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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #52 · 19.06

У Каца обстоятельный ролик про самокаты. Самое главное — приводятся исследования, показывающие, что на электросамокаты чаще пересаживаются именно с автомобиля и такси, а не с общественного транспорта. Это, пожалуй, был самый неоднозначный момент в спорах, в том числе в моих дискуссиях с некоторыми людьми в комментариях под предыдущими записями. Даже фанаты автомобилей в общем-то понимают, что снижение автомобилизации города это благо для всех его жителей, включая самих автомобилистов. Но некоторые сторонники автомобилей выступали против электросамокатов с риторикой «Пусть эти люди продолжают пешком ходить / на автобусах ездить». На деле рассматривается так называемая «проблема последней мили» — перемещение от крупного транспортного узла до точки назначения. И ее очень плохо решает рейсовый общественный транспорт, но хорошо решают такси, каршеринг и, с некоторыми поправками, личные авто. Средства микромобильности, к которым относятся велосипеды и самокаты, тоже призваны решать именно эту проблему. Так что да: электросамокатчик это по статистике чаще всего не выехавший на дорогу автомобилист (на своей машине или каршеринге/такси). Впрочем, выводы Кац, разумеется, делает самые банальные, ничего не говорящие о том, как решать проблему простым жителям здесь и сейчас. Надеяться на какую-то адаптацию городов в России для людей было бы очень наивно. P.S. Недавно проехался на кикшеринге с новым ограничением 20км/ч. По субъективным ощущениям стало сильно медленнее, но по часам — не сильно медленнее. Все ещё один из самых удобных способов перемещения по городу. #life https://youtu.be/UOSOPAlxwD4

Hashtags

Резултати

Намерени 1 подобни публикации

Търсене: #crossmodal

当前筛选 #crossmodal清除筛选
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