ними характеристик. 🟡Но главная проблема кроется глубже. Точное восприятие мира совершенно не гарантирует точного прогноза. Исследование показало, что даже при идеально верном распознавании текущего состояния сцены модели проваливают предсказание физических взаимодействий. Разрыв с человеческими способностями явный: в задачах на транзитивный вывод он достигает 46%, а композиционный вывод выполняется на уровне случайного угадывания. 🟡Бенчмарк подсветил фундаментальный недостаток: У современных VLM отсутствуют базовые знания физики, необходимые для симуляции даже простейших событий. Они видят мир, но не понимают, по каким законам он живет. 📌Лицензирование: Apache 2.0 License. 🟡Страница проекта 🟡Arxiv 🟡Датасет @ai_machinelearning_big_data #AI#ML#VLM#Benchmark#Maitrix