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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #588 · 8.10

Знаком ли вам термин "Неблагополучная семья"? Мне всегда казалось, что это такой народный симулякр в головах русских людей. Еще со времен школы были слухи про разных детей, что они, вот, из неблагополучной семьи. В моем личном представлении речь шла о каких-нибудь алкоголиках, хотя были и те, для кого этот термин обозначал очень бедную семью. Сейчас мне кажется, что речь идет о семье, в которой родителям на своих детей плевать, они ими никак не занимаются и не переживают об их состоянии. Хотя, в богатых семьях такое бывает, но назвать богатую семью термином "неблагополучная" трудно. Гугл выдаёт алглоязычную статью dysfunctional family, где, как мне кажется, во главу угла поставлено насилие и конфликты. Хотя упоминание о пренебрежении родительскими обязанностями тоже есть. Однако, не могу отделаться от ощущания, что у них там вопрос домашнего насилия рассматривается чаще, а вопрос, например, алкоголизма — реже, поэтому понимание термина смещено. Но ведь ходят же дети "из неблагополучных семей" в школы. Это надо как минимум ребенка одеть, снабдить тетрадками, записать в школу. Родители потрудились сделать это. В чем же тогда неблагополучность? Я просто недавно услышал снова эту фразу и задумался, вот, решил поделиться размышлениями. Может быть, у вас тоже какие-то мысли есть? #life

Hashtags

Резултати

Намерени 20 подобни публикации

Търсене: #train

当前筛选 #train清除筛选
Voir de ses propres yeux

@voir_yeux · Post #12448 · 07.04.2026 г., 14:03

🇫🇷 La situation sur les lieux de la collision entre un train à grande vitesse (TGV) et un poids lourd transportant du matériel militaire dans la commune de Nœux-les-Mines (Pas‑de‑Calais), dans le nord de la France. #france#train#collision

Machinelearning

@ai_machinelearning_big_data · Post #9694 · 19.03.2026 г., 09:05

🌟Unsloth Studio: опенсорный no-code веб-интерфейс для LLM. Unsloth Studio - это локальный комбайн, который объединяет подготовку данных, обучение, инференс и экспорт модели в одном месте. Под капотом кастомные Triton-ядра с собственным backprop. По сравнению со стандартными CUDA-реализациями это дает 2х прирост скорости обучения и снижение потребления по VRAM на 70%. Поддерживаются полный файн-тюнинг, претрейн, LoRA, QLoRA, 4-bit, 16-bit и FP8. Всего совместимо более 500 моделей, включая Llama 4, Qwen 3.5 и Gemma 3. Для работы с данными есть визуальный нодовый редактор Data Recipes. Studio принимает PDF, DOCX, CSV и JSONL, генерирует синтетические датасеты и автоматически конвертирует данные в форматы ChatML или Alpaca. Помимо стандартного SFT, Studio умеет в GRPO, которая не требует отдельной critic-модели и потребляет на 80% меньше VRAM, что делает обучение ризонинг-моделей реалистичным на локальном железе. Модели на 8B и 70B параметров (например, Llama 3.1, Llama 3.3, DeepSeek-R1) можно файн-тюнить на одной RTX 4090 или 5090, а не на кластере, но есть и поддержка multi-GPU. В режиме инференса Studio умеет: tool calling, выполнение кода прямо в чате, работу с изображениями, аудио, PDF и DOCX. Из коробки - веб-поиск и автонастройка параметров инференса. Экспорт результатов - одной кнопкой в GGUF, vLLM или Ollama. Studio сама мерджит LoRA-адаптеры с базовой моделью. Работает на Windows, Linux и macOS (на Mac пока только инференс, поддержка MLX-обучения анонсирована), есть Docker. AMD-пользователи могут обучать через Unsloth Core, поддержка в Studio обещана позже. 📌Лицензирование: AGPL-3.0. 🟡Документация 🖥Github @ai_machinelearning_big_data #AI#ML#LLM#Framework#Train#UnslothStudio

12
ПредишнаСтр. 1 от 2Следваща