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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #676 · 2.12

Не выдержал и заказал один DJI O3 Air Unit, посмотрим :) FPV-квадрокоптер это летающая платформа с камерой. И эти контуры более менее друг от друга изолированы: можно снять всё, что касается видео, и по-прежнему будет летать и нормально управляться, правда, пилот не сможет ничего видеть. То есть там полётный контроллер со своим радиоприёмником, отдельно радиопередатчик и камера для видео, и ещё почти всегда ставили отдельно камеру для съёмок — просто прикручивали сверху GoPro. С полётным контроллером и его радиомодулём всё хорошо — научились делать очень круто, работает чётко, опенсорсная прошивка, отличная дальность. А вот у видео были проблемы. Долгое время оно было вообще аналоговое, но пришла компания DJI и кроме собственных отдельных дронов стала выпускать Air Unit — модульную камеру с передатчиком, которую можно поставить на фактически любой дрон. При этом видео цифровое и передаётся только в очки от DJI. Это был отличный ход: качество у такого видео лучше, чем у аналогового, поэтому FPV-шники стали массово скупать очки от DJI, китайские компании массово приобрели у DJI лицензию на выпуск своих модулей с их чипами (Caddx, например, она у меня на одном из дронов стоит), на аналоге остались разве что дроно-гонщики, там слишком важна задержка между картинкой и реальным временем. Но потихоньку стали появляться решения от других производителей: например Walksnail Avatar — тут тебе и очки сразу и видеомодуль. Сами DJI выпустила новые очки, оказавшиеся несовместимыми с Air Unit. А ещё они же релизнули FPV-дрон Avata, который хоть и хороший, но не даёт той гибкости, которая нужна крутым (и не таким богатым :)) ребятам. Казалось бы — ну всё, лидерство DJI в области видеопередачи для FPV-дронов постепенно заканчивается. А, ну и параллельно с этим всегда была проблема "на что снимать?". GoPro очень тяжёлая. А всё, что лёгкое — не слишком качественное. Сами GoPro выпустили версию Bones со снятым всем подряд, кроме самого необходимого. Ещё активно делали (причём, как люди сами, так и фирмы) так называемые GoPro Naked — разбирали камеру, выкидывали аккумулятор и экран, печатали новый корпус полегче. И тут бац тебе: O3 Air Unit. Это камера от DJI Avata с видеопередатчиком, которую можно установить на любой дрон. Качество на голову выше, чем у всего, что есть на рынке. Достаточное, чтобы на эту камеру даже можно было снимать, а не только смотреть, куда летишь. Совместимая со всеми версиями очков. Решает сразу очень много проблем. FPV-шники теперь ещё больше будут покупать дорогущие очки от DJI обеих версий. Вишенкой на торте ещё и идёт тот факт, что камера впаивается, то есть ты её так просто с одного дрона на другой не поставишь. А у летающих ребят обычно по 2-3-5-10 дронов. Ну, экономику считайте сами. Гениальный ход, как по мне :) И очередной Game Changer. #drone

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