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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #905 · 8.11

На выходных попробовали настольного Ведьмака, и у меня скорее положительные впечатления. Самое худшее точно не случилось: это не просто коробка с миниатюрками, а вполне работоспособная и интересная настолка. Ядро игры — сражения на цепочках карточек, и вот эта часть порадовала больше всего. Битвы с монстрами интересные, в меру разнообразные, не слишком простые, сильно зависят от подготовки. В каком-то смысле из-за этого вся остальная игра в виде приключений на карте и прокачки навыков кажется неизбежной рутиной между боями, но с точки зрения эмоциональных качелей — самое то. Из недостатков большинство обзорщиков отмечают даунтайм — то есть длительное ожидание хода других игроков. Могу сказать, что даже при игре на пятерых это не супер критично. У нас самые нетерпеливые игроки начали скучать только на последнем ходу, когда исход партии был решён. Пожалуй, к серьёзным проблемам я бы отнёс отсутствие разных стратегий победы. По сути, способа выиграть два: получать очки за прокачку навыков и получать очки за сражения с монстрами. Причём, в нашем случае выиграл игрок с помощью первого варианта, ни разу за всю игру не подравшись с монстром, что вызывает вопросы к балансу. Хотя, как мы впоследствии выяснили, выиграл он с нарушением правил, но общая тенденция напрягает. Отсутствие стратегий снижает реиграбельность, однако дополнительный контент повышает её, а его то как раз в коробке очень много. Мы едва ли пощупали четверть от всего. Так что с учётом кучи контента, шикарных миниатюрок и прекрасно работающего боевого ядра — очень рад иметь в коллекции эту игру, уверен, соберёмся ещё не раз. Наверное, опытный геймдизайнер мог бы взять и "обезводить" её, выпустив какую-нибудь карточную дуэльку, где были бы только механики цепочек из драк. Но у текущей версии значимый плюс это привлекательность для казуальной аудитории. #games

Hashtags

Резултати

Намерени 3 подобни публикации

Търсене: #retrieval

当前筛选 #retrieval清除筛选
GitHub Trends

@githubtrending · Post #15265 · 03.11.2025 г., 12:00

#python#ai#llm#rag#reasoning#retrieval PageIndex is an advanced AI tool that helps you find the most relevant information in long professional documents by thinking and reasoning like a human expert, rather than just matching keywords. It organizes documents into a clear tree structure, similar to a table of contents, and searches through this structure to give precise, trustworthy answers with exact page references. This method avoids the common problems of traditional vector-based search, making it ideal for complex reports, legal texts, or financial filings. You can use it easily via cloud services or run it locally, improving your ability to analyze and understand large documents quickly and accurately. https://github.com/VectifyAI/PageIndex

Machinelearning

@ai_machinelearning_big_data · Post #8801 · 17.10.2025 г., 10:13

⚡️ Omni-Embed-Nemotron - новая единая модель от NVIDIA для поиска по тексту, изображениям, аудио и видео Модель обучена на разнообразных мультимодальных данных и может объединять разные типы входных сигналов в общее векторное представление. - Поддержка всех типов данных: текст, изображение, аудио, видео. - Основана на архитектуре Qwen Omni (Thinker-модуль, без генерации текста). - Контекст - до 32 768 токенов, размер embedding — 2048. - Оптимизирована под GPU, поддерживает FlashAttention 2. Это делает её идеальной для: - кросс-модального поиска (поиск текста по видео или изображению); - улучшения RAG-проектов; - систем мультимодального понимания контента. Просто, быстро и эффективно - всё в одном открытом решении. 🌐 Открытая модель: https://huggingface.co/nvidia/omni-embed-nemotron-3b @ai_machinelearning_big_data #crossmodal#retrieval#openAI#NVIDIA#OmniEmbed#multimodal#AIModels#OpenSource#Search#UnifiedEmbedding