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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #557 · 17.09

Продавал сегодня предыдущий телефон на Авито. Приехал мужчина, сильно старше меня. — Как он включается? — спрашивает, — у меня просто никогда не было андроида. Показал ему. А сам думаю: ну надо же, начинает не с какого-нибудь попсового Самсунга, а с дорогого флагмана от Сяоми для ценителей. После чего он сказал фразу, по смыслу примерно такую: — А то я после выпуска iPhone 14 решил не продолжать попадать в ловушку Apple, перехожу на андроид со своего iPhone 11 Pro. Рассказываю ему, что я на Mi 11 Ultra (который продаю) тоже перешёл с iPhone 11 Pro. Он спросил о впечатлениях, и я поделился всяким разным: где косяки, а где, наоборот, преимущества. Упомянул, что камера на две головы лучше айфонной. Мужчина чуть-чуть покрутил, пощелкал и купил. Удачи тебе, Прозревший :) #gadgets

Hashtags

Резултати

Намерени 3 подобни публикации

Търсене: #retrieval

当前筛选 #retrieval清除筛选
GitHub Trends

@githubtrending · Post #15265 · 03.11.2025 г., 12:00

#python#ai#llm#rag#reasoning#retrieval PageIndex is an advanced AI tool that helps you find the most relevant information in long professional documents by thinking and reasoning like a human expert, rather than just matching keywords. It organizes documents into a clear tree structure, similar to a table of contents, and searches through this structure to give precise, trustworthy answers with exact page references. This method avoids the common problems of traditional vector-based search, making it ideal for complex reports, legal texts, or financial filings. You can use it easily via cloud services or run it locally, improving your ability to analyze and understand large documents quickly and accurately. https://github.com/VectifyAI/PageIndex

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