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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #892 · 29.10

Frostpunk — весьма самобытная игра-стратегия с интересной стилистикой. Изначально это видеоигра, но по ней не так давно вышла настолка, которую будут локализовать и официально привезут в Россию. Сейчас уже идёт предзаказ у издательства Фабрика Игр. Чтобы понять, хочу ли я настолку, решил наконец попробовать компьютерную версию, которая давно лежала в листе ожидания. По сюжету климат на Земле превратился в вечную сверхсуровую зиму, цивилизация уничтожена, и только жалкие остатки человечества пытаются выжить. Они нашли огромный угольный генератор (о том, как он появился, рассказывает дополнение к игре) и потихоньку строят город вокруг него. Основные ресурсы это уголь, дерево, сталь и пища, которые нужно добывать разными способами, попутно выстраивая как экономику, так и социальные взаимоотношения. Симуляция в игре прорабатывает действия и состояние каждого отдельного человека. Отправил кого-то работать на плохо отапливаемый завод — у него растёт шанс заболеть, после чего он работать не сможет какое-то время, и эффективность завода снижается. В итоге, заботиться об отоплении нужно не просто так, потому что игра командует, а с вполне конкретной практичной целью. Температура в мире постоянно снижается. Начинаешь ты при -20, а заканчиваешь активные действия уже около -80. У населения есть уровень надежды и уровень недовольства: в мою первую игровую сессию я проиграл как раз из-за его превышения. Нужно правильно выстраивать цепочку законов и других управляющих воздействий, определять направление развития исследований, решать конфликты. Вообще, считаю стратегии такого плана очень полезным опытом, потому что они, хоть и с сильным упрощением, показывают работу процессов на уровень выше, чем индивидуальные потребности человека. Вот ты, как управляющий, видишь, что уголь заканчивается, и, если срочно не добыть его больше, то кухня замёрзнет, тогда не будет еды, все умрут. Отправляешь людей на суточные смены, они возмущаются и называют тебя тираном, но ты то понимаешь, что иначе им же станет хуже. Посылаешь на работу детей и калек — выживание требует, ничего не поделаешь. Чтобы возмущение не росло, строишь дозорные вышки и обучаешь побольше стражи. Кто-то умер — не отвлекаемся от работы, завтра минус семьдесят, если лазареты с больными не обогреть, то умрёт ещё больше. Город в виде концентрических колец вокруг источника тепла — не только очень красивое решение, но и прекрасный образец хорошего UX для стратегии. У тебя все точки контроля под рукой, не нужно постоянно мотать камеру через всю карту. Ну и в целом игра очень логичная, это и плюс и минус. Минус, потому что после двух сессий ты уже будешь хорошо знать, что делать, так что реиграбельность страдает. Ещё заметно, что разработчикам не хватило денег на более дорогие анимации, катсцены, и вообще полировку мелочей. Но первая часть очень популярна, уже анонсирована вторая, авторы заработали, так что ждём всего больше и лучше! А настолку, наверное, возьму. #games

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