Коллекция персонажей игр и комиксов — 81 LoRA в одной сборке Название: ZyloO's Characters Ссылка: https://civitai.com/models/565034 Тип: #LoRA Скачивания: 63 554 Версия: Valeera K2, 8 августа 2026, 218 МБ Базовая модель: Krea 2 Теги: #персонажи #игры #Krea2 #реализм Описание: Автор держит целую библиотеку героев: 39 отдельных LoRA под Krea 2 и ещё 42 под Pony. Лара Крофт, Цири, Йеннифэр, Трисс, Самус, 2B, Тифа, Шэдоухарт, Харли Квинн, Женщина-кошка, Алой, Панам, Джуди — каждый качается своим файлом на 218 МБ, так что тянешь только тех, кто нужен. Сборка живая: последние пополнения — Валира, Ядовитый Плющ, Леди Димитреску, Китана. В ветке под Pony есть и мужские герои: Геральт, Кратос, Артур Морган. На Krea 2 Turbo кадр собирается за 8 шагов. Триггер: zy_valeera, у каждой версии свой: zy_lara, zy_ciri, zy_samus, zy_shadowheart Параметры: Sampler res_2m или Euler, Steps 8-10, CFG 1 НЕЙРО-СКЛАД — всё, что нужно, для твоей нейронки!

Утечка: OnePlus 16 получит батарею на 9000 мАч и чип Snapdragon 8 Elite Gen 6 Pro Глобальная версия OnePlus 16 появится в Индии и Китае в конце года, даже несмотря на уход производителя с рынков США и Европы. По данным OnePlus Club, смартфон получит кремний-углеродный аккумулятор на 9000 мАч, а также проводную зарядку на 100 Вт и беспроводную на 50 Вт. Модель оснастят чипом Snapdragon 8 Elite Gen 6 Pro и операционной системой Android 17 с оболочкой ColorOS 17. Дизайн держится в секрете, но известно, что это крупный смартфон с плоским экраном, алюминиевой рамой и стеклянной задней панелью. Среди других особенностей — стереодинамики, влагозащита и несколько расцветок корпуса.

Продуктовый кейс на собеседовании: на что смотрит интервьюер Менеджеров продуктов часто просят решить кейс, чтобы показать свои знания и навыки. Казалось бы, есть CV, метрики и реальные результаты. Зачем тогда кейс, оторванный от реальности? Продуктовый кейс — это не экзамен с верным ответом, а небольшая симуляция вашей будущей работы. Компании важно не просто увидеть решение, но разглядеть за ним вашу систему принятия решений. Далее разберемся, что обычно под этим подразумевают и как это продемонстрировать. Первое — умеете ли вы правильно поставить задачу. Когда кандидат слышит: «В продукте упала конверсия. Ваши действия?», первой реакцией может быть — найти технический баг и вернуть все в нормальное состояние. Но конверсия могла упасть по разным причинам: изменение трафика, баг в аналитике, проблемы на отдельной платформе, изменение цены или статистическая флуктуация. Когда кандидат сразу предлагает решение, он показывает один подход к работе: сначала действовать, потом разбираться. Когда он размышляет глубже, сначала он конкретизирует проблему. Тогда меняется формулировка и дальнейших вопросов, и поставленной задачи. Например, не просто «нам нужно увеличить ретеншн», а: «нужно увеличить ретеншн 30-го дня новых пользователей на рынке X, так как экономика привлечения не сходится». Второе — умеете ли вы декомпозировать проблему. Интервьюеру важно увидеть не количество гипотез, а способность построить модель происходящего. Если падает выручка, можно сразу обсуждать тарифы и промокоды. А можно сначала разложить, из чего складывается выручка, как формируется клиентская база, что происходит с трафиком, конверсией, частотой покупок и средним чеком. Такая декомпозиция показывает, что вы умеете уменьшать пространство неопределенности, а не просто генерировать идеи внутри него. Третье — понимаете ли вы, какой информации вам не хватает. Один кандидат молча делает предположения или, наоборот, задает десятки вопросов подряд. Другой сначала формулирует гипотезу: «Я бы проверил, связано ли падение с изменением трафика или с ухудшением самой воронки. Для этого нужны данные по источникам и конверсии между этапами. Какие они были за последний период?». То есть вопрос появляется из модели проблемы. Вы не собираете все доступные данные, а понимаете, какая информация поможет принять следующее решение. Четвертое — умеете ли вы выбирать. Кандидаты часто хорошо проходят первые 80% кейса: строят дерево метрик, выделяют сегменты, предлагают гипотезы. А потом говорят: «Можно попробовать A, B, C, D и E». Но как понять, что будет сделано в первую очередь? В одном случае кандидат ответит, что выбрал вариант А, ведь под него уже готова система. В другом случае кандидат тоже скажет, что выбрал вариант А, но пояснит, что выбор сделан с учетом скорости реализации и рисков, а также перечислит критерии принятия решения. Для интервьюера это будут два совершенно разных ответа. Здесь проявляется умение работать с ограниченными ресурсами: выбирать с учетом потенциального эффекта, рисков, стоимости и скорости проверки. Пятое — способны ли вы изменить собственную гипотезу. Как и в жизни, в кейсе могут внезапно появиться новые вводные. Например, в середине кейса вам говорят: «оказалось, что конверсия упала только на iOS». Это не столько подсказка, сколько проверка: готовы ли вы перестроить рассуждение или продолжите защищать первоначальную идею. Способность учитывать новую информацию — один из сигналов того, как кандидат будет действовать в реальной работе. В итоге хороший продуктовый кейс проверяет довольно простую вещь: способны ли вы самостоятельно пройти путь

симптом → цель → структура проблемы → гипотезы → данные → выбор → решение → проверка результата

а не сократить его до:

симптом → идея

@productmindset

#Нейропрожарка Black Fryday Режиссер Дима Терем  Дима Терем (@teremdima) Black Fryday — короткометражка в супергеройском жанре,   которую я сделал зимой для какого-то американского повесточного фестиваля. Под капотом как обычно: Nano Banana, Kling 2.5–3.0 и несколько кадров в Seedance 2.0 (он только появился тогда). Временные затраты примерно неделя. Бюджет небольшой, тысяч тридцать. Сейчас работа выглядит устаревшей.  Как же  быстро все меняется в этом направлении , поэтому пришло время её отпустить) Кстати, совсем недавно я увидел похожую историю, которая начала гулять по Интернету в рекламе Seedance 2.5: та же самая локация , пожар, тоже  про супергероя. Музыка: The Voice of Those Who Don't Exist — "Who Is This Girl?" Смотрим в хорошем качестве тут: https://youtu.be/2WgldLU5KKY @cgevent

ИИ дорисовывает невидимые атомы Чтобы просчитать на компьютере свойства материала нужно точно знать, где в кристалле стоит каждый атом. Координаты берут из баз данных, собранных по результатам рентгеновской дифракции. И вот тут вылезает досадная беда: водород этот метод улавливает плохо. В итоге в описании структуры водород либо стоит не там, либо отсутствует вовсе. Кристалл выглядит почти целым — и при этом непригоден для расчётов. Группа учёных из университетов Пармы и Модены решили исправить это с помощью компьютерного зрения. Там есть задача под названием inpainting: восстановить вырезанный кусок изображения. Нейросеть смотрит на то, что вокруг, и достраивает недостающее так, чтобы оно сошлось с окружением. Старые методы засыпали шумом всю картинку целиком и собирали её заново. Современные бьют сильным шумом только по неизвестной области. Ровно этот приём перенесли на кристаллы. Модель XtalPaint шумит только там, где координат нет. Известные позиции атомов остаются на месте и служат опорой всё время реконструкции. Отсюда, по словам аспиранта Тимо Реентса, и рост точности, и экономия вычислений. Проверяли так: брали структуры, где водород уже был найден, стирали его координаты и просили модель восстановить. В 87% случаев она попала точно в известную конфигурацию. Ещё в 10% предложила расположение, энергетически более устойчивое, чем записанное в базе. Итого 97% успеха. Побочный эффект оказался не менее полезным: методом уже ловят ошибки в базах, которые возникают при переносе данных из оригинальных статей. Дальше — литий и натрий. Их позиции модель тоже умеет восстанавливать, а это прямая дорога к поиску материалов для аккумуляторов. Ну и к водородным хранилищам с возможными новыми сверхпроводниками — ради них всё и затевалось. @vselennayaplus

Джейми Тиван (Chief Scientist в Microsoft) пару дней назад выложила свои семь предсказаний про будущее работы. Они в первую очередь про knowledge work. Но в любом случае, звучит это всё очень оригинально и свежо. 1. Reading will become asking. Writing will become answering. Questions will become the bridge that connects knowledge seekers and knowledge creators. Я это читаю как ещё одно напоминание, что управление знаниями и экспертизой — это теперь context engineering. А может даже и context-to-enablement engineering. А может и context-to-experience engineering. Это мои авторские формулировки 🙂 — Тиван ничего такого не пишет. 2. The audience will start to talk back. The smartest person in the room is about to become the room. Собрания и лекции — неоптимальный способ обмениваться знаниями. Будет что-то другое и асинхронное. 3. You’ll attend meetings asynchronously. Meetings will become places to return to, not moments to attend. Идём дальше по этому же пути — все встречи должны стать асинхронными. И превратиться в непрерывное пространство для диалога, куда участники заходят в удобное для них время. 4. Meetings will make room for being alone. The best way to think together will be to spend part of that thinking apart. Но встречи будут нужны, чтобы поговорить с собой. Или так: первые минуты встречи участники будут проводить один на один с AI, который введет их в курс дела с учетом их персональной роли и поможет сформулировать вопросы. 5. Strategy will be discovered, not declared. Organizations will finally become legible to themselves. Стратегия перестанет быть артефактом и трансформируется в тот самый context-to-enablement инструмент, помогающий принимать ежедневные решения и фокусироваться. 6. Knowledge will outgrow publication. Every discovery will become infrastructure for the next one. Научные знания будут создаваться не в форме больших монолитных статей, а станут распределенными «small contributions» и «form of microproductivity». 7. We’ll start to cache human thought. Human attention will become AI’s most valuable resource. В будущем AI начнет организовывать работу вокруг внимания человека, а не просто списка задач. Анализируя проекты, система будет прогнозировать, какие решения понадобятся в будущем, и задавать вопросы в наиболее подходящие моменты, когда вам проще всего на них ответить. Полученные ответы будут кэшироваться AI и автоматически применяться тогда, когда в них возникнет необходимость, помогая человеку тратить когнитивные ресурсы только на самое важное. → https://microsoft.github.io/nfw-reader/posts/seven-predictions

Меньше трат — больше прибыли Каждая статья расходов влияет на себестоимость продукции или услуг. А от себестоимости напрямую зависит цена для клиента — чем она выше, тем труднее конкурировать на рынке. Поэтому снижение затрат — это не просто экономия, а стратегия увеличения прибыли. Реальный пример: один предприниматель, занимающийся продажей автомобилей, нашёл способ получать дополнительный доход — он размещает свободные средства на краткосрочных депозитах. Несмотря на невысокие ставки, благодаря крупным суммам эта «мелочь» приносит ему ощутимую прибыль — нередко больше, чем основной доход других владельцев малого бизнеса. Такие подходы показывают: внимательное отношение к деньгам, даже в мелочах, и грамотное управление ресурсами позволяют существенно повысить рентабельность и устойчивость компании Фаундер | Бизнес и Стартапы

Как я просрал 9 месяцев жизни из-за разговоров 👹 Май 2024. Я и ещё два партнёра решили сделать сервис, который определяет что за автомобильная запчасть перед тобой, к каким маркам и моделям подходит и не подделка ли это Звучит скучно, но копни глубже - а на этом рынке происходит реальная вакханалия - Одна деталь подходит к десяткам моделей разных марок - У одной и той же детали может быть три разных кода от трех производителей, и они сами путаются в собственной номенклатуре - И вишенка на торте - рынок заполнен копиями и подделками, где на глаз их вообще не отличить от оригинала ➖ Короче, мы захотели построить сервис, который наводит в этом порядок Обучали модель, месяцами собирали данные по крупицам, созванивались с людьми из отрасли и в какой-то момент я уже зашарил в совместимости автозапчастей :) Но было большое НО Мы пытались продать индустрии решение проблемы, которую сами не могли решить в трех головах: кто за что отвечает. Модель мы обучили, да А вот управленческое решение - кто именно отвечает за продажи, кто за продукт, кто за сроки так и не приняли 🤩 Девять месяцев мы созванивались каждую неделю Обсуждали, уточняли, спорили, но проблема была в том, что тему, которую мы разбирали на седьмом месяце, мы закрыли ещё на втором и просто продолжали ее мусолить Продажами явно не занимался никто. Каждый по чуть-чуть касался всего и в итоге никто не отвечал ни за что целиком, а к февралю 2025 звонки стали реже, а потом их вовсе не стало Вывод, который обошёлся мне в 9 месяцев работы:

созвоны не двигатель проекта, особенно когда нет четких зон отвественности и четких задач + сроков после него

Я уже со многими подписчиками пообщался в директе на эту тему и понимаю, как бывает стремно такое обсуждать, а в особенности делиться своими факапами Но если вдруг у тебя есть ощущение, что на проекте что-то идет не так - под этим постом можно поделиться и получить фидбек со стороны (ни на что не намекаю как всегда)