Твиттер анонсировал редактирование твитов для платных подписчиков. Кто не знает: это предельно базовая функция, которую десятилетия просило подавляющее большинство активных твиттерян. "Редактирование твитов" было чем-то вроде высказывания "Карфаген будет разрушен" из известного фразеологизма.
И вот его вроде как вводят. Только за деньги и только в первые полчаса после публикации.
Здесь я хочу вспомнить об альтернативах. Позавчера был спор в Телеграме об айфонах и о том, можно ли называть монополией что-то, формально имеющее альтернативы. Так вот: отсутствие редактирования твитов причиняло многим активным пользователям феерические неудобства. Как вы думаете, ушли ли они в какую-то альтернативную соцсеть? А, может, сделали свою и довели до того же уровня популярности?
На самом деле администрация твиттера могла всё это время делать с пользователями почти что угодно и причинять неудобства любого уровня. Таких случаев было немало: кропы картинок на десктопе, закрытие API для кастомных клиентов, бан Трампа и т.д. Пользователей могли ставить раком десятками способов, и они бы всё равно никуда не делись. Угадайте, почему.
P.S. В январе я вам писал, а позже ещё моя знакомая Лена Савинова независимо от меня пришла к тем же выводам, что в Твиттере очень много нытья и страданий. Думаю, вместо нытья об отсутствии редактирования твитов теперь будет нытьё о платности этого редактирования. Запомните этот твит.
#web
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