Healthchecks.io, ஒரு ஒரே நபர் SaaS (சேவையாக மென்பொருள்) வணிகம், 652 பணம் செலுத்தும் வாடிக்கையாளர்களுடன் மற்றும் மாதாந்திர மறு வருவாய் (MRR) $14,043 உடன் தனது 9வது ஆண்டு விழாவை கொண்டாடுகிறது.
நிறுவனர், Pēteris Caune, வருமானத்தை அதிக ரிப்பதை விட நிலைத்தன்மை மற்றும் வேலை-வாழ்க்கை சமநிலையை முக்கியமாகக் கருதுகிறார், விரிவாக்கம் அல்லது புதிய அம்சங்களுக்கான திட்டங்கள் இல்லாமல் வணிகத்தை தனிநபர் செயல்பாடாக வைத்திருக்கிறார்.
சமீபத்திய தொழில்நுட்ப மேம்பாடுகளில் புதிய வலை மற்றும் தரவுத்தொகுப்பு சேவையகங்கள், மின்னஞ்சலுக்கு மாடி மற்றும் செயல்திறனை மேம்படுத்தவும் தரவுத்தொகுப்பு அளவை குறைக்கவும் S3-இன்டர்ஃபேஸ் சேமிப்பகத்தைப் பயன்படுத்துவது அடங்கும்.
ஒரு நபர் SaaS (சேவையாக மென்பொருள்) வணிகமான Healthchecks.io, 9 ஆண்டுகளாக வெற்றிகரமாக செயல்பட்டு வருகிறது, இது தொழில்நுட்ப துறையில் தனிநபர் yrittகர்களுக்கான சாத்தியத்தை வெளிப்படுத்துக ிறது.
இந்த விவாதம் வேலை-வாழ்க்கை சமநிலையின் முக்கியத்துவத்தை வலியுறுத்துகிறது, வேலை சோர்வை நிர்வகிக்கும் பல்வேறு பார்வைகள் மற்றும் ஒருவரின் வேலையை அனுபவிக்கும் நன்மைகள் குறித்து பேசுகிறது.
இந்த பதிவில் தனிப்பட்ட SaaS வணிகத்தை பராமரிக்கும் உத்தியோகங்களைப் பற்றியும் குறிப்பிடப்பட்டுள்ளது, உதாரணமாக சார்புகளை குறைப்பது, உலகளாவிய மேக சேவைகளைப் பயன்படுத்துவது, மற்றும் பயனர்களுக்கு விரிவான சுய-சேவை விருப்பங்களை வழங்குவது போன்றவை.
FastHTML Python பயன்படுத்தி விரைவாக அளவுகோலமான வ லை பயன்பாடுகளை உருவாக்க அனுமதிக்கிறது, நேரடி தரவுகள் மற்றும் மீண்டும் பயன்படுத்தக்கூடிய UI கூறுகளை ஒருங்கிணைக்கிறது.
இது ஒரு Python கோப்புடன் விரைவான தொடக்கத்தை வழங்குகிறது, வலை தொழில்நுட்பங்களுக்கு முழு அணுகலை வழங்குகிறது, மற்றும் Railway மற்றும் Vercel போன்ற பல்வேறு தளங்களில் பிரசுரிக்க ஆதரிக்கிறது.
FastAPI மூலம் ஈர்க்கப்பட்டு, FastHTML நவீன ஒற்றை பக்கம் பயன்பாடுகள் (SPAs) உருவாக்குவதற்காக வடிவமைக்கப்பட்டுள்ளது மற்றும் HTMX உடன் உலாவி திறன்களை மேம்படுத்துகிறது.
FastHTML என்பது நவீன வலை பயன்பாடுகளை உருவாக்க புதிய Python அடிப்படையிலான ஒரு கட்டமைப்பு ஆகும், இது Fastmail ஐ நிறுவிய மற்றும் Kaggle இன் முதல் முக்கிய உற்பத் தி பதிப்பை வழிநடத்திய ஜெரமி ஹோவர்ட் என்பவரால் உருவாக்கப்பட்டது.
கட்டமைப்பு Python ஐ HTMX உடன் ஹைப்பர்மீடியா அடிப்படையிலான பயன்பாடுகளுக்கு ஒருங்கிணைக்கிறது, அசிங்க்ரோனஸ் ஆதரவிற்காக ASGI/Uvicorn/Starlette மூன்றையும், செயல்பாட்டு நிரலாக்கத்தால் ஈர்க்கப்பட்ட புதிய Python கூறு அமைப்பான FastTag ஐ ஒருங்கிணைக்கிறது.
FastHTML வலை பயன்பாட்டு மேம்பாட்டை எளிமையாக்குவதற்காக, படிப்படியாக அதிகரிக்கும் சிக்கல்களை, எளிதான தனிப்பயனாக்கத்தை, மற்றும் JavaScript ஐ பயன்படுத்தவோ அல்லது கோரிக்கைகளை நேரடியாக மாற்றவோ அனுமதிக்கும் வெளிப்படையான ஒரு அமைப்பை வழங்குகிறது.
மெட்டாவின் FAIR குழு, படங்கள் மற்றும் வீடியோக்களில் காட்சிப் பிரிவுக்கான மேம்பட்ட மாதிரியாக SAM 2 ஐ அறிமுகப்படுத்தியுள்ளது, இது முதன்மை SAM மாதிரியின் திறன்களை விரிவாக்குகிறது.
SAM 2 நேரடி செயலாக்கத்திற்கான ஸ்ட்ரீமிங் நினைவகத்துடன் மாற்றி கட்டமைப்பை பயன்படுத்துகிறது மற்றும் மாடல்-இன்-தி-லூப் தரவுப் பொறியை உள்ளடக்கியது, இதன் விளைவாக இதுவரை மிகப்பெரிய வீடியோ பிரிவு தரவுத்தொகுப்பான SA-V தரவுத்தொகுப்பு உருவாக்கப்பட்டுள்ளது.
மாதிரி பல்வேறு பணிகள் மற்றும் துறைகளில் வலுவான செயல்திறனை வெளிப்படுத்துகிறது, sam2_hiera_tiny மற்றும் sam2_hiera_large போன்ற வெவ்வேறு கட்டமைப்புகள் கிடைக்கின்றன, ஒவ்வொன்றும் மாறுபட்ட செயல்திறன் மற்றும் வேக நிலைகளை வழங்குகின்றன.
"SAM 2: படங்கள் மற்றும் வீடியோக்களில் எதையும் பிரிக்கவும்" என்ற மாடல் Segment Anything குழுவால் வெளியிடப்பட்டுள்ளது, இது படங்கள் மற்றும் வீடியோக்களில் நேரடி உந்துதலுக்கான பொருள் பிரிப்புக்கான முதல் ஒருங்கிணைந்த மாடலை குறிக்கிறது.
வெளியீடு குறியீட்டுகள், மாதிரிகள், ஒரு தரவுத்தொகுப்பு, ஒரு ஆராய்ச்சி கட்டுரை, மற்றும் ஒரு டெமோவை உள்ளடக்கியது, உயிரியல் ஆராய்ச்சி மற்றும் வீடியோ கண்காணிப்பு போன்ற துறைகளில் பயன்பாடுகளுடன்.
Illinois மற்றும் Texas இல் உயிரணு தனியுரிமை சட்டங்களால் டெமோ அணுக முடியாது, ஆனால் மாடல் அதன் செயல்திறன் மற்றும் தானியங்கி குறிப்புகள் மற்றும் பொருள் கண்காணிப்பு போன்ற சாத்தியமான பயன்பாடுகளுக்காக பாராட்டப்படுகிறது.
2024 ஜூலை 19 அன்று, ஒரு CrowdStrike மென்பொருள் புதுப்பிப்பு வரலாற்றிலேயே மிகப்பெரிய ஐடி தடை ஏற்படுத்தியது, இது மருத்துவமனைகள், வங்கிகள் மற்றும் விமான நிறுவனங்களில் உள்ள முக்கியமான அமைப்புகளை உள்ளடக்கிய 8.5 மில்லியன் விண்டோஸ் கணினிகளை பாதித்தது.
மின்சார தடை முக்கிய விமான நிறுவனங் களுக்கு விமான போக்குவரத்தில் குறிப்பிடத்தக்க குறைப்பை ஏற்படுத்தியது, இதில் டெல்டா 46% விமானங்கள் குறைந்தன, யுனைடெட் 36%, மற்றும் அமெரிக்கன் 16%, ஆனால் சவுத் வெஸ்ட் ஏர்லைன்ஸ் பாதிக்கப்படவில்லை.
டெல்டாவின் நீண்டகால மீட்பு சரியான பேரழிவு மீட்பு திட்டம் இல்லாததால் ஏற்பட்டது, இத்தகைய இடையூறுகளை குறைப்பதில் வலுவான மாற்று உத்தியோகபூர்வ திட்டங்களின் முக்கியத்துவத்தை வெளிப்படுத்துகிறது.
கூட்டத்தின் தாக்கம் டெல்டா ஏர்லைன்ஸில் முக்கியமானதாக இருந்தது, குறிப்பாக அவர்களின் குழு கண்காணிப்பு மென்பொருளை பாதித்தது, இதனால் பிற விமான நிறுவனங்களுடன் ஒப்பிடுகையில் நீண்ட மீட்பு நேரம் ஏற்பட்டது.
டெல்டாவின் ஹப்-அண்ட்-ஸ்போக் மாடல் மீதான நம்பிக்கை மற்றும் இடையூறின் நேரம் பிரச்சினையை அதிகரித்தது, விமானங்களை மறுசீரமைக்கவும் குழுவின் கிடைக்கும்தன்மையை நிர்வகிக்கவும் கடினமாக்கியது.
இந்த சம்பவம் முக்கிய விமான நிறுவனங்களில் ஐடி செயல்பாடுகள் மற்றும் பேரழிவு மீட்பு திட்டங்களின் வலிமையைப் பற்றிய பரந்த கவலைகளை வெளிப்படுத்துகிறது, சிலர் இந்த பிரச்சினைகளை ஐடி அடித்தளத்தில் போதிய முதலீடு செய்யாததற்கு காரணமாகக் குறிப்பிடுகின்றனர்.
AI நிறுவனங்கள் சிறந்த நடைமுறைகளை பின்பற்றாமல் OpenStreetMap (OSM) தரவுகளை சேகரிப்பதற்காக விமர்சிக்கப்படுகின்றன, இது அதிகரித்த கட்டமைப்பு செலவுகள் மற்றும் பாதிக்கப்பட்ட நிறுவனங்களில் விரக்தியை ஏற்படுத்துகிறது.
AI நிறுவனங்கள் OSM க்கு $10,000 நன்கொடை வழங்க வேண்டும் என்ற பரிந்துரை உள்ளது, இது தளத்தை ஆதரிக்கவும், அதிக போக்குவரத்துடன் தொடர்புடைய செலவுகளை குறைக்கவும் உதவும்.
இந்த விவாதம் திறந்த தரவுகளின் அணுகலை தானியங்கி ஸ்க ிரேப்பிங் ஏற்படுத்தும் நிதி மற்றும் தொழில்நுட்ப சுமைகளுடன் சமநிலைப்படுத்தும் பரந்த பிரச்சினையை வெளிப்படுத்துகிறது, வீத வரம்பு, அங்கீகாரம் மற்றும் வேலை சான்று போன்ற தீர்வுகளை பரிந்துரைக்கிறது.
பதிவு ஒரு நடைமுறை பூமி சிமுலேஷனை விவரிக்கிறது, இது GLSL ஃபிராக்மென்ட் ஷேடர்களைப் பயன்படுத்தி உருவாக்கப்பட்டுள்ளது, ஒரு பூமி போன்ற கோளின் வரலாற்றை நிமிடங்களில் 60 படங்கள் வினாடிக்கு சிமுலேட் செய்கிறது.
முக்கிய அம்சங்களில் நடைமுறையாக உருவாக்கப்படும் நிலப்பரப்பு, நிலைத் தட்டு இயக்கம், நீர்வழி அரிப்பு, உலகளாவிய காலநிலை மாதிரி அமைப்பு, மற்றும் சுற்றுச்சூழலின் மீது மனித குலத்தின் தாக்கம் ஆகியவை அடங்கும்.
செயல்முறை முறைகள், பகுதி ப்ரௌனியன் இயக்க ஒலி, வெப்ப அழிவு, மற்றும் லோட்கா-வோல்டெர்ரா பரவல் மாதிரி போன்ற மேம்பட்ட தொழில்நுட்பங்களை பயன்படுத்தி நிஜமான மற்றும் இயக்கமிக்க கோள வளர்ச்சியை உருவாக்குகிறது.
ஹேக்கர் நியூஸ் பயனர்கள் GPU-களில் உலகங்களின் சி முலேஷனைப் பற்றி விவாதிக்கின்றனர், சிமுலேஷனில் உள்ள கருதுகோள்கள், காலநிலை மாற்றத்தின் தாக்கங்கள் மற்றும் தொடர்புடைய அறிவியல் புனைகதை இலக்கியத்தை உள்ளடக்கியவை.
இந்த உரையாடலில் பழைய சிமுலேஷன் விளையாட்டுகளின் நினைவூட்டும் குறிப்புகள் மற்றும் சிமுலேஷன் பிரபஞ்சத்தில் வாழும் கருத்து குறித்த விவாதங்கள் அடங்கும்.
GLSL துண்டு ஷேடர்கள் போன்ற தொழில்நுட்ப அம்சங்கள் குறிப்பிடப்பட்டுள்ளன, மேலும் இந்த தலைப்புடன் தொடர்புடைய புத்தக மற்றும் கதை பரிந்துரைகள் உள்ளன.
நடப்பதற்கான வசதியை மேம்படுத்துவது என்பது நடமாடும் மக்களின் மரியாதையை முன்னுரிமைப்படுத்துவதை குறிக்கிறது, இதில் இணக்கம், பாதுகாப்பு மற்றும் மரியாதை அடங்கும்.
ADA (அமெரிக்க障碍மிக்கவர்களின் சட்டம்) விதிமுறைகளை பின்பற்றுவது அவசியமானது, ஆனால் பல நேரங்களில் பயன்பாட்டிற்கு போதுமானதாக இருக்காது.
உண்மையான நடக்கக்கூடிய தன்மை என்பது பாதுகாப்பை மட்டுமல்லாது, நிழல், வசதி, மூடுபனி மற்றும் ஈர்ப்பு போன்ற காரணிகளை உள்ளடக்கியதாகவும் இருக்க வேண்டும், இதனால் நடப்பது விரும்பத்தகுந்த செயலாக மாறும்.
நகர்ப்புற பகுதிகளை நடக்கக்கூடியதாக மாற்றவும், வாழ்க்கை தரத்தை மேம்படுத்தவும், கார் மையமிடப்பட்ட வடிவமைப்புகளை விட பாதசாரி அடிப்படையிலான உள்கட்டமைப்புகளை முன்னுரிமைப்படுத்துவது முக்கியம்.
நகர மையங்களில் அவசர மற்றும் சரக்கு வாகனங்களை தவிர மற்ற வாகனங்களை தடைசெய்தல் மற்றும் சாலைகளின் பாதைகளை குறைத்தல் நடக்கக்கூடிய தன்மையை மேம்படுத்தும்.
ஹூஸ்டன் மற்றும் சால்ட் லேக் சிட்டி போன்ற நகரங்களில் இருந்து எடுத்துக்காட்டுகள், கார் மையமாகக் கொண்ட திட்டமிடலின் எதிர்மறை தாக்கத்தை மற்றும் பாதசாரிகளை முன்னுரிமைப்படுத்துவதன் சாத்தியமான நன்மைகளை விளக்குகின்றன.
Zig என்பது குறைந்த நிலை மற்றும் அமைப்பு நிரலாக்கத்தை நோக்கமாகக் கொண்ட புதிய நிரலாக்க மொழியாகும், இது C ஐ மாற்றுவதில் கவனம் செலுத்துகிறது.
Zig இன் முக்கிய அம்சம் அதன் சிறந்த இடைமுகத்தன்மை ஆகும், இது C உடன் சிறப்பாக இணைந்து, C தலைப்பு கோப்புகளை எளிதாக சேர்க்கவும், உள்ளமைந்த நூலகங்களை அணுகவும் அனுமதிக்கிறது.
இந்த மொழி நவீன நிரலாக்க கட்டமைப்புகள் மற்றும் பிரதிபலிப்பு திறன்களை வழங்குகிறது, இதனால் C மொழியுடன் ஒப்பிடும்போது இது அதிக எர்கோனாமிக் மற்றும் உற்பத்தி திறன் கொண்டதாகும்.
Zig, @cImport ஐ கட்டமைப்பு அமைப்பிற்கு மாற்றி, libclang இன் சார்பை நீக்கி, C கோப்பு இறக்குமதிகளை நேரடி மூலக் குறியீடு சேர்க்குதலாக இல்லாமல் கட்டமைப்பு படியாக மாற்றுகிறது.
இந்த மாற்றம் பயனர்களிடையே விவாதத்தை உருவாக்கியுள்ளது, இது சிறிய சிரமமா அல்லது C நிரலாக்கர்களுக்கு ஜிக் ஈர்ப்பை பாதிக்கும் முக்கியமான மாற்றமா என்பதில் கருத்துகள் பிளவுபட்டுள்ளன.
இந்த விவாதம் மொழியின் தெளிவான பார்வையை பராமரிப்பதற்கும் பயனர் கவலைகளை தீர்ப்பதற்கும் இடையிலான சமநிலையை வலியுறுத்துகிறது, பலர் சிக் மொழியின் புதுமையான அணுகுமுறையையும் வலுவான தலைமையையும் பாராட்டுகின்றனர்.
குவாண்டிசேஷன் என்பது மாடல் அளவுருக்களின் துல்லியத்தை குறைப்பதன் மூலம் பெரிய மொழி மாதிரிகளின் (LLMs) அளவையும் செயல்திறனையும் மேம்படுத்தும் ஒரு நுட்பமாகும்.
முக்கியமான முறைகளில் பிந்தைய பயிற்சி அளவீடு (PTQ) மற்றும் அளவீடு-அறிந்த பயிற்சி (QAT) அடங்கும், GPTQ, GGUF, மற்றும் BitNet போன்ற முன்னேற்றங்கள் மாடல் அளவையும் கணினி தேவைகளையும் குறிப்பிடத்தக்க அளவில் குறைக்கின்றன.
மேற்கோள்: இந்த வழிகாட்டி, ஒத்த மற்றும் அசமம்சமான அளவீடு, வரம்பு வரைபடம் மற்றும் அளவுத்திருத்தம் போன்ற முக்கிய கருத்துக்களை உள்ளடக்கி, LLMகளை மேம்படுத்துவதற்கான முழு மையான கண்ணோட்டத்தை வழங்குகிறது. மேற்கோள்.
கட்டுரை LLM (பெரிய மொழி மாதிரி) அளவீட்டிற்கு விரிவான அறிமுகத்தை வழங்குகிறது, அதில் காட்சிப் படங்கள் மற்றும் குறிப்புகள் அடங்கும்.
இது அசிமெட்ரிக் மற்றும் சமமற்ற அளவீட்டு முறைகள் போன்ற பல்வேறு அளவீட்டு முறைகளை விவரிக்கிறது மற்றும் அசிமெட்ரிக் அளவீட்டில் பிழைகள் காரணமாக ஏற்படும் தர இழப்பு போன்ற பிரச்சினைகளை குறிப்பிடுகிறது.
இந்த இடுகை அதன் விரிவான விளக்கங்கள் மற்றும் நடைமுறை உள்ளடக்கங்களால் ஆர்வத்தை தூண்டியுள்ளது, இது இயந்திரக் கற்றல் மாதிரிகளுடன் படிக்கும் அல்லது வேலை செய்பவர்களுக்கு மதிப்புமிக்க வளமாக உள்ளது.
Dark Sky, அதன் துல்லியமான மழை எச்சரிக்கைகள் மற்றும் விரிவான பனித்துளி புள்ளிவிவரக் காட்சிகளுக்காக பிரபலமான வானிலை பயன்பாடு, நிறுத்தப்பட்டுள்ளது, இது பரவலான பயனர் அதிருப்திக்கு வழிவகுத்துள்ளது.
பயனர்கள் Dark Sky இன் தனித்துவமான அம்சங்களை இழந்ததை வருந்துகின்றனர், உதாரணமாக, மணிநேர பனித்துளி புள்ளிவிவரங்கள் மற்றும் நேரடி மழை எச்சரிக்கைகள், அவை முழுமையாக Apple Weather இல் பிரதிபலிக்கப்படவில்லை.
வானிலை அண்டர்கிரவுண்ட், கேரட் வெதர், மற்றும் மெர்ரி ஸ்கை போன்ற பல மாற்றுகள் குறிப்பிடப்பட்டுள்ளன, ஆனால் அவற்றில் எதுவும் டார்க் ஸ்கையின் செயல்பாடு மற்றும் பயனர் இடைமுகத்திற்கு முழுமையான மாற்றாகக் காணப்படவில்லை.
Microjs மைக்ரோ-ஃப்ரேம்வொர்க்கள் மற்றும் மைக்ரோ-லைப்ரரிகளின் தொகுப்பை வழங்குகிறது, அவை சுருக்கமானவை (5k மற்றும் அதற்கு குறைவானவை), எடுத்துச் செல்லக்கூடியவை, மற்றும் குறிப்பிட்ட பணிகளை திறமையாகச் செய்ய நிபுணத்துவம் பெற்றவை.
மேற்கோள்: இந்த தளம் டெவலப்பர்கள் இவற்றை எளிதாகக் கண்டறிந்து, பங்களிக்க GitHub இல் தளத்தை fork செய்து, தங்கள் framework ஐ data.js இல் சேர்த்து, pull request ஐ சமர்ப்பிக்க அனுமதிக்கிறது. மூலம்.
இந்த வளம், பெரிய ஒரே கட்டமைப்புகளை தவிர்த்து, இலகுவான மற்றும் குறிக்கோளான தீர்வுகளை விரும்பும் டெவலப்பர்களுக்கு மிகவும் பயனுள்ளதாக இருக்கும்.
Microjs.com, சிறிய ஜாவாஸ்கிரிப்ட் நூலகங்களை பட்டியலிடுவதற்காக அறியப்படும் ஒரு இணையதளம், அதன் முந்தைய பயன்பாடு மற்றும் அதில் இடம்பெற்ற நூலகங்களை நினைவுகூரும் டெவலப்பர்களால் நெகிழ்ச்சியுடன் விவாதிக்கப்படுகிறது.
பயனர்கள் Moment.js, RequireJS, மற்றும் MooTools போன்ற பழைய JavaScript கருவிகளைப் பயன்படுத்திய நினைவுகளைப் பகிர்ந்து, ஆண்டுகளாக JavaScript சூழலின் பரிணாமத்தை வெளிப்படுத்துகின்றனர்.
இந்த உரையாடல் ஜாவாஸ்கிரிப்ட் மேம்பாட்டில் உள்ள சவால்கள் மற்றும் மாற்றங்களைப் பற்றி பிரதிபலிக்கிறது, பின்தங்கிய இணக்கத்தன்மை சிக்கல்கள், புதிய கட்டமைப்புகளின் எழுச்சி, மற்றும் சமூகத்தின் மாறும் விருப்பங்களை உள்ளடக்கியது.
Google Deepmind இன் "Scaling Exponents Across Parameterizations and Optimizers" என்ற ஆய்வுக் கட்டுரை, சிறந்த ஹைப்பர்பாராமீட்டர்களைக் கண்டறிய 10,000 க்கும் மேற்பட்ட LLM (பெரிய மொழி மாதிரி) பயிற்சி ஓட்டங்களை உள்ளடக்கியது, இதன் நகல் செலவு $12.9M என மதிப்பீடு செய்யப்பட்டுள்ளது.
மொத்த கணக்கீட்டு முயற்சி 5.42e24 FLOPs (Floating Point Operations) ஆக இருந்தது, இதில் செலவுகள் சீரமைப்பு, கற்றல் வீத மாற்றங்கள் மற்றும் எடை சிதைவு போன்ற பல்வேறு பரிசோதனைகளில் பிரிக்கப்பட்டன.
பகுப்பாய்வு TPUs (டென்சர் செயலாக்க அலகுகள்) உடன் bfloat16 துல்லியத்தைப் பயன்படுத்துவதை முன்னிட்டு, நகலெடுப்பதற்குத் தேவையான முக்கியமான ஆனால் சாத்தியமான கணினி வளங்களை விளக்கி, விரிவான கணக்கீடுகளுக்கான பைதான் குறியீட்டைப் வழங்குகிறது.
சர்ச்சை ஒரு Google DeepMind ஆராய்ச்சி கட்டுரையை தயாரிப்பதற்கான அதிக செலவுகளைச் சுற்றி மையமாகிறது, இத்தகைய செலவுகள் பிற அறிவியல் துறைகளிலும் அரிதாக இல்லை என்பதைக் குறிப்பிடுகிறது.
செலவுகளில் கணினி வளங்கள் மட்டுமின்றி, பல லட்சம் டாலர்களை எட்டக்கூடிய ஊதியங்கள், உபகரணங்கள் மற்றும் நுகர்வுப் பொருட்கள் போன்ற முக்கியமான கணினி அல்லாத செலவுகளும் அடங்கும்.
அந்த உரையாடல், குறிப்பாக சொந்த உரிமையுள்ள அல்லது மிகவும் நுணுக்கமான வளங்களைப் பயன்படுத்தி நடத்தப்படும் முதன்மை பரிசோதனைகள் போது, அறிவியல் ஆராய்ச்சியில் மீண்டும் செய்யக்கூடிய தன்மையின் சவால்களைப் பற்றியும் பேசுகிறது.
ஆராய்ச்சியாளர்கள், பெரிய அளவிலான உரை-முதல்-படம் (T2I) பரவல் மாற்றி மாதிரிகளைப் பயிற்சி செய்யும் செலவினத்தை குறைக்கும் ஒரு செலவினம் குறைந்த முறையை உருவாக்கியுள்ளனர், கணினி செலவுகளை குறிப்பிடத்தக்க அளவில் குறைத்துள்ளனர்.
படத் துண்டுகளை சீரற்றமாக மறைக்கும் நுட்பங்கள் மற்றும் செயற்கை படங்களைப் பயன்படுத்துவதன் மூலம், அவர்கள் 1.16 பில்லியன் அளவுகோல் மாடலை வெறும் $1,890 செலவில் பயிற்சி செய்து, போட்டித்திறனுடன் செயல ்பட முடிந்தது.
இந்த அணுகுமுறை தற்போதைய நிலையான டிஃப்யூஷன் மாதிரிகளைவிட 118 மடங்கு மலிவானது, மேலும் பெரிய அளவிலான டிஃப்யூஷன் மாதிரி பயிற்சியை மைக்ரோ-பட்ஜெட்டில் அணுகக்கூடியதாக மாற்றுவதற்காக தங்கள் பயிற்சி குழாய்களை வெளியிட திட்டமிட்டுள்ளனர்.
Rapid cost reductions in AI due to asymptotic improvements may render regulation irrelevant, potentially leading to more offshore models." "அசிம்ப்டோடிக் மேம்பாடுகளால் ஏஐயில் வேகமான செலவுக் குறைப்புகள் ஒழுங்குமுறையை பொருத்தமற்றதாக மாற்றக்கூடும், இது அதிகமான வெளிநாட்டு மாதிரிகளுக்கு வழிவகுக்கக்கூடும்.
திறந்த மூல AI மாதிரிகள் மேம்படுவதாக எதிர்பார்க்கப்படுகிறது, பெரிய தொழில்நுட்ப நிறுவனங்கள் தங்கள் சேவைகளை மேம்ப டுத்த தூண்டப்படுவார்கள், ஆனால் பெரிய நிறுவனங்கள் தங்கள் வளங்களால் ஆதிக்கம் செலுத்துவதைத் தொடரும் வாய்ப்பு உள்ளது.
பயிற்சி செலவுகள் குறைந்து வருகின்றன, இது விரைவில் பெரிய AI மாதிரிகளின் நுகர்வோர் நிலை பயிற்சியை சாத்தியமாக்கலாம், ஆனால் முழுமையான தரவுத்தொகுப்புகளை பெறுவது fortfarande ஒரு முக்கிய சவாலாக உள்ளது.
LG மற்றும் சாம்சங் CES 2024 இல் துல்லியமான டிவி திரைகளை காட்சிப்படுத்தின, முறையே OLED மற்றும் மைக்ரோ LED தொழில்நுட்பங்களை கொண்டவை.
LG இன் வெளிப்படையான OLED காட்சிகள் சுமார் 45% வெளிப்படைத்தன்மையை வழங்குகின்றன, ஆனால் Samsung இன் மைக்ரோ LED காட்சிகள் அதிக வெளிப்படைத்தன்மையைக் கொண்டுள்ளன, ஆனால் அவை விலையுயர்ந்தவை மற்றும் உற்பத்தி செய்ய கடினமாக உள்ளன.
நடைமுறை பயன்பாடுகள் இந்த வெளிப்படையான காட்சிகளுக்கு வணிகக் குறியீடுகள், டெஸ்க்டாப் வீடியோ அழைப்புகள் மற்றும் பொது போக்குவரத்து ஆகியவற்றில் உள்ளன, வீடுகளில் உடனடி நுகர்வோர் ஏற்றுக்கொள்வதை விட.
"LG மற்றும் சாம்சங் läb்பாரப்பாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரபாரப
Transparent LCDகள், பின்புற ஒளியை தேவையாக்குகின்றன, இந்த தொழில்நுட்ப முன்னேற்றத்தின் ஒரு பகுதியாகவும் உள்ளன, ஆனால் கருப்பு மாறுபாட்டைப் போன்ற சவால்களை எதிர்கொள்கின்றன, இதனால் அவை வீட்டு தொலைக்காட்சிகளுக்கு குறைவாக நடைமுறையாகின்றன.
இந்த தொழில்நுட்பம் பொதுவான நுகர்வோர் பயன்பாட்டிற்கு விட, வாகன காட்சிகள் மற்றும் விளம்பரங்கள் போன்ற குறிப்பிட்ட பயன்பாடுகளுக்கு அதிகம் பொருத்தமாகக் கருதப்படுகிறது.
ஆசிரியர் முதலில் Vercel இன் பகுப்பாய்வுகளை ஒரு தொழில்முறை திட்டத்தில் பயன்படுத ்தினார், ஆனால் பெரிய PNG படங்களிலிருந்து அதிக வெளியேற்ற தரவுப் பயன்பாட்டினால் செலவுகளை குறைக்க முயன்றார்.
படங்களை JPGக்களாக மாற்றி, 'Squeeh stack' (SQLite அடிப்படையிலான பயன்பாடுகள்) பயன்படுத்தி ஒரு தனிப்பயன் பகுப்பாய்வு APIயை உருவாக்குவதன் மூலம், ஆசிரியர் மாதத்திற்கு $13.27 சேமித்தார்.
வழக்கமான தீர்வு Bun மற்றும் Hono உடன் ஒரு API அமைப்பதை, VPS இல் பிரசுரிப்பதை, மற்றும் அடிப்படை பகுப்பாய்வு டாஷ்போர்டை உருவாக்குவதை உள்ளடக்கியது, இது Vercel இன் பகுப்பாய்வு தரவுகளுக்கு ஒப்பான தரவுகளை வழங்கியது.
இந்த பதிவில் ஒரு வலைப்பதிவு அல்லது நிலையான தளத்தை ஹோஸ்ட் செய்யும் பல்வேறு முறைகள் மற்றும் தளங்களைப் பற்றி விவாதிக்கிறது, செலவுகள் மற்றும் தொழில்நுட்ப அமைப்புகளை ஒப்பிடுகிறது.
இது Digital Ocean, GitHub Pages, மற்றும் Cloudflare போன்ற சேவைகளின் பயன்பாட்டை முக்கியமாகக் குறிப்பிடுகிறது, பயனர்கள் தங்கள் அனுபவங்கள் மற்றும் விருப்பங்களைப் பகிர்ந்து கொள்கிறார்கள்.
உரையாடல் எளிய திட்டங்களை அதிகமாக பொறியியல் செய்வதற்கான நகைச்சுவையான மற்றும் விமர்சனமான பார்வைகளை மற்றும் வெவ்வேறு ஹோஸ்டிங் தீர்வுகளுக்கிடையேயான பரிமாற்றங்களை உள்ளடக்கியது.