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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #667 · 27.11

Ночью горел дом. Квартира буквально в паре этажей от нас, в том же подъезде. Впервые в моей жизни горел дом, в котором я нахожусь, да ещё и так близко. Разбудил нас датчик дыма. Верещит он очень сильно, пробивает сквозь несколько дверей легко. Я ещё давно жил на другой квартире, помню что такой датчик сработал впустую, мне пришлось вытаскивать из него батарейку. Там он был прямо в квартире, а здесь в коридоре — по-разному делают. Сейчас он сработал как надо: не бесполезная фигня. Не снимайте эти датчики. Подошли к входной двери и сразу почувствовали дым, позвонили в 112. Но, судя по всему, мы не первые позвонили, потому что машина была уже через минуту. Я поднялся по лестнице и увидел в коридоре хозяина квартиры с ребёнком. Оба были в шоке, выбежали без ничего. Хозяин явно после значительного количества спиртного. Из контекста создалось впечатление, что он курил, но не заметил, что именно и как загорелось. Возможно, проваливался в бессознанку, а очнулся, когда уже было пламя (либо его ребёнок разбудил, тут я не знаю). Не курите дома. Даже если делали это тысячу раз и совершенно уверены, что всё будет в порядке. Даже трезвыми. Просто не курите и всё. Можно помёрзнуть две минуты на общем балконе, даже спускаться никуда не нужно. Ну, а о сочетании алкоголя и курения в доме лучше промолчу. МЧСники офигенные ребята, спасибо им большое. Очень быстро и чётко сработали: приехало 4 машины пожарной службы, скорая, подняли на верёвке шланг (поднимали мимо нашего окна прям), и примерно за 30-40 минут полностью залили горевшую квартиру. Пара вещей, которые стали для меня своего рода открытием. Возможно, кому-нибудь пригодится, но желаю, чтобы не пригодилось. 1. Угарный газ распространяется быстро и во все стороны. Его просто настолько много, что он попадёт в квартиры даже через несколько этажей от места пожара, сквозь стены, потолки, перекрытия. Поэтому датчики нужны. Сейчас в доме открыты все коридоры для проветривания. 2. Воды заливают много. Так много, что она проходит вниз сквозь все этажи аж до первого, создаёт подтёки, а зимой — оледенение. Просто выхода нет: лучше быть залитым, чем сгореть или задохнуться. Сейчас, например, лифты отключены на сушку и диагностику. Вот как выходит: пожар влияет и на квартиры выше (дым, копоть) и на квартиры ниже (вода, дым в меньшей степени). Никто не погиб, к счастью. #life

Hashtags

Резултати

Намерени 4 подобни публикации

Търсене: #hallucinations

当前筛选 #hallucinations清除筛选
AI & Law

@ai_and_law · Post #512 · 24.02.2025 г., 08:04

🇨🇦Canadian Tribunal Rejects Fabricated Case Law In Canada a family couple relied on Microsoft Copilot to generate legal precedents in a condo dispute—only to discover that nine out of ten cited rulings didn’t exist. The Civil Resolution Tribunal found the cases to be AI “hallucinations,” raising serious concerns about the reliability of AI-generated legal research. While AI can streamline legal work, this case underscores a fundamental risk: without proper verification, reliance on AI-generated case law can undermine legal arguments and credibility. . #AI#LegalTech#AIEthics#Hallucinations

AI & Law

@ai_and_law · Post #819 · 04.05.2026 г., 07:04

🇿🇦South Africa Withdraws AI Policy Over Hallucinated Sources South Africa has withdrawn its draft national AI policy after discovering that at least 6 of its 67 academic citations were AI-generated and referred to non-existent journal articles. Communications Minister Solly Malatsi stated that the most plausible explanation is the inclusion of unverified AI-generated references, calling the lapse a failure that “compromised the integrity and credibility” of the policy. The draft policy had proposed establishing a national AI commission, an AI ethics board, and a regulatory authority, alongside incentives such as tax breaks and grants to support AI infrastructure. The issue was identified after News24 found fabricated citations, later confirmed by journal editors. The policy will be revised before being reissued, and the minister indicated there would be consequences for those responsible. The case highlights risks of using generative AI in policy drafting without verification. A Nature study cited in the report found that over 2.5% of academic papers in 2025 contained at least one potentially hallucinated reference, up from 0.3% in 2024, amounting to more than 110,000 papers. #AIRegulation#AIethics#Hallucinations#PublicPolicy#AIGovernance

People who eat the mushroom Lanmaoa asiatica raw or undercooked have reported seeing tiny human-like figures moving around them. These are called lilliputian hallucinations. Reports from people across different cultures and backgrounds describe similar details, including small figures walking on floors and furniture. The effects can begin 12–24 hours after eating and may last 1–3 days. Some cases are serious and require hospital care. Don't try this yourself.. 🍄😵‍💫🧚‍♀🦄🍄‍🟫 [Read more 1] [Read more 2] [Read more 3] @googlefactss #Mushrooms#ScienceFacts#Hallucinations#Nature#DidYouKnow If you have ideas or feedback contact us: @Googlefactss_Feedback_bot

Machinelearning

@ai_machinelearning_big_data · Post #8518 · 11.09.2025 г., 17:11

🔥WFGY 2.0 — Semantic Reasoning Engine for LLMs (MIT) Это движок с открытым исходным кодом, цель которого — уменьшить галлюцинации и логические сбои в системах типа RAG / LLM, особенно когда: - источники OCR-текста плохо распознаются, - происходит «semantic drift» (когда ответ уходит от вопроса), - «ghost matches», когда извлечённый фрагмент кажется релевантным, но на самом деле нет. Обычно ошибки ловят уже в готовом сгенерированном тексте, из-за чего они часто повторяются. В Semantic Reasoning Engine всё наоборот: если система видит, что рассуждения «кривые» или сбились с курса, она останавливается, сбрасывается или ищет другой путь и отвечает только когда состояние стабильно. 🛡Авторы называют это semantic firewall - семантический «файрвол». Проверки встроены прямо в процесс мышления модели, а не поверх ответа с фильтрами или регексами. Это помогает избегать ошибок до того, как они попадут в вывод. 📌 Проект включает карту из 16 типичных ошибок LLM: - неверный поиск данных, - сбившаяся логика, - «провалы памяти», - путаница ролей агентов и другие. Для каждой есть простое текстовое исправление. Никаких SDK — достаточно вставить инструкции прямо в промпт. 🟢Как модель решает, правильные ли ответ генерируется: - ΔS (drift) - не уходит ли смысл слишком далеко от шага к шагу - λ (convergence) - сходится ли рассуждение к решению или крутится в цикле - Coverage — достаточно ли фактов и аргументов учтено Если все три условия выполнены, ответ считается «качественным». 🟢В тестах стабильность вывода выросла до 90–95% против обычных 70–85% у традиционных подходов. ▪Github: https://github.com/onestardao/WFGY @ai_machinelearning_big_data #ai#llm#opensource#reasoning#hallucinations#promptengineering