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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #606 · 23.10

Вы, скорее всего, уже читали, что Netflix с ноября вводит новый тариф: дешевле, чем остальные ($7 в месяц против $14 за обычный тариф), но с рекламой в начале и в середине фильма. Прикиньте, платишь за Нетфликс, а смотришь телевизор. Ад, в который я не очень хочу возвращаться: в детстве возможностей смотреть кино или мультики, кроме как по телевизору, особо не было. Да, был видеомагнитофон, но не будешь же каждый день себе новую кассету покупать. А на российском телевидении не слишком уважали время зрителя: реклама была часто и длинная, за фильм 4-5 вставок по несколько минут. Причем, худшая реклама это та, которая переключает ваш фокус внимания и блокирует доступ к контенту, который вас на самом деле интересует. Баннер сбоку страницы не мешает вам читать статью и не выдёргивает вас из текста. Баннер посреди статьи не мешает читать, но переключает ваше внимание на время. А всплывающий баннер поверх страницы — и читать мешает, и внимание переключает. Представьте, если его невозможно закрыть несколько минут, а ещё он со звуком — никто бы на такие сайты в здравом уме не стал бы ходить. Но в девяностых мы так смотрели фильмы по телевизору, это была неизбежная реальность, у которой практически не было альтернатив именно с точки зрения регулярного просмотра. Это из тех ситуаций, про которые ясно: тогда тебе не казалось происходящее чем-то ужасным, но когда ты ощутил, насколько бывает лучше, возвращение назад стало бы страданием. Например, я не могу представить, как мы жили без сервисов такси, но жили же. И с ужасной длинной неотключаемой нетаргетированной рекламой тоже жили, хотя сейчас мысли о ней вызывают ужас. Но аналитики Нетфликс считают, что достаточное число людей будут готовы смотреть рекламу, чтобы не платить на $7 в месяц больше. В мобильных играх вроде как похожая статистика: за избавление от рекламы платят около 20% постоянных игроков, остальные смотрят неотключаемые прероллы. И вообще, отсутствие платного тарифа у соцсетей и других сервисов говорит само за себя. Почему не существует платного Инстаграма без рекламы? Меня это очень сильно удивляет, и, на мой взгляд, это одно из следствий каких-то глубинных проблем современного человека: согласие на что-то плохое и неприятное, потому что трата денег ощущается как более плохое и неприятное. Хотя, если подумать, вот математика для Нетфликса: допустим я смотрю две серии любимого сериала в день, получаю около минуты рекламных вставок в каждой, итого это час времени в месяц. То есть я могу отдать час за $7. Конечно, не все люди получают $7 в час, даже в западном мире, хотя средняя зарплата в США после налогов около $15-20 в час. И это на работе, занимаясь более приятным делом, чем просмотр рекламы. Как ни крути: если человек беден, он вообще на платные развлекательные сервисы не должен подписываться, а искать бесплатные или дешёвые альтернативы, но ещё лучше — заниматься своей жизнью, пытаться поднимать доходы. Если же он обычный человек с работой и зарплатой, то почему он в принципе может предпочесть смотреть рекламу, а не заплатить за её отсутствие? Как и почему мысль работает в эту сторону? Я уверен, мир в целом стал бы лучше, если бы люди научились не соглашаться на подобное. P.S. Но русских Нетфликс забанил, так что я их послал. Привет, Кинопаб :) #web#life

Hashtags

Резултати

Намерени 3 подобни публикации

Търсене: #longcontext

当前筛选 #longcontext清除筛选
Machinelearning

@ai_machinelearning_big_data · Post #8519 · 11.09.2025 г., 18:21

🚀 Релиз:Qwen3-Next-80B-A3B - эффективная модель заточенная на работа работу с очень длинным контекстом! 🔹80B параметров, но активируется только 3B на токен → тренировка и инференс 10x дешевле и быстрее, чем у Qwen3-32B (особенно при 32K+ контексте). 🔹Гибридная архитектура: Gated DeltaNet + Gated Attention → сочетает скорость и точность. 🔹Ultra-sparse MoE: 512 экспертов, маршрутизируется 10 + 1 общий. 🔹Multi-Token Prediction → ускоренное speculative decoding. 🔹 По производительности обходит Qwen3-32B и приближается к Qwen3-235B в рассуждениях и long-context задачах. 🟢Qwen3-Next-80B-A3B-Instruct показатели почти на уровне 235B flagship. 🟢Qwen3-Next-80B-A3B-Thinking превосходит Gemini-2.5-Flash-Thinking. ▪Попробовать: https://chat.qwen.ai ▪Анонс: https://qwen.ai/blog?id=4074cca80393150c248e508aa62983f9cb7d27cd&from=research.latest-advancements-list ▪ HuggingFace: https://huggingface.co/collections/Qwen/qwen3-next-68c25fd6838e585db8eeea9d ▪ ModelScope: https://modelscope.cn/collections/Qwen3-Next-c314f23bd0264a ▪Kaggle: https://kaggle.com/models/qwen-lm/qwen3-next-80b ▪ Alibaba Cloud API: https://alibabacloud.com/help/en/model-studio/models#c5414da58bjgj @ai_machinelearning_big_data #AI#LLM#Qwen#DeepLearning#MoE#EfficientModels#LongContext#Reasonin

Machinelearning

@ai_machinelearning_big_data · Post #9395 · 19.01.2026 г., 07:10

✔️ Sakana AI придумали, как LLM самим сортировать контекст по важности Обычные языковые модели читают текст как одну длинную ленту. Что ближе к началу внимания - то “важнее”. Что дальше - то модель видит хуже. И тут появляется проблема: если важный факт спрятан где-то далеко среди шума, модель может его просто не использовать. Она тратит внимание на всё подряд, вместо того чтобы сосредоточиться на главном. Sakana AI предложили решение - RePo (Context Re-Positioning). Идея очень понятная: модель получает модуль, который позволяет динамически “перепозиционировать” контекст. Примерно как человек: ты читаешь длинный документ, понимаешь, что важная часть была 20 страниц назад - и мысленно перечитываешь её, а лишнее игнорируешь. Что делает RePo - подтягивает важные куски информации ближе - отодвигает шум и лишний текст - помогает вниманию модели фокусироваться на нужном В модели есть обучаемый модуль, который **переназначает позиции токенов по смыслу**, а не по порядку ✅ важно = то, что помогает уменьшать ошибку модели и правильно решать задачу ❌ второстепенно = то, что не помогает (шум), поэтому “отодвигается” по позициям В результате модель с такой памятью начинает лучше работать там, где LLM обычно страдают: - когда контекст длинный - когда много шума - когда важные детали раскиданы далеко друг от друга - когда данные структурированные (таблички, списки, правила) Авторы показывают, что RePo даёт заметный прирост устойчивости, при этом не ухудшая общее качество. ▶️ Устойчивость к шуму (Noisy Context) Средний результат по 8 noisy-бенчмаркам: - Обычный RoPE: 21.07 - RePo: 28.31 🟡 Прирост: +7.24 пункта (сильно) Авторы отдельно фиксируют ключевую цифру: на noisy-eval (4K контекст) RePo лучше RoPE на +11.04 пункта. 🔥 Примеры прироста на конкретных задачах (везде RePo > RoPE) - TriviaQA: 61.47 → 73.02 (+11.55) - GovReport: 6.23 → 16.80 (+10.57) - 2WikiMultihopQA: 23.32 → 30.86 (+7.54) - MuSiQue: 7.24 → 13.45 (+6.21) Это шаг к моделям, которые не просто “читают что дали”, а умеют сами организовать свою рабочую память. 🟡Подробности: pub.sakana.ai/repo/ 🟡Статья: arxiv.org/abs/2512.14391 @ai_machinelearning_big_data #RePo#SakanaAI#LLM#AI#AIAgents#Context#LongContext#Attention

Neuron | OnlyFAST

@neuron_skills · Post #1643 · 11.07.2025 г., 14:48

📊 AI-автоматизация на страже новостей! За период 07.07.2025 – 10.07.2025 наша система автоматически проанализировала для вас: 191 топовый сабреддит 449 Twitter-аккаунтов 29 Discord-серверов (226 каналов, 12 761 сообщений) ⏳ Экономия вашего времени: Если бы вы читали это вручную со скоростью 200 слов в минуту, ушло бы целых 806 минут — а так, всё самое важное уже собрано в одном месте! tags: companies #xai#perplexityai#langchain#cursor#cline models #grok4#grok4heavy#claude4opus topics #modelreleases#benchmarking#longcontext#modelpricing#modelintegration#voice#performance#scaling#gpuoptimization people’s #elonmusk#aravsrinivas#igorbabuschkin#yuchenj_uw