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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #502 · 13.08

Несколько дней назад студия Тёмы Лебедева опубликовала свою нейросеть по созданию логотипов «Николай Иронов» на сайте Product Hunt. Product Hunt это англоязычная площадка для демонстрации своих продуктов, в основном в цифровой и технологической сфере. Пользователи площадки могут ставить продуктам оценки и пояснять их с помощью тегов и комментариев. Вопрос «зачем пропагандист Лебедев полез на фактически американскую площадку со своим продуктом сейчас» оставим за скобками. Но факт в том, то оценку «Николаю Иронову» довольно быстро уронили с комментариями в стиле: «Не буду поддерживать продукт, чей автор поддерживает Путина». Саму нейросетку при этом комментирующие даже особо не смотрели. С одной стороны, особенности ведения бизнеса в США действительно на чисто формальном уровне стараются связать между собой репутацию компании и её продукты. На том же Product Hunt есть даже такой тег: «Negative company mission», и люди его ставят, объясняя свою низкую оценку. Продукт может быть замечательный, но если у компании заявлена некоторая Negative mission, то всё. К реальным действиям компании это имеет мало отношения. Facebook может сколько угодно проигрывать суды по воровству персональных данных, но если в его публичном слогане розовые пони и радуги, то это с точки зрения американского (и во многом европейского) потребителя — хорошая добрая компания с позитивной миссией. С другой стороны, Porsche делала танки Гитлеру, но это никого не волнует, и автомобили концерна высоко ценятся по всему миру, люди их любят и покупают. Танки были не очень, как мы помним, наши ИСы и Тэшки их разбирали только так. Но вот автомобили и правда крутые, быстрые, комфортные. Подумаешь, компания выжила на кровавые деньги. С третьей стороны, Тёма так далеко зашёл с высказыванием своей "особенной" позиции, что рано или поздно ему должно было за это откуда-то прилететь. Так что, ситуация в целом, конечно, далека от справедливости, но доля этой самой справедливости в ней есть. #web

Hashtags

Резултати

Намерени 2 подобни публикации

Търсене: #faiss

当前筛选 #faiss清除筛选
GitHub Trends

@githubtrending · Post #15295 · 11.11.2025 г., 17:00

#python#ai#faiss#gpt_oss#langchain#llama_index#llm#localstorage#offline_first#ollama#privacy#python#rag#retrieval_augmented_generation#vector_database#vector_search#vectors LEANN is a tiny, powerful vector database that lets you turn your laptop into a personal AI assistant capable of searching millions of documents using 97% less storage than traditional systems without losing accuracy. It works by storing a compact graph and computing embeddings only when needed, saving huge space and keeping your data private on your device. You can search your files, emails, browser history, chat logs, live data from platforms like Slack and Twitter, and even codebases—all locally without cloud costs. This means fast, private, and efficient AI-powered search and retrieval on your own laptop. https://github.com/yichuan-w/LEANN

GitHub Trends

@githubtrending · Post #15168 · 25.09.2025 г., 12:30

#python#ai#context#embedded#faiss#knowledge_base#knowledge_graph#llm#machine_learning#memory#nlp#offline_first#opencv#python#rag#retrieval_augmented_generation#semantic_search#vector_database#video_processing Memvid lets you store millions of text pieces inside a single MP4 video file using QR codes, making your data 50-100 times smaller than usual databases. You can search this video instantly in under 100 milliseconds without needing servers or internet after setup. It works offline, is easy to use with simple Python code, and supports PDFs and chat with your data. The upcoming version 2 will add features like continuous memory updates, shareable capsules, fast local caching, and better video compression, making your AI memory smarter, faster, and more flexible. This means you get a powerful, portable, and efficient way to manage and search huge knowledge bases quickly and easily. https://github.com/Olow304/memvid