Чернов пишет
Много новых релизов продуктов QlikTech - 2026 may https://chernovdev.ru/qlik-downloads
Интересные фичи завезли в QS 2026 May
• drop variable ... о_0
• drop mapping ... маппинг таблицы!
• constrain - новая функция, которая задает ограничения на данные внутри переменных!
• теперь можно закреплять в поле "выборок" определенные поля - чтобы всегда были под рукой (даешь меньше фильтров!)
• экспорт таблиц из qmc в csv
• поддержка postgres 17 и 18 версий
это и многое другое описано в документациях в 2 разделах (юзерам и админам), а для разработчиков не завезли изменений:
https://help.qlik.com/en-US/sense-admin/May2026/Content/Sense_Helpsites/WhatsNew/What-is-new-May2026.htm
https://help.qlik.com/en-US/sense-admin/May2026/Content/Sense_Helpsites/WhatsNew/What-is-new-May2026.htm
#qs #may2026 #releasenotes #whatsnew
• drop variable ... о_0
• drop mapping ... маппинг таблицы!
• constrain - новая функция, которая задает ограничения на данные внутри переменных!
• теперь можно закреплять в поле "выборок" определенные поля - чтобы всегда были под рукой (даешь меньше фильтров!)
• экспорт таблиц из qmc в csv
• поддержка postgres 17 и 18 версий
это и многое другое описано в документациях в 2 разделах (юзерам и админам), а для разработчиков не завезли изменений:
https://help.qlik.com/en-US/sense-admin/May2026/Content/Sense_Helpsites/WhatsNew/What-is-new-May2026.htm
https://help.qlik.com/en-US/sense-admin/May2026/Content/Sense_Helpsites/WhatsNew/What-is-new-May2026.htm
#qs #may2026 #releasenotes #whatsnew
🤓4🔥2
opus48 + команда /goal =
✔ Goal achieved (2h · 1 turn · 363.4k tokens)
✻ Crunched for 2h 2m 48s
※ recap: Цель — привести бэк в соответствие с изменениями фронта;
использовано контекста = 51%
✔ Goal achieved (2h · 1 turn · 363.4k tokens)
✻ Crunched for 2h 2m 48s
※ recap: Цель — привести бэк в соответствие с изменениями фронта;
использовано контекста = 51%
🔥3🤨1
Оно показывает, как российские платформы помогают бизнес-пользователям работать автономно во всей архитектуре данных, а не только в BI.
В отчет вошло 20+ российских решений: от BI, ETL и IBP-систем до облачных сервисов и платформ по работе с семантическим слоем. Среди которых: Yandex DataLens, Modus BI/ETL, Loginom, Dat. ax, DataForge,Visiology, PIX BI, Rapeed и другие.
➡️ Отчет поможет понять:
– где self-service – реальная управляемая модель, а где – набор разрозненных функций или маркетинговая декларация,
– какие элементы инфраструктуры критичны и как безопасно интегрировать AI,
– как балансировать свободу пользователя и управляемость среды.➡️ Особое внимание уделено:
– AI в self-service: без бизнес-контекста AI может давать убедительные, но неверные ответы.
– и семантическому слою: пользователю недостаточно просто дать доступ к данным; нужно зафиксировать показатели, правила расчета, связи и ограничения интерпретации.
Используйте готовые ориентиры для оценки зрелости self-service в вашей компании.
Круги Громова | Подписаться и стать частью Data-сообщества
#КругиГромова #ИИ #AgenticAI #SelfService #SemanticLayer
Please open Telegram to view this post
VIEW IN TELEGRAM
🏆4
Forwarded from Machinelearning
NVIDIA выкатили Nemotron 3 Ultra (550B-A55B) - свою самую сильную open-weight модель на сегодня, причём вместе с полной схемой обучения.
Главный фокус на эффективность инференса в реальных long-context agentic сценариях, где модель долго держит контекст, работает с инструментами и выполняет многошаговые задачи.
Открыли почти всё:
• base-модель
• post-trained версии
• reward checkpoints
• NVFP4-квантованные версии
• тренировочные данные
• рецепты обучения
Технически внутри тоже интересно:
• 550B параметров всего, 55B активных
• гибридная архитектура Mamba2 + Transformer
• примерно 4:1 в пользу Mamba относительно Attention
• претрейн в NVFP4 на 20T токенов
• LatentMoE-архитектура
• двухэтапный MOPD post-training
• нативная поддержка MTP
🤗BF16 checkpoint: https://huggingface.co/nvidia/NVIDIA-Nemotron-3-Ultra-550B-A55B-BF16
🤗NVFP4 checkpoint: https://huggingface.co/nvidia/NVIDIA-Nemotron-3-Ultra-550B-A55B-NVFP4
📜Technical Report: https://research.nvidia.com/labs/nemotron/files/NVIDIA-Nemotron-3-Ultra-Technical-Report.pdf
@ai_machinelearning_big_data
Главный фокус на эффективность инференса в реальных long-context agentic сценариях, где модель долго держит контекст, работает с инструментами и выполняет многошаговые задачи.
Открыли почти всё:
• base-модель
• post-trained версии
• reward checkpoints
• NVFP4-квантованные версии
• тренировочные данные
• рецепты обучения
Технически внутри тоже интересно:
• 550B параметров всего, 55B активных
• гибридная архитектура Mamba2 + Transformer
• примерно 4:1 в пользу Mamba относительно Attention
• претрейн в NVFP4 на 20T токенов
• LatentMoE-архитектура
• двухэтапный MOPD post-training
• нативная поддержка MTP
🤗BF16 checkpoint: https://huggingface.co/nvidia/NVIDIA-Nemotron-3-Ultra-550B-A55B-BF16
🤗NVFP4 checkpoint: https://huggingface.co/nvidia/NVIDIA-Nemotron-3-Ultra-550B-A55B-NVFP4
📜Technical Report: https://research.nvidia.com/labs/nemotron/files/NVIDIA-Nemotron-3-Ultra-Technical-Report.pdf
@ai_machinelearning_big_data