Најди сличен содржај

#The_Barron's 🇺🇸📕[PDF]⬇️ 10 #November2025 #Weekly_Magazines For learning, for free(dom). @backupofmagazines China’s renewed tech push is reshaping global sentiment, with Beijing’s innovation drive becoming a pivotal force in what analysts call a #TechNews shift inside the broader #ChinaEconomy cycle. As Wall Street reassesses capitalism’s direction, investors navigate a #MarketWatch moment marked by Big Tech setbacks and rising interest in mortgage bonds. Europe’s supply-chain tensions highlight growing #GlobalTrade fragility, while persistent 3 percent inflation solidifies a new macro baseline across regions, intensifying the debate on #Inflation dynamics. AI-powered tools continue to redefine strategy, turning this week into a case study in adaptive thinking across sectors under fast-moving #AI transitions.

🎧⤴ 💎 Telegram’s Crypto Bot Launches Fee-Free Coin Swaps – Best Rates on TON and Beyond! Telegram’s popular Crypto Bot introduced a groundbreaking Swap feature, enabling seamless exchanges of cryptocurrencies, including TON, at optimal market prices with 0% commission. This new feature empowers users to swap tokens effortlessly, catering to the needs of both seasoned traders and beginners. As Telegram strengthens its ties with The Open Network (TON), this development marks a significant step towards making zero-fee crypto trading more accessible and user-friendly. TON, Telegram, and crypto swaps headline this exciting update. Chorus: Swap it, drop it, no fees, we poppin’, Crypto bot’s live, TON fam’s watchin’. Best market rates, yeah, that’s the notion, Zero percent, ridin’ this motion. Verse 1: Telegram’s bot, now it’s all in play, Swappin’ TON coins without delay. Zero fees stack, in a major way, Crypto’s here to stay, what more to say? Swipe right, the trades ignite, Swappin' at the best rates, day or night. TON on deck, the moves in sight, Crypto bot’s game changin’, feelin’ right. Chorus: Swap it, drop it, no fees, we poppin’, Crypto bot’s live, TON fam’s watchin’. Best market rates, yeah, that’s the notion, Zero percent, ridin’ this motion. Verse 2: From TON to ETH or BTC, quick like a flash, One tap on Telegram, and the coins clash. Zero fees givin' more green in the stash, Crypto bot’s hustle, bringin’ in cash. Telegram links up with TON, Best swaps, no cap, just get it done. In the market, bots always on the run, Swappin’ coins, and we're havin' fun. Chorus: Swap it, drop it, no fees, we poppin’, Crypto bot’s live, TON fam’s watchin’. Best market rates, yeah, that’s the notion, Zero percent, ridin’ this motion. Verse 3: Telegram and TON, now we’re connectin’, Coins on the move, the fam’s respectin’. Best rates, zero fees, no second-guessin’, Crypto's risin', it's impressin'. Swap so quick, it’s like a race, Crypto bot's here, savin' time and space. TON's in the mix, the market’s embrace, With zero fees, everyone finds their place. Chorus: Swap it, drop it, no fees, we poppin’, Crypto bot’s live, TON fam’s watchin’. Best market rates, yeah, that’s the notion, Zero percent, ridin’ this motion. Bridge: TON in the mix, we set the tone, Zero fees, we break the stone. Crypto bot's king on this throne, This is the future, watch it be known. #TONCommunity#CryptoSwap#TON #TONCryptoNewsRapStyle 🎧@toncoin_rap

🔥 主流企業公開力挺以太坊 Beast Industries CEO 表示： 「以太坊是穩定幣與區塊鏈的核心基礎設施，我們非常看好 Ethereum。」 這背後的訊號是什麼？ • 穩定幣主要流通層仍是 ETH • 企業品牌開始公開站隊 • 以太坊的網路效應持續擴張 當主流企業高層公開表態支持 ETH， 這是否意味著下一輪敘事將回到「基礎設施之王」？ 你認為 ETH 下一個關鍵突破會來自哪個領域？ #ETH#鏈上金融#企業採用#穩定幣 #DeFi#Markets#Crypto

By Voodoont #ai#stable_diffusion#minotaur#myth#fantasy#voodoont

#脚本#QuantumultX#Loon#Surge#Shadowrocket#Stash#Crack#AI#效率 ✅#Voicenotes-GPT4o 📱 版本支持: 1.2.22 👤 脚本作者: @ios151 🕒 更新日期: 2024-05-30 📌 脚本功能: 解锁会员 💳 特别说明: 非 一次性解锁，先登录再开规则，在进入软件即可！ ⬇️ 下载地址: 点击下载 🔗 脚本链接: 长按复制 ✈️导航💬群组🤖投稿🎁福利

🔔 증권가 첫 '1만피' 전망 등장…KB증권 "연내 코스피 1만500 가능" 📈#삼성전자#SK하이닉스#현대차#유안타증권#KB증권 📝#반도체#AI#로봇#전력인프라#우주산업 글로벌 증시에서 반도체와 AI 관련 산업의 실적 개선과 성장 기대가 높아 코스피 지수 상향 조정이 제시됐다. ⬜⬜⬜⬜⬜│🟥🟥⬜⬜⬜ 【 겁나빠른 #드리고봇 뉴스 】 https://n.news.naver.com/article/629/0000499196

US: FTC's New Rule Targets Fake Reviews and Testimonials The Federal Trade Commission (FTC) has introduced a significant new rule to combat the rise of fake consumer reviews and deceptive testimonials. As businesses increasingly rely on online reviews to influence consumer behavior, the FTC’s regulation marks a crucial step in ensuring that these reviews are authentic and transparent. The rule, which is part of the FTC's broader strategy to protect consumers and promote fair competition, enables courts to impose civil penalties on violators and allows the FTC to seek compensation for those affected by deceptive practices. Key provisions of the rule prohibit the creation, sale, or purchase of fake consumer reviews and testimonials. This includes AI-generated reviews, which the FTC explicitly addressed, signaling its commitment to preventing the use of artificial intelligence in misleading ways. Marketers and businesses must now ensure that all reviews are genuine, accurately reflect consumers' experiences, and that any insider connections are fully disclosed. Failure to comply with these regulations could result in significant legal and financial consequences, as the FTC continues to prioritize consumer protection in the digital marketplace. #AI#FTC#ConsumerProtection

By Voodoont #Voodoont #portrait #арт#art#ai#girl#realistic#photo

#频道#AI#绘画#视频#AI绘画#AI视频 https://t.me/AI_Pintura

🌟Nemotron-Terminal: небольшое семейство для терминальных задач. NVIDIA обучила семейство моделей Nemotron-Terminal для автономной работы в терминале Linux: устанавливать зависимости, писать и запускать код, отлаживать окружения и выполнять сквозные инженерные задачи без участия человека. Семейство построено на базе Qwen3 и специально собранном датасете Terminal-Corpus. И фишка не в архитектуре, а в данных. 🟡NVIDIA собрала пайплайн Terminal-Task-Gen с 2 потоками. Первый адаптирует готовые датасеты по математике, коду и SWE-задачам под терминальный формат (без участия LLM в процессе адаптации). Второй генерирует синтетику 2 методами: seed-based (LLM создает новые задачи на основе существующих задач из смежных областей) и skill-based (LLM комбинирует до пяти примитивных навыков из таксономии по 9 доменам: Security, Data Science, System Administration и другим). 🟡В открытый релиз вошли все три модели на 8B, 14B, 32B параметров и 2 датасета: Terminal-Corpus: около 366K траекторий выполнения задач, разбитых на два потока: ~226K адаптированных примеров из Math/Code/SWE и ~140K синтетических задач на основе skill-таксономии. Synthetic-Tasks: задачи в стандартизированном формате: инструкция, Docker-окружение из 9 преднастроенных образов и верификационный набор на pytest. 🟡Результаты прогонов на бенчах. На Terminal-Bench 2.0 все 3 модели показали кратный рост относительно базовой Qwen3: 8B - с 2.5% до 13%, 14B - с 4% до 20.2%, 32B - с 3.4% до 27.4%. Для сравнения: Qwen3-Coder на 480B параметров набирает 23.9%, GPT-5-Mini - 24.0%, Grok 4 - 23.1%. Nemotron-Terminal-32B превосходит или вплотную конкурирует с ними всеми при разнице в размере на порядок. 🟡Несколько внезапных выводов из абляции. Фильтрация неудачных траекторий вредит. Модель, обученная на всех траекториях включая ошибочные, набирает 12.4% против 5.06% у варианта только с успешными. Curriculum learning (сначала простые данные, потом сложные) не дал преимуществ перед простым смешанным обучением. Увеличение контекстного окна с 32K до 65K токенов также не помогло, длинные траектории оказались шумнее. 📌Лицензирование моделей: NVIDIA Open Model License 📌Лицензирование датасетов : CC-BY-4.0 License. 🟡Набор моделей 🟡Arxiv @ai_machinelearning_big_data #AI#ML#LLM#NemotronTerminal#NVIDIA

🌟NVIDIA KVzap: жмем KV-кэш в 4 раза. Все любят длинный контекст, но для GPU это больно - KV-кэш растет линейно и быстро сжирает VRAM. Например, для Llama-65B на 128k токенов кэш весит 335 ГБ. Существующие методы прунинга либо медленные, либо тупые и режут важное, либо требуют переобучения модели. NVIDIA предложили метод KVzap, который решает, какие токены можно забыть, глядя только на текущие хидден-стэйты. 🟡Логика метода разбита на 2 этапа: Поиск идеала (KVzip+). Берется медленный, но точный метод KVzip: модели скармливают текст, заставляют его повторить, и смотрят, на какие прошлые токены она реально обращает внимание. Это золотой стандарт важности токена. Но в проде так делать нельзя, это двойная работа. Аппроксимация (KVzap). Тут и происходит вся суть: крошечная модель-суррогат смотрит на входящий хидден-стэйт токена и предсказывает, насколько этот токен будет важен в будущем, то есть пытается угадать скор KVzip. Модели 2-х видов: KVzap-Linear: простейшая линейная проекция (одна матрица). Она берет хиден-стэйт и тупо проецирует его в скалярный скор важности. Сложность: экстремально низкая (~0.02%). KVzap-MLP: двухслойный перцептрон. Внутри есть скрытый слой размером 1/8 от размерности модели и нелинейная активация. Сложность: низкая, но выше линейной (~1.1%). 🟡Все вместе это работает так Токен залетает в слой трансформера, модель-суррогат быстро считает его скор важности. Если он ниже порога - токен в кэш не пишется или удаляется. Но при этом всегда оставляется скользящее окно из последних 128 токенов, чтобы не терять локальный контекст, иначе модель сыпется. 🟡Результаты тестов. Проверяли на Qwen3-8B, Llama-3.1-8B и Qwen3-32B. Спойлер: работает везде. Удалось выкинуть до 75% KV-кэша, а это сжатие в 4 раза. На бенчмарках RULER (длинный контекст), LongBench и AIME25 падение метрик или нулевое, или меньше 1%. Оверхед от суррогатной модели мизерный - менее 1% FLOPs. 🟡Звучит, конечно, как гем, но давайте про минусы: 🟠Нужно дообучить этот маленький MLP для каждого слоя целевой модели. Датасет нужен, но процесс быстрый. 🟠Удаление токенов создает рваный кэш. У разных голов будет разное количество сохраненных токенов. Это плохо, потому что стандартные ядра Paged Attention любят структуру. Чтобы реально получить ускорение, а не только экономию памяти, нужно писать кастомные CUDA-ядра, которые смогут эффективно жевать блоки переменной длины. 🟠Порог отсечения фиксированный. Если промахнуться с ним, то модель начнет галлюцинировать или забудет начало. 🟡По итогу, KVzap - крутой шаг к тому, чтобы гонять длинные контексты на GPU попроще. Метод умнее, чем Streaming LLM, и быстрее, чем полные методы разреженного внимания. Ждем интеграции в vLLM или TRT-LLM, а пока, чтобы скрасить ожидание, NVIDIA собрала на HF интерактивный лидерборд популярных методик компрессии KV-кэша. Код и веса моделей-суррогатов из тестов пейпера в открытом доступе, так что нет никаких ограничений, чтобы не покрутить KVzap на каком-нибудь тестовом сетапе. @ai_machinelearning_big_data #AI#ML#LLM#KVZAP#NVIDIA

🌟NVIDIA переизобретает память: LLM, которые доучиваются прямо во время инференса Контекстные окна растут, но тут два стула: либо классическое внимание, которое питается памятью и компьютит как не в себя, либо RNN-подобные Mamba, DeltaNet, которые работают быстро, но в длинном контексте начинают плыть и терять детали. NVIDIA предлагает решение, которое пытается усидеть на обоих стульях сразу - Test-Time Training with End-to-End formulation (TTT-E2E): Обычно веса модели заморожены после тренировки. Когда вы скармливаете ей данные, она просто держит её в KV-кэше. В TTT все по-другому: контекст — это и есть обучающий датасет. Пока модель читает ваш промпт (контекст), она обновляет свои веса (если точнее - делает градиентный спуск прямо на лету), тем самым, инфа из контекста впекается в саму модель. Это позволяет сжать гигантские объемы в фиксированный размер состояния, не раздувая KV-кэш до небес. 🟡В результате - красота и волшебство: 🟢Латентность инференса становится константной. Неважно, 100 токенов в контексте или миллион — время генерации следующего токена одинаковое. 🟢На контексте 128k токенов — ускорение в 2.7x по сравнению с Attention (на H100). На 2M токенов — ускорение в 35 раз. 🟢В отличие от Mamba и других RNN, качество не проседает на длинных дистанциях. TTT держит планку на уровне полного внимания. 🟡Разумеется, есть куча пунктов со звездочкой 🟠Трейн - сложный. Чтобы модель могла так лихо учиться на лету, её нужно спечиальным образом претрейнить. Этот процесс сейчас в 3.4x медленнее, чем обычное обучение. 🟠Метод требует вычисления градиентов от градиентов во время обучения. FlashAttention из коробки сейчас это не поддерживает, нужны кастомные ядра или костыли. 🟠Cам процесс поедания контекста при инференсе требует вычислений во время префилл-фазы. По итогу, NVIDIA сравнивает RAG с блокнотом, а свой TTT — с реальным обновлением нейронных связей мозга. Если есть желание покопаться в методике и проникнуться идеей - код и пейпер в открытом доступе. 🟡Статья 🟡Arxiv 🖥GitHub @ai_machinelearning_big_data #AI#ML#LLM#TTTE2E#NVIDIA