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
Image to Text OCR is a utility website made by Alejandro Akbal for extracting text from any image using #OCR.
This tool was made for those moments where you take a photo of some text and wish you could have it digitally.
https://github.com/AlejandroAkbal/Image-to-Text-OCR
Online: https://image-to-text-ocr.netlify.app/
🦉 LightOnOCR-1B: новая быстрая OCR-модель от LightOn
Модель дистиллирована из Qwen2-VL-72B-Instruct и обучена на корпусе из 17.6 млн страниц / 45.5 млрд токенов.
🔥 Главное:**
-1 B параметров
- позволяет обрабатывать 5.7 страниц/с на одном H100 (это примерно ≈ 493 000 страниц за день)
- Распознаёт таблицы, формы, уравнения и сложные макеты
- 6.5× быстрее dots.ocr, 1.7× быстрее DeepSeekOCR
- Расходы < $0.01 за 1000 страниц A4
📊 Качество (Olmo-Bench):
- Превосходит DeepSeekOCR
- Сопоставима с dots.ocr (при этом модель в 3 раза меньше по весу)
- +16 пт к Qwen3-VL-2B-Instruct
Эта моделька - отличный баланс качества, скорости и стоимости.
🟢Модель 1B: https://huggingface.co/lightonai/LightOnOCR-1B-1025
🟢Модель 0.9B (32k): https://huggingface.co/lightonai/LightOnOCR-0.9B-32k-1025)
🟢Блог LightOn:https://huggingface.co/blog/lightonai/lightonocr
🟢Демка: https://huggingface.co/spaces/lightonai/LightOnOCR-1B-Demo
@ai_machinelearning_big_data
#ocr#ml
📄 DeepSeek-OCR - модель для распознавания текста 🔍
DeepSeek выпустили мощную OCR-модель, способную преобразовывать изображения документов прямо в Markdown или текст.
Что умеет:
- Распознаёт текст на изображениях и в PDF
- Работает с документами, таблицами и сложными макетами
- Поддерживает разные режимы: Tiny, Small, Base, Large
- Оптимизирована под GPU (PyTorch + CUDA 11.8)
- MIT-лицензия — можно свободно использовать и модифицировать
DeepSeek-OCR достигает высокой точности и эффективности за счёт компрессии визуальных токенов. На Omnidocbench - лучшая точность при минимуме визуальных токенов, превосходит другие OCR-модели по эффективности и скорости.
🟠HF: https://huggingface.co/deepseek-ai/DeepSeek-OCR
🟠Github: https://github.com/deepseek-ai/DeepSeek-OCR
🟠Paper: https://github.com/deepseek-ai/DeepSeek-OCR/blob/main/DeepSeek_OCR_paper.pdf
@ai_machinelearning_big_data
#ocr#DeepSeek