Актриса театра и кино АЛИСА ФРЕЙНДЛИХ родилась 8 декабря 1934 года в Ленинграде.
Снято 1983/06/03.
Мастер вспоминает:
"В портрете Алисы мне очень хотелось отразить ее невесомость, нежность и удивительность. Хотелось чего-то весеннего, расцветающего - это так соответствовало ее натуре Но где снимать актрису? Выезжать ради фотосессии за город у Фрейндлих времени не было. Место нашлось само собой. На Крестовском острове я регулярно играл в теннис на ленфильмовских кортах. И вдруг там образовалась целая поляна белых воздушных одуванчиков! Было ощущение, что они "взошли" специально для Алисы, будто ожила сказка Льюиса Кэролла.
Эта фотография про Алису, которой я по-настоящему горжусь. В ней нет ничего приземленного, никакой конкретики. Образ вне времени".
Подробнее, больше фотографий: https://zen.yandex.ru/media/id/5e0e2740028d6800ad2e198e/glazami-valeriia-plotnikova-alisa-freindlih-navernoe-ia-slishkom-zajilas-na-etom-svete-5fc0bde4c9a19d0e1c0ad2e1
#Фрейндлих#8декабря#Плотников
#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
⚡️ 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