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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #654 · 16.11

Пытаюсь решить организационно-логистическую задачу в #Satisfactory. Может быть, умные люди (вы) мне дадите интересные советы. Я уже открыл практически все типы деталей, они довольно сложные, и для производства многих из них нужны целые цепочки: добыть ресурс А в одном месте и ресурс B в другом, потом сделать из них детали C и D, из этой пары получить деталь E, добыть ещё ресурс F, соединить, смешать с водой... В каком-то месте эти цепочки удобно разрывать (то есть не строить всё на одной фабрике, а растаскивать фабрики по карте). Потому что, во-первых, с гигантской базой, производящей все типы всех деталей, банально неудобно работать. Во-вторых, её тяжело масштабировать. Хотя у этого решения есть плюсы, и некоторые так делают, лично я идти по такому пути не хочу. Но в каком месте рвать цепочки? Глобально есть две крайности: 1. Можно делать по фабрике на каждое звено производства. Например, фабрика, которая делает деталь E, должна принимать на вход детали C и D, и всё. Такая схема очень легко масштабируется: небольшую фабрику очень просто расширять. А детали возить между фабриками поездами. Но тогда потребуется типа 100 разных фабрик и очень сложная железнодорожная сеть. 2. Можно в каждую фабрику привозить сырьё. Только то, что невозможно произвести, а можно только добыть. Фабрика делает с нуля из сырья все детали, в том числе для промежуточных звеньев. Такую схему очень легко балансировать: один раз посчитал, сколько нужно сырья, и всё. Но фабрики для сложных деталей будут громоздкие. А ещё если деталь C нужна в десяти местах то придётся десять раз повторить всю цепочку производства детали C, а можно было бы в одном месте делать очень много деталей C и возить. Мне не нравятся оба варианта, значит, рвать цепочку нужно где-то посередине. Но где? #games

Резултати

Намерени 1 подобни публикации

Търсене: #efficientmodels

当前筛选 #efficientmodels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