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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #399 · 25.06

Когда я впервые наткнулся на чит-коды в игре, мне было, кажется, лет 10-11. Я играл тогда в Quake II на самом первом семейном компьютере, и кто-то из старших друзей рассказал мне, что можно нажать кнопку с буквой Ё и ввести GOD, тогда не будешь умирать от выстрелов врагов. Я попробовал и удивился. «Почему авторы игры сделали такой простой способ выиграть?» — подумал тогда я. «Почему код это простое слово, а не какая-то длинная цифробуквенная комбинация, которую держат в секрете? Неужели авторы игры не хотели, чтобы игроки не узнали о существовании этого кода? Ведь тогда очень легко выиграть в эту игру, и все будут использовать код!» Я разумом не очень понимал тогда, что, в общем-то, суть игры как раз в создании для самого себя некоторых сложностей. С моей детской точки зрения игра была внешней средой, которая создаёт сложности, а я их должен преодолеть. Я не понимал, что разработчики без проблем могли сделать в игре кнопку «Выиграть», и её никто бы не нажимал, потому что люди играют в игры не для этого. Вообще, хороший баланс между сложностью и интересностью это как раз-таки отдельная не слишком простая задача в разработке игр. Я быстро узнал ещё про коды NOCLIP (проходить сквозь стены) и GIVE ALL (всё оружие). Я посмотрел всё оружие в игре, побегал по уже открытым уровням и забросил игру. Так я Quake II в своей жизни и не прошёл, хотя он мне тогда очень нравился, и вообще это была чуть ли не единственная игра на компьютере. И я не понимал, почему его бросил, а понял уже потом, через много лет. Подозреваю, в жизни что-то похожее: нужен баланс между сложностью и интересностью. Если вам сложно, вы выживаете и каждый день сражаетесь за существование, то жить вам тяжело и не слишком приятно. Но и если всё легко, вы не сталкиваетесь ни с какими серьёзными проблемами, у вас есть всё желаемое по волшебству — жить тоже не будет слишком интересно, по крайней мере, в перспективе. P.S. Там вроде как давно уже выпустили Quake II RTX с обновлённой графикой. Надо бы, наверное, скачать заценить, как время будет. И читы не вводить ни в коем случае. #games

Hashtags

Резултати

Намерени 3 подобни публикации

Търсене: #retrieval

当前筛选 #retrieval清除筛选
GitHub Trends

@githubtrending · Post #15265 · 03.11.2025 г., 12:00

#python#ai#llm#rag#reasoning#retrieval PageIndex is an advanced AI tool that helps you find the most relevant information in long professional documents by thinking and reasoning like a human expert, rather than just matching keywords. It organizes documents into a clear tree structure, similar to a table of contents, and searches through this structure to give precise, trustworthy answers with exact page references. This method avoids the common problems of traditional vector-based search, making it ideal for complex reports, legal texts, or financial filings. You can use it easily via cloud services or run it locally, improving your ability to analyze and understand large documents quickly and accurately. https://github.com/VectifyAI/PageIndex

Machinelearning

@ai_machinelearning_big_data · Post #8801 · 17.10.2025 г., 10:13

⚡️ Omni-Embed-Nemotron - новая единая модель от NVIDIA для поиска по тексту, изображениям, аудио и видео Модель обучена на разнообразных мультимодальных данных и может объединять разные типы входных сигналов в общее векторное представление. - Поддержка всех типов данных: текст, изображение, аудио, видео. - Основана на архитектуре Qwen Omni (Thinker-модуль, без генерации текста). - Контекст - до 32 768 токенов, размер embedding — 2048. - Оптимизирована под GPU, поддерживает FlashAttention 2. Это делает её идеальной для: - кросс-модального поиска (поиск текста по видео или изображению); - улучшения RAG-проектов; - систем мультимодального понимания контента. Просто, быстро и эффективно - всё в одном открытом решении. 🌐 Открытая модель: https://huggingface.co/nvidia/omni-embed-nemotron-3b @ai_machinelearning_big_data #crossmodal#retrieval#openAI#NVIDIA#OmniEmbed#multimodal#AIModels#OpenSource#Search#UnifiedEmbedding