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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #926 · 12.12

Была такая якутская геймдев-студия Fntastic. Выпустила несколько малоизвестных игр и 4 года назад взялась за масштабный проект: MMO в жанре зомби-апокалипсиса под названием The Day Before. Студия изредка выкидывала в сеть материалы по игре: трейлеры, скриншоты, посетила пару выставок, в целом снаружи выглядело как обычный геймдев-долгострой. И вот 7-го декабря игра вышла в ранний доступ. Формально ранний доступ позволяет предложить игрокам продукт в любой степени готовности: игроки покупают что-то вроде демо-версии фактически за полную сумму в обмен на обещания разработчиков, что проект будет на эти деньги доделан. Местами это очень даже хороший работающий механизм: моя любимая #Satisfactory уже несколько лет не вылезает из раннего доступа, и в ней куча проблем, при этом я с огромным удовольствием провёл в ней больше часов, чем в какой-либо другой игре вообще за всю историю моего гейминга. И обязательно вернусь (пока взял паузу из-за пресыщения). Так вот. The Day Before в раннем доступе оказалась не просто недоделанной, по ней стало очевидно, что требуется ещё много лет и очень много денег, чтобы привести её хотя бы приблизительно в удобоваримое состояние. А трейлеры и скриншоты были просто обманом. Собрав по меньшей мере несколько десятков тысяч продаж (стоимость игры составляла около 1300 рублей в России и чуть больше в Европе и США), студия Fntastic вчера объявила о закрытии из-за "финансового краха". Написали примерно следующее: "Этих денег нам хватит, чтобы отдать долги, но слишком мало, чтобы продолжить разработку, всем спасибо, расходимся". Никогда такого не было, чтобы кто-нибудь брал деньги вперёд и уходил с ними в закат! Большинство комментаторов в сети — и я к ним присоединяюсь — уверены, что это заведомо мошенническая схема. Разработчики увидели, что доделать игру у них не получается, попытались продать как можно больше и свернуть лавочку. С точки зрения закона сложно придраться — игроков никто покупать не заставлял, и о том, что игра в раннем доступе, все знали в момент покупки. Теоретически люди сами виноваты, что не почитали никаких обзоров от первых купивших, а поверили трейлерам и обещаниям. Но здесь я хочу сделать акцент на второй глобальной проблеме капитализма (первая это монополии): искусственное раздувание ценности. В теории рыночная экономика должна мотивировать бизнес делать что-то полезное, интересное и нужное человечеству. Сделал хорошо, у тебя это покупают, все в плюсе. На практике мы видим, что вполне работоспособной является следующая схема: вместо того, чтобы тратить ресурсы на создание ценности, можно тратить ресурсы на _убеждение_ людей в наличии ценности. Зачем делать хороший продукт за миллион долларов, если можно сделать его за сто тысяч, ещё пятьсот вложить в маркетинг и просто убедить людей в том, что он хороший? Ну или если вообще у тебя нет специалистов, способных сделать хороший продукт, если это долго и сложно. Рыночная экономика помогает процветать миллиону схем, работающих только на маркетинге и других способах воздействия на людей, безотносительно того, а есть ли вообще продукт. На рынке цифровых продуктов, особенно игр, это очень частая ситуация. Если вы думаете, что только ноунейм-якуты выпускают недоделку вместо обещанного, то ошибаетесь: в этом году вышла Starfield от одной из крупнейших мировых студий разработки, и там тоже разрыв между созданными маркетингом ожиданиями и реальностью огромный. #games

Резултати

Намерени 1 подобни публикации

Търсене: #sft

当前筛选 #sft清除筛选
Machinelearning

@ai_machinelearning_big_data · Post #8851 · 24.10.2025 г., 22:00

🧠 Карпаты показал, как добавить новую функцию в мини-LLM nanochat d32, сравнив её «мозг» с мозгом пчелы. Он обучил модель считать, сколько раз буква r встречается в слове strawberry, и использовал этот пример, чтобы показать, как можно наделять маленькие языковые модели новыми навыками через синтетические задачи. Сначала генерируются диалоги: «Сколько букв r в слове strawberry?» и правильные ответы. После этого модель проходит дообучение (SFT) или обучение с подкреплением (RL), чтобы закрепить навык. Карпаты объясняет, что для маленьких моделей важно продумывать всё до мелочей, как разнообразить запросы, как устроена токенизация и даже где ставить пробелы. Он показывает, что рассуждения лучше разбивать на несколько шагов, тогда модель легче понимает задачу. Nanochat решает задачу двумя способами: — логически, рассуждая пошагово; — через встроенный Python-интерпретатор, выполняя вычисления прямо внутри чата. Идея в том, что даже крошечные LLM можно «научить думать», если правильно подготовить примеры и синтетические данные. 📘 Разбор: github.com/karpathy/nanochat/discussions/164 @ai_machinelearning_big_data #AI#Karpathy#Nanochat#LLM#SFT#RL#MachineLearning#OpenSource