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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #844 · 17.07

Закончил трилогию Денниса Тейлора "Мы — Легион. Мы — Боб" (плюс две другие книги серии). Автор программист, нерд, гик и любитель фантастики, в 57 лет на спор решил написать книгу. Как это часто бывает, несколько издательств послали его с порога. Но потом он заключил контракт с крупным сайтом аудиокниг, и книга сразу вошла во все топы, принеся кучу денег. По сюжету главный герой по имени Боб — нерд, гик, программист и любитель фантастики, подписывается на криоконсервацию, но в будущем ему дают не новое тело, а перекачивают сознание в компьютер, установленный на небольшом космическом корабле. У этого корабля есть околосветовой (но не сверхсветовой!) двигатель, а также 3D-принтер, позволяющий печатать что угодно, если найти сырьё. Изначальный план людей был в том, чтобы зонд отправился в соседнюю звёздную систему и построил там космическую станцию, но, волей случая, Боб оказывается сам по себе. Другая важнейшая часть сюжета — способность героя полностью копировать себя. То есть построить второй такой корабль и сделать копию сознания, чем он и занялся в первую очередь. Копии начинают немного отличаться друг от друга. Из-за квантовых флуктуаций в характерах разных Бобов превалируют разные его черты: кто-то больше любит исследования и науку, кто-то занимается организацией, кто-то инженерией. Бобы создают сверхсветовую связь и "расселяются" по галактике сотнями копий, при этом сохраняя что-то вроде внутреннего общества и продолжая коммуникации с человечеством. Тейлор, судя по всему, не стремился написать роман, который станет модным и будет обсуждаться, а просто кайфовал и сочинял фантазию для себя самого. Главный герой очевидно списан с автора практически полностью, и можно сказать, таким образом писатель устроил себе мини-приключение в космос. Из-за этого текст, хоть и простой с виду, вышел очень стройным, эмоционально насыщенным, я бы даже сказал душевным. Миллион отсылок к фантастической поп-культуре, забавные шутки в диалогах, даже имена себе Бобы выбирают по персонажам космоопер. Поскольку Бобов много, автор переключается между ними и между хронологическими ветками, что позволяет ему параллельно рассказывать несколько историй: о войне, о дружбе, о потери, об исследовании, об одиночестве, о политике, о семейных конфликтах... Причем, рассказ всегда идёт от первого лица: в одном месте книги "я" это один Боб, в другом месте книги уже другой — немного с другим характером, находящийся в другой части галактики и переживающий совсем другие события. В статьях говорят, что Тейлор, как истинный программист и нерд, даже написал себе софтину для отслеживания сюжетных цепочек. В общем, гик написал приключение для себя, но оно оказалось интересным и близким для огромного количества других гиков. В книгах не слишком много философии или уникальных фантастических идей, но под конец ты почти плачешь из-за необходимости расставаться с героями. В конце-концов, они бессмертны, а ты — всего лишь эфемер. На русском языке я настоятельно рекомендую аудиокниги в исполнении Кирилла Радцига: во-первых, у чтеца ровно такой голос, какой мы представляем себе для человека по имени Боб, а, во-вторых, это один из лучших русских чтецов в современном аудиокнижном пространстве. #fiction

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