TGTGInsighttelegram intelligenceLIVE / telegram public index
← Python Заметки

TGINSIGHT SIMILAR POSTS

Најди сличен содржај

Изворен канал @pythonotes · Post #239 · 3 мај

Один из самых удобных способов записать данные это использование готовых форматов, такие как JSON или YAML. Из плюсов такого подхода стоит отметить вот что: 🔸 готовый, повсеместно используемый и поддерживаемый формат 🔸 простой и понятный файл, удобочитаемый для человека 🔸 можно легко редактировать в любом текстовом редакторе без специальных программ и библиотек Но есть и минусы 🔹 затраты времени при записи файла (кодирование данных в нужный формат строки) 🔹 затраты времени при чтении файла (декодирование данных в Python объекты) 🔹 размер файла увеличивается из-за разметки данных (скобки, запятые, переносы, отступы...) 🔹 перед записью все данные должны быть помещены в память в полном объёме (не всегда) 🔹 при чтении необходимо считать весь файл в память и только потом декодировать данные Если нужно писать немного данных в несколько файлов, то затраты по времени не ощутимы. Обычно это файлы конфига или какие-либо метаданные. Это отличный вариант под такие задачи. Есть и другой поход к записи файлов - это бинарные файлы. Используется, когда данных достаточно много и никто их не собирается читать глазками😳. 🔸 очень быстрая запись 🔸 чтение значительно быстрей чем JSON, YAML итд 🔸 размер файла значительно меньше, так как нет разметки 🔸 можно записывать данные по мере поступления не загружая всё в память 🔸 можно извлечь любую часть данных независимо Из минусов 🔹 нужно определить свой формат записи данных (если не используете готовую спецификацию определённого формата) 🔹 не получится открыть файл и визуально понять что там записано, а для чтения файла потребуется знать его спецификацию. 🔹 не так-то просто создать такой файл без специальной библиотеки В таком виде удобно записывать большой массив любых однородных данных. Например, мониторинг валютной биржи или кэшированная анимация 3D геометрии. (Это не означает что нельзя записать данные разного типа, просто это будет не так удобно) Представьте себе JPG-картинку. По сути это немного мета-информации и большой массив пикселей. Тоже самое со звуком или видео файлом. Поэтому, если вы попробуете открыть картинку в текстовом редакторе вы увидите что-то вроде такого f15d cd29 a564 4578 ... 09e2 9bc4 a696 1253 ... 84e9 4de1 3b23 c24a ... 2534 5161 28e0 709d ... ... Это и есть записанные байтики. И для их чтения требуется определённый софт который знает что с ними делать. Под каждый тип файла. К чему это я? Читайте в следующем посте... #tricks#basic

Резултати

Пронајдени 1 слични објави

Пребарај: #hy3

当前筛选 #hy3清除筛选
AI一线|ShareCentre

@ShareCentre · Post #7232 · 23.04.2026 г., 10:25

腾讯混元 Hy3 preview 发布并开源:295B MoE 快慢融合推理,编码与 Agent 大幅跃升 4 月 23 日,腾讯混元正式发布并开源 Hy3 preview 语言模型。快慢思考融合的 MoE 模型,总参 295B / 激活 21B,最大 256K 上下文。这是腾讯混元 2 月重建预训练与强化学习基础设施后的第一个模型,官方称为「混元迄今最智能的模型」。权重与代码已在 GitHub、HuggingFace、ModelScope、GitCode 同步开源,支持 vLLM、SGLang。 📊 关键数据 - 复杂推理:FrontierScience-Olympiad、IMOAnswerBench 高难度理工科表现突出 - 清华求真博资考(26 春)与全国中学生生物学联赛(CHSBO 2025)优异成绩 - SWE-Bench Verified、Terminal-Bench 2.0 主流代码智能体基准强竞争力 - BrowseComp、WideSearch 搜索智能体基准突出 - ClawEval、WildClawBench 在 OpenClaw 场景表现突出 - 内部评测 Hy-Backend、Hy-Vibe Bench、Hy-SWE Max 全面竞争力 - 自建 CL-bench / CL-bench-Life 评估上下文学习,复杂工作排期可识别隐性约束,前代 Hy2 出错 ⚙️ 产品要点 - 三原则:能力体系化 / 评测真实性 / 性价比追求 - 快慢思考融合,一个模型承担快思考与深度推理 - 与元宝深度 Co-Design:URM 建模用户反馈 + RLHF,事实性错误显著降低,文风更有「活人感」,灰度测试用户活跃度大幅增长 - 产品矩阵上线:元宝、CodeBuddy、WorkBuddy、QQ、ima、QQ 浏览器、腾讯文档、腾讯乐享已上线;微信公众号、腾讯新闻、腾讯自选股、和平精英、腾讯客服陆续上线 - 原生支持 OpenClaw、OpenCode、KiloCode - 腾讯云 API 主打性价比,Token Plan 个人版最低 ¥28/月 - 已知问题:工具调用错误恢复不足,对推理超参数敏感 🔙 此前背景 - 2024-11 Hunyuan-Large 389B / 52B 激活,首款超大规模 MoE - 2025-03 Hunyuan-T1 首个深度推理模型,Hybrid-Transformer-Mamba MoE 基座 - 2025-06 Hunyuan-A13B 开源,业界首个 13B 级 MoE 混合推理模型 - 2025-11 Tencent HY 2.0 Think + Instruct 双版本上线 - 2026-02 混元团队重建预训练与强化学习基础设施 - 2026-03-22 微信官方接入 OpenClaw,WeixinClawBot 上线 ⚔️ 赛道格局 - 智谱 GLM-5.1(4/7)MIT 开源,SWE-Bench Pro 58.4 全球登顶 - 阿里 Qwen3.6-Plus(4/1)Terminal-Bench 2.0 61.6 首超 Opus 4.5 - 阿里 Qwen3.6-27B(4/22)27B 稠密反超自家 397B MoE 旗舰 - MiniMax M2.7(3/18)SWE-Pro 56.22 追平 GPT-5.3 Codex - Google Gemma 4(4/2)Apache 2.0 首次 - Meta Muse Spark(4/8)从开源转向闭源旗舰 - Claude Opus 4.6 仍是榜单头部 国产开源第一梯队扩展至智谱、千问、MiniMax、腾讯混元四家并立。 🏢 公司近况 - 腾讯混元覆盖文本、图像、视频、3D 四大模态 - 2026 年开源动作密集:HunyuanVideo-1.5、HunyuanWorld-Mirror / Voyager、HY-World 2.0 - 微信生态 OpenClaw 原生接入带来独特分发优势 - Hy3 preview 官方定位「重建的第一步」,后续持续扩大预训练与 RL 规模 🎯 行业意义 - 腾讯重回国产模型第一梯队 - 快慢融合架构成为业界共识,与 Claude 思考模式、千问 preserve_thinking 技术收敛 - 产品 Co-Design 形成结构性护城河,元宝+CodeBuddy+QQ+微信生态是独特训练场与分发渠道 - 评测范式从刷榜向真实战斗力迁移 - 28 元/月 Token Plan 延续国产模型能力+价格双对齐策略 🔗 链接 官方:hunyuan.tencent.com/research/hy3 GitHub:github.com/Tencent-Hunyuan/Hy3-preview HuggingFace:huggingface.co/tencent/Hy3-preview ModelScope:modelscope.cn/models/Tencent-Hunyuan/Hy3-preview CL-bench:github.com/Tencent-Hunyuan/CL-bench 腾讯云:cloud.tencent.com/product/hunyuan #腾讯混元#Hunyuan#Hy3#AI#开源模型#MoE#AI编程#AIAgent#OpenClaw