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 2 подобни публикации

Търсене: #imageediting

当前筛选 #imageediting清除筛选
Machinelearning

@ai_machinelearning_big_data · Post #8240 · 09.08.2025 г., 14:01

🖼️ GPT-Image-Edit-1.5M — крупнейший и полностью открытый датасет для редактирования изображений по тексту! 🚀 1.5 миллиона триплетов: инструкция + оригинальное изображение + отредактированное по запросу Как мы это сделали? Мы переосмыслили и усилили три известных датасета (OmniEdit, HQ-Edit, UltraEdit) с помощью новой GPT-Image API. 📊 Результаты впечатляют: Модель FluxKontext, дообученная на этом наборе, показывает: ▫️ 7.24 на GEdit-EN ▫️ 3.80 на ImgEdit-Full ▫️ 8.78 на Complex-Edit — на уровне с топовыми проприетарными решениями! 🎯 Инструкции выполняются точно, а изображения выглядят реалистично. Цель — сократить разрыв между open-source и закрытыми системами редактирования. 🔗 Подробнее: 🌐 Проект: https://ucsc-vlaa.github.io/GPT-Image-Edit/ 💻 Код: https://github.com/wyhlovecpp/GPT-Image-Edit 📦 Датасет: https://huggingface.co/datasets/UCSC-VLAA/GPT-Image-Edit-1.5M 🤖 Модель: https://huggingface.co/UCSC-VLAA/gpt-image-edit-training 📄 Статья: https://arxiv.org/abs/2507.21033 @ai_machinelearning_big_data #AI#ImageEditing#OpenSource#GPT4V#Multimodal