Forwarded from Shit & Sable
У Минюста от постоянного расширения лопнул список иностранных агентов
😁117
А от наркомании не лечится? У него ж две проблемы было, не считая многочисленных убожеств…
Яшин обещал снять МаксимЛьвовича с довольствия, как я помню. Что-то на жабогадючьем…
https://t.me/smolyak/19967
Яшин обещал снять МаксимЛьвовича с довольствия, как я помню. Что-то на жабогадючьем…
https://t.me/smolyak/19967
Telegram
СМОЛЯК
Иностранный агент, экстремист и террорист Илья Яшин снял про себя документальный сериал. В первой 13-минутной серии Яшин посещает бывшего депутата питерского парламента от «Яблока» Максима Резника, разумеется, иностранного агента, экстремиста и террориста…
😁23🤣11❤1
Вчера на Каменноостровском встретила бежавшего навстречу абсолютного двойника Пушкина. Только постаревшего. Мне навстречу шел натуральный Александр Сергеевич лет 70 с хвостиком, с бакенбардами, грязновато-рыжеватыми волосами, маленький, сутуловатый… поверьте мне на слово, у меня абсолютный навык описания внешности. Гораздо сильнее рядовых людей, которые объединяют людей натурально по признаку «тоже два глаза». Я аж заозиралась, рядом же телевидение, не снимают ли чего. Сфотать было неудобно.
🔥84❤13😁8
Forwarded from Раньше всех. Ну почти.
❗️Anthropic зафиксировала попытки применить ИИ для возможной разработки биооружия
В отчете компании говорится о пяти таких случаях. В частности, некие ученые пытались использовать нейросеть для экспериментов по усилению вируса чикунгунья, а также адаптации птичьего гриппа к организму млекопитающих. Еще один пользователь хотел создать на основе ИИ базу пептидов ядов.
В отчете компании говорится о пяти таких случаях. В частности, некие ученые пытались использовать нейросеть для экспериментов по усилению вируса чикунгунья, а также адаптации птичьего гриппа к организму млекопитающих. Еще один пользователь хотел создать на основе ИИ базу пептидов ядов.
😱36🤣2
Как он служит лейтенантом по призыву? И откуда в армии по призыву свободное время?
А Снежок/Пушок/Беляш, как там его, служит овчаркой на границе?
https://t.me/bbbreaking/237694
А Снежок/Пушок/Беляш, как там его, служит овчаркой на границе?
https://t.me/bbbreaking/237694
Telegram
Раньше всех. Ну почти.
Александр Лукашенко заявил, что его младший сын Николай служит в армии
"Младший сын уже служит в армии. Никто и не знал даже. Виктор (министр обороны Виктор Хренин) призвал. Служит в армии, как положено, как все. Лейтенант. Не буду говорить где, но в самом…
"Младший сын уже служит в армии. Никто и не знал даже. Виктор (министр обороны Виктор Хренин) призвал. Служит в армии, как положено, как все. Лейтенант. Не буду говорить где, но в самом…
😁64🤨3
🔥19👍8
Приговорчики в строю pinned «Мы сегодня повспоминали былое… https://rutube.ru/video/944ab98c9c838e890b5ffad48a5c149e/?r=a»
Forwarded from Максим Атаянц (Максим Атаянц)
В пятницу и субботу прочёл две лекции в Белгородском художественном музее. "Рим, Венеция и Петербург - сравнительный портрет городов".
❤65😁3👍1
Вообще красота. Кубок и блюдо получают Рыбакина и Соболенко, а вручает их Шарапова.
1👍118🏆23❤17😁2
Напомню, что вокзалы - стратегически значимые объекты.
Я сейчас про сложность схемы и уровень интеллекта.
https://t.me/bbbreaking/237787
Я сейчас про сложность схемы и уровень интеллекта.
https://t.me/bbbreaking/237787
Telegram
Раньше всех. Ну почти.
❗️Смольнинский районный суд Петербурга отправил под стражу начальника Московского вокзала Артура Журавлева, его заместителя Ольгу Сидор и кладовщика камеры хранения Любовь Куликову. Их обвиняют в присвоении денег пассажира на сумму не менее 876,6 тыс. рублей…
😱32😁6
Спросила ЧАТжпт, насколько российские нейросети конкурентоспособны относительно американских и китайских. Напомню, обучение сильно затруднено, в том числе, потому что стараниями наших инициативных почти все инструменты требуют тупо КВНа.
Ответ, как мне кажется, справедлив.
Ответ, как мне кажется, справедлив.
😁24👍2❤1
Коротко — в целом российские нейросети уступают лидерам из США и Китая по масштабам, вычислительным ресурсам и доступу к данным, но в ряде ниш (русский язык, прикладные решения для локального рынка, оптимизация под слабое железо) они конкурентоспособны и иногда превосходят иностранные аналоги.
Почему уступают
- Вычисления: крупные трансформеры требуют A100/H100 и кластеров; из‑за санкций и дефицита доступа к новейшим GPU у российских команд сложнее тренировать модели на сотни миллиардов параметров.
- Данные: англоязычные и панъазиатские корпуса существенно больше; для мультиязычных и доменных моделей это преимущество.
- Финансирование и экосистема: в США и Китае сильнее частные инвестиции, крупные облачные провайдеры и интеграция в продукты (search, соцсети, облака).
- Аппаратная база: отечественные процессоры и ускорители пока заметно отстают по производительности и энергоэффективности.
Где сильны российские нейросети
- Локализация: модели лучше понимают русскоязычные особенности, морфологию, редкие словоформы, диалекты и юридические/медицинские термины на русском.
- Прикладные решения: чат‑боты для госуслуг, банковские ассистенты, системы скоринга и распознавания речи, где важно соответствие локальным правилам и интеграция с внутренними системами.
- Наука и алгоритмы: сильная школа математики и теории, хорошо оптимизируют модели под CPU/средние GPU, разрабатывают эффективные методы обучения при малых данных.
- Безопасность и соответствие: решения лучше вписываются в местное регулирование и требования по хранению данных.
Примеры игроков (крупные участники экосистемы)
- Крупные компании: Сбер, Яндекс, VK, МТС, Тинькофф — у каждой есть свои модели и продуктовые интеграции.
- Академия и стартапы: НИИ и университетские центры (DeepPavlov и др.), стартапы, работающие в узких вертикалях (финансы, медицина, безопасность).
Что это значит на практике (для разных целей)
- Для бизнеса, который хочет внедрить NLP на русском: российские решения часто быстрее интегрируются, дешевле по поддержке и безопаснее по хранению данных. Рекомендую смотреть на локальных вендоров или дообучать зарубежные open‑source (LLaMA, Mistral) на русских данных.
- Для стартапа, который хочет конкурировать с глобальными игроками: фокусируйтесь на нишах и вертикалях, где знание локального рынка даёт преимущество; масштабирование до уровня GPT‑4 потребует внешних инвестиций и доступа к зарубежному железу.
- Для исследователя: можно получить высокую научную ценность в алгоритмах обучения с малым числом образцов, оптимизации и в задачах русского языка; но конкуренция по «мегамоделям» остаётся сложной.
Как повысить конкурентоспособность (конкретные шаги)
- Использовать и дообучать SOTA open‑source модели вместо попыток «тренировать с нуля».
- Фокус на данных: собирать высококачественные доменные датасеты, разметку экспертов и synthetic data augmentation.
- Оптимизация: квантование, прунинг, адаптивные слои (LoRA) для быстрой и дешёвой дообучаемости.
- Гибридный подход: комбинировать мощные зарубежные модели в облаке + локальные lightweight решения для приватных данных.
- Партнёрства: интеграция с крупными локальными игроками (банки, операторы, госсектор) для доступа к данным и рынку.
- Аппаратная стратегия: оптимизировать под CPU/низкопрофильные GPU, использовать inference‑оптимизированные библиотеки (ONNX Runtime, TVM).
Реальная перспектива
- Краткосрочно (1–2 года): Россия сохранит конкурентоспособность в прикладных решениях на русском и в узких вертикалях.
- Среднесрочно (3–5 лет): при значимых инвестициях, улучшении доступа к вычислительным ресурсам и усилении экосистемы возможен заметный прогресс, но догнать лидеров по масштабам будет сложно.
- Долгосрочно: при создании собственной аппаратной базы и постоянном финансировании — теоретически достижимо, но это потребует крупных координируемых усилий.
Почему уступают
- Вычисления: крупные трансформеры требуют A100/H100 и кластеров; из‑за санкций и дефицита доступа к новейшим GPU у российских команд сложнее тренировать модели на сотни миллиардов параметров.
- Данные: англоязычные и панъазиатские корпуса существенно больше; для мультиязычных и доменных моделей это преимущество.
- Финансирование и экосистема: в США и Китае сильнее частные инвестиции, крупные облачные провайдеры и интеграция в продукты (search, соцсети, облака).
- Аппаратная база: отечественные процессоры и ускорители пока заметно отстают по производительности и энергоэффективности.
Где сильны российские нейросети
- Локализация: модели лучше понимают русскоязычные особенности, морфологию, редкие словоформы, диалекты и юридические/медицинские термины на русском.
- Прикладные решения: чат‑боты для госуслуг, банковские ассистенты, системы скоринга и распознавания речи, где важно соответствие локальным правилам и интеграция с внутренними системами.
- Наука и алгоритмы: сильная школа математики и теории, хорошо оптимизируют модели под CPU/средние GPU, разрабатывают эффективные методы обучения при малых данных.
- Безопасность и соответствие: решения лучше вписываются в местное регулирование и требования по хранению данных.
Примеры игроков (крупные участники экосистемы)
- Крупные компании: Сбер, Яндекс, VK, МТС, Тинькофф — у каждой есть свои модели и продуктовые интеграции.
- Академия и стартапы: НИИ и университетские центры (DeepPavlov и др.), стартапы, работающие в узких вертикалях (финансы, медицина, безопасность).
Что это значит на практике (для разных целей)
- Для бизнеса, который хочет внедрить NLP на русском: российские решения часто быстрее интегрируются, дешевле по поддержке и безопаснее по хранению данных. Рекомендую смотреть на локальных вендоров или дообучать зарубежные open‑source (LLaMA, Mistral) на русских данных.
- Для стартапа, который хочет конкурировать с глобальными игроками: фокусируйтесь на нишах и вертикалях, где знание локального рынка даёт преимущество; масштабирование до уровня GPT‑4 потребует внешних инвестиций и доступа к зарубежному железу.
- Для исследователя: можно получить высокую научную ценность в алгоритмах обучения с малым числом образцов, оптимизации и в задачах русского языка; но конкуренция по «мегамоделям» остаётся сложной.
Как повысить конкурентоспособность (конкретные шаги)
- Использовать и дообучать SOTA open‑source модели вместо попыток «тренировать с нуля».
- Фокус на данных: собирать высококачественные доменные датасеты, разметку экспертов и synthetic data augmentation.
- Оптимизация: квантование, прунинг, адаптивные слои (LoRA) для быстрой и дешёвой дообучаемости.
- Гибридный подход: комбинировать мощные зарубежные модели в облаке + локальные lightweight решения для приватных данных.
- Партнёрства: интеграция с крупными локальными игроками (банки, операторы, госсектор) для доступа к данным и рынку.
- Аппаратная стратегия: оптимизировать под CPU/низкопрофильные GPU, использовать inference‑оптимизированные библиотеки (ONNX Runtime, TVM).
Реальная перспектива
- Краткосрочно (1–2 года): Россия сохранит конкурентоспособность в прикладных решениях на русском и в узких вертикалях.
- Среднесрочно (3–5 лет): при значимых инвестициях, улучшении доступа к вычислительным ресурсам и усилении экосистемы возможен заметный прогресс, но догнать лидеров по масштабам будет сложно.
- Долгосрочно: при создании собственной аппаратной базы и постоянном финансировании — теоретически достижимо, но это потребует крупных координируемых усилий.
👍28❤7🤣1
Но, главное, наши будут за традиционные ценности, конечно.
💯46😁12🤓6🤣4