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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #91 · 26.10

Сейчас 10 лет Яндекс.Такси. Кажется, именно Яндекс первым привел Uber-модель в Россию. Пишут, что мой первый заказ был в мае 2013-го. Целая вечность назад, но я помню — был где-то в районе Лесной, нужно было в точку, удалённую от метро. Как раз крутили рекламу нового сервиса от Яндекса, я скачал, запустил поиск. Ждал минут 15, потом ещё искал, где водитель припарковался. Быстрее было бы дойти. Сейчас уже стало ясно, что сервисы такси — одна из важнейших технологических вех нового времени. Сложно представить себе что-то ещё, что настолько фундаментально поменяло наши жизни. Ни роботы-пылесосы, ни сервисы доставки, ни даже каршеринг — ничто из этого настолько сильно не поделило мир на "до" и "после". Процесс вызова такси по телефону действительно был неприлично труден: следовало знать адрес, где находишься, знать номер таксопарка, а затем ждать неопределенное время, после чего платить весьма немалые деньги водителю налом. К такси прибегали в крайних случаях, когда обойтись другим способом было невозможно. Сокращение такого значительного числа издержек в столь необходимой для людей услуге — перемещение — сопоставимо с изобретением интернета или электричества. Да, и без электричества мы могли обогревать и освещать свои дома, готовить пищу, вращать мельницы. Но на этом примере становится видно, что время и усилия на получение результата очень важны. Такси стало полноценным вариантом повседневного транспорта, а не редкой вынужденной мерой для богатых. Я заказываю такси десяток раз в месяц, и уже всерьез не способен вспомнить, как в принципе возможно было жить без этих сервисов. Что я делал в таких же ситуациях 10 лет назад? Ждал автобус полчаса, шел пешком час? Или даже просто отменял своё намерение добраться в какую-то точку? Лучше, наверное, и не вспоминать. #life

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