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 1 подобни публикации

Търсене: #unifiedembedding

当前筛选 #unifiedembedding清除筛选
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