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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #516 · 25.08

Сегодня DJI представили свой новый FPV-дрон под названием Avata. Слухи о нём были уже давно, в сеть полностью слили и его дизайн, и характеристики, так что сегодняшний анонс скорее формальность. Хочу отметить, насколько хорошо DJI проводит работу над ошибками. Мало какая крупная компания с каждым новым релизом умудряется исправить большинство критических косяков, на которые жаловались пользователи в предыдущих версиях. DJI явно мониторит комментарии сообщества и следит за отзывами. Самые серьёзные недостатки DJI FPV (первой версии FPV-дрона от них): - большой вес, из-за чего низкая маневренность - плохое качество камеры - небольшой угол обзора камеры, причём даже в такой небольшой иногда попадали винты - плохая система стабилизации Из-за трёх последних пунктов владельцы DJI FPV, и я в том числе, крепят на него сверху дополнительно GoPro, что усугубляет первый пункт и сильно уменьшает полётное время. В Avata исправили абсолютно всё: он лёгкий и манёвренный, по первым обзорам качество камеры значительно улучшили, угол тоже увеличили, и полностью переработали систему стабилизации RockSteady 2.0: теперь она тоже использует гироскоп, судя по наличию в ней режима выравнивания горизонта. Ещё из крутых вещей: новые лёгкие и более компактные очки, в которых (наконец-то!) подумали о людях с близорукостью и сделали регулировку линз; защёлка от выпадения кабеля питания очков (реально бесило); встроенная память на 20Гб. Кстати, очень характерно, что новый дрон идёт в комплекте с Motion Controller'ом, а привычного пульта вообще нет. Управлять FPV-дроном с обычного пульта можно только после обучения. Видимо, в компании подумали, что опытные люди и так купят себе нужное оборудование. Что касается Motion Controller (это такой джойстик, который двигаешь прямо в воздухе, направляя дрон в нужную точку), у меня такой есть, и он меня совершенно разочаровал — чувствительность не настолько высокая, чтоб прям летать крутые траектории, которые возможны при управлении пультом. Не знаю, улучшен ли хоть как-то этот момент в Avata, нужно ждать подробных обзоров. В любом случае, это крайне серьёзное заявление на конкуренцию с FPV-миром. Первый DJI FPV был пробой пера: он не подходил профессионалам из-за своей тяжести и неповоротливости, а новичкам было слишком дорого его разбивать. Avata же наверняка станет интересна и тем, и другим. Пожалуй, самый серьёзный возможный косяк это отсутствие взломов прошивки на разблокировку мощности передатчика. В FPV критически важно иметь стабильную связь, но в ряде стран иметь мощный передатчик запрещено, поэтому его душат на уровне прошивки. Душат сильно, летать буквально практически невозможно. Появляются народные способы взломать прошивку, но по непонятной причине компания DJI с ними борется. Хотя наличие способа взлома не нарушает никаких законов, зато многократно увеличивает привлекательность покупки для людей за пределами США и ещё пары стран, где разрешены мощные передатчики. Ну и очки. Большие очки, которые у меня, кроме DJI умеют соединяться с дронами других производителей, и поэтому иметь такие очки удобно, даже если ты не покупаешь дрон от DJI. Если новые очки будут поддерживать только Avata и ничего больше, то их полезность даже при их удобстве становится более сомнительной. Посмотрим. #drone#gadgets

Резултати

Намерени 3 подобни публикации

Търсене: #longcontext

当前筛选 #longcontext清除筛选
Machinelearning

@ai_machinelearning_big_data · Post #8519 · 11.09.2025 г., 18:21

🚀 Релиз:Qwen3-Next-80B-A3B - эффективная модель заточенная на работа работу с очень длинным контекстом! 🔹80B параметров, но активируется только 3B на токен → тренировка и инференс 10x дешевле и быстрее, чем у Qwen3-32B (особенно при 32K+ контексте). 🔹Гибридная архитектура: Gated DeltaNet + Gated Attention → сочетает скорость и точность. 🔹Ultra-sparse MoE: 512 экспертов, маршрутизируется 10 + 1 общий. 🔹Multi-Token Prediction → ускоренное speculative decoding. 🔹 По производительности обходит Qwen3-32B и приближается к Qwen3-235B в рассуждениях и long-context задачах. 🟢Qwen3-Next-80B-A3B-Instruct показатели почти на уровне 235B flagship. 🟢Qwen3-Next-80B-A3B-Thinking превосходит Gemini-2.5-Flash-Thinking. ▪Попробовать: https://chat.qwen.ai ▪Анонс: https://qwen.ai/blog?id=4074cca80393150c248e508aa62983f9cb7d27cd&from=research.latest-advancements-list ▪ HuggingFace: https://huggingface.co/collections/Qwen/qwen3-next-68c25fd6838e585db8eeea9d ▪ ModelScope: https://modelscope.cn/collections/Qwen3-Next-c314f23bd0264a ▪Kaggle: https://kaggle.com/models/qwen-lm/qwen3-next-80b ▪ Alibaba Cloud API: https://alibabacloud.com/help/en/model-studio/models#c5414da58bjgj @ai_machinelearning_big_data #AI#LLM#Qwen#DeepLearning#MoE#EfficientModels#LongContext#Reasonin

Machinelearning

@ai_machinelearning_big_data · Post #9395 · 19.01.2026 г., 07:10

✔️ Sakana AI придумали, как LLM самим сортировать контекст по важности Обычные языковые модели читают текст как одну длинную ленту. Что ближе к началу внимания - то “важнее”. Что дальше - то модель видит хуже. И тут появляется проблема: если важный факт спрятан где-то далеко среди шума, модель может его просто не использовать. Она тратит внимание на всё подряд, вместо того чтобы сосредоточиться на главном. Sakana AI предложили решение - RePo (Context Re-Positioning). Идея очень понятная: модель получает модуль, который позволяет динамически “перепозиционировать” контекст. Примерно как человек: ты читаешь длинный документ, понимаешь, что важная часть была 20 страниц назад - и мысленно перечитываешь её, а лишнее игнорируешь. Что делает RePo - подтягивает важные куски информации ближе - отодвигает шум и лишний текст - помогает вниманию модели фокусироваться на нужном В модели есть обучаемый модуль, который **переназначает позиции токенов по смыслу**, а не по порядку ✅ важно = то, что помогает уменьшать ошибку модели и правильно решать задачу ❌ второстепенно = то, что не помогает (шум), поэтому “отодвигается” по позициям В результате модель с такой памятью начинает лучше работать там, где LLM обычно страдают: - когда контекст длинный - когда много шума - когда важные детали раскиданы далеко друг от друга - когда данные структурированные (таблички, списки, правила) Авторы показывают, что RePo даёт заметный прирост устойчивости, при этом не ухудшая общее качество. ▶️ Устойчивость к шуму (Noisy Context) Средний результат по 8 noisy-бенчмаркам: - Обычный RoPE: 21.07 - RePo: 28.31 🟡 Прирост: +7.24 пункта (сильно) Авторы отдельно фиксируют ключевую цифру: на noisy-eval (4K контекст) RePo лучше RoPE на +11.04 пункта. 🔥 Примеры прироста на конкретных задачах (везде RePo > RoPE) - TriviaQA: 61.47 → 73.02 (+11.55) - GovReport: 6.23 → 16.80 (+10.57) - 2WikiMultihopQA: 23.32 → 30.86 (+7.54) - MuSiQue: 7.24 → 13.45 (+6.21) Это шаг к моделям, которые не просто “читают что дали”, а умеют сами организовать свою рабочую память. 🟡Подробности: pub.sakana.ai/repo/ 🟡Статья: arxiv.org/abs/2512.14391 @ai_machinelearning_big_data #RePo#SakanaAI#LLM#AI#AIAgents#Context#LongContext#Attention

Neuron | OnlyFAST

@neuron_skills · Post #1643 · 11.07.2025 г., 14:48

📊 AI-автоматизация на страже новостей! За период 07.07.2025 – 10.07.2025 наша система автоматически проанализировала для вас: 191 топовый сабреддит 449 Twitter-аккаунтов 29 Discord-серверов (226 каналов, 12 761 сообщений) ⏳ Экономия вашего времени: Если бы вы читали это вручную со скоростью 200 слов в минуту, ушло бы целых 806 минут — а так, всё самое важное уже собрано в одном месте! tags: companies #xai#perplexityai#langchain#cursor#cline models #grok4#grok4heavy#claude4opus topics #modelreleases#benchmarking#longcontext#modelpricing#modelintegration#voice#performance#scaling#gpuoptimization people’s #elonmusk#aravsrinivas#igorbabuschkin#yuchenj_uw