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: #vrag

当前筛选 #vrag清除筛选
Machinelearning

@ai_machinelearning_big_data · Post #9841 · 09.04.2026 г., 13:20

🌟 VimRAG: мультимодальный RAG-агент, который держит контекст в виде графа памяти. Tongyi Lab (Alibaba Group) опубликовала VimRAG - фреймворк агентного RAG для работы с текстом, изображениями и видео. Проект развивает прошлогодний VRAG-RL и решает проблему мультимодального RAG: визуальные данные тяжелые по токенам, но семантически разрежены, а классическая ReAct-история забивает контекст шумом и провоцирует повторные бесполезные запросы к поиску. Вместо журнала наблюдений VimRAG моделирует рассуждение как динамический направленный ацикличный граф. Каждая вершина хранит подзапрос, действие агента, текстовое саммари и банк визуальных токенов. Ребра фиксируют логические зависимости между шагами. Такой граф позволяет агенту отличать тупиковую ветку от новой гипотезы и не уходить в циклы повторных поисков. 🟡Поверх графа работает Graph-Modulated Visual Memory Encoding. Бюджет визуальных токенов распределяется с учетом исходящей степени в графе, экспоненциального временного затухания (имитация забывания) и рекурсивной обратной связи от потомков. Ключевым фрагментам достается высокое разрешение, а второстепенные кадры сжимаются или отбрасываются. Для видео задействована способность VLM привязывать содержимое к временной шкале (извлечение ключевых кадров по таймкодам). 🟡Третий компонент - Graph-GPO. GGPO строит критический путь от корня к ответу и накладывает градиентную маску, исключая тупиковые узлы из положительных примеров, а ценные ретривы - из отрицательных. По графикам обучения это дает более быструю сходимость, чем базовый GSPO без прунинга. 🟡Тесты 🟢VimRAG обходит Vanilla RAG, ReAct, VideoRAG, UniversalRAG, MemAgent и Mem1 на 9 бенчмарках (HotpotQA и SQuAD до SlideVQA, MMLongBench, LVBench и XVBench). 🟢На Qwen3-VL-8B-Instruct средний скор поднимается с 43,6 до 50,1, на 4B-версии - с 40,6 до 45,2. При этом средняя длина траектории ниже, чем у ReAct и Mem1: структурированная память съедает меньше действий на ответ. В репозитории доступны: 🟠тренировочный фреймворк VRAG-RL, демо VRAG на тестовой Qwen2.5-VL-7B-VRAG через vLLM (нужна A100 80GB); 🟠демо на API Qwen3.5-Plus через DashScope (с визуализацией DAG рассуждения и расширенным ризонингом). Поисковый движок построен на FAISS и поддерживает эмбеддинги GVE-3B/7B и Qwen3-VL-Embedding-2B/8B. Индексировать можно изображения, PDF (через конвертацию) и нарезанное на чанки видео. Код трейна самого VimRAG обещают выложить после внутреннего ревью Alibaba. 🟡Arxiv 🟡Модель 🖥GitHub @ai_machinelearning_big_data #AI#ML#RAG#VRAG#TongyiLab