Избранное трейдера /\../



Всем привет, я на это недели пропустил традиционный обзор по инфляции, так как в выходные у меня было больше времени подумать, на тем что делать с Юанем по 12 руб. и был занят процессом покупки новой машины.

Из графика винда 15% скидка по курсу рубля на юани(CNY/RMB), а так как я счастливый обладатель валютной выручки, то будучи еще в октябре, ноябре и декабре я готовил депозит в рублях на брокерском счете и продавал за дорого валюту и ничего не покупал и не тратил на товары длительного потребления, но при этом присматривался к Китайскому автопрому и смотрел, что сейчас предлагают дилеры в РФ и как можно привезти машину напрямую, как частное лицо из Китая не уплачивая коммерческий утильсбор 667 400 руб.
И выходные у меня в голове сложилось 2+2, так как это хороший момент, что бы продавать свою б/у машину за не оправдано дорого пока иностранные автоконцерны не вернулись в РФ и покупать за те же деньги со скидкой 15-20% за юани напрямую в Китае современный относительно внутреннего рынка Китая бюджетный(наиболее ликвидный) гибридный автомобиль.
В глубинах, куда не проникает солнечный свет, живут и процветают настоящие гиганты, приспособившиеся к экстремальным условиям. И сегодня я расскажу вам о пяти самых огромных глубоководных существах, чьи поистине колоссальные размеры и невероятные особенности поразят воображение даже самых искушенных любителей подводного мира.
Гигантский кальмарГигантский кальмар (лат. Architeuthis dux) обитает на глубинах до 1 000 метров. Встречается во всех океанах, но наиболее часто в северной части Атлантического океана и в водах около Новой Зеландии и Южной Африки.
Диорама «гигантский кальмар против кашалота» в Американском музее естественной истории / © nationalgeographic.comДлина тела вместе с щупальцами достигает 18 метров, а масса может превышать 500 килограммов. Его глаза, крупнейшие в животном мире, достигают 40 сантиметров в диаметре и обладают сверхчувствительностью к свету, что позволяет охотиться в полной темноте. Щупальца усеяны хитиновыми крючками, обеспечивающими мертвую хватку при захвате добычи.

Вплоть до 50-х годов алмазы в Советском Союзе не добывались. Этот важный для машиностроения и промышленности камень наша страна вынуждена была закупать за рубежом. Несмотря на огромные затраты много лет специальная экспедиция не могла найти в СССР залежи, подходящие для разработки. Все изменилось благодаря самоотверженности двух женщин-геологов. К сожалению, эта история вместо триумфа русской науки стала образцом беспринципности и нечистоплотности.
Лариса Анатольевна Попугаева была дочерью расстрелянного в Одессе в 1937 году секретаря райкома партии. Ее мать, известный искусствовед, после этой семейной трагедии вернулась с дочерью в Ленинград, где Лариса окончила школу и поступила в Ленинградский университет. В комсомол ее, правда, долго не принимали из-за судьбы отца, но образование девушка получила. Война застала ее в Москве. Лариса закончила курсы медсестер и зенитчиков, защищала небо столицы от налетов. В военное время то, что она «дочь врага народа» забылось, и Лариса стала наконец комсомолкой, а позднее вступила в ряды партии.
Эксперимент DeepSeek-R1-Zero показал нечто замечательное: используя чистое обучение с подкреплением с тщательно продуманными функциями вознаграждения, им удалось заставить модели развивать сложные способности рассуждения полностью автономно. Речь шла не только о решении проблем — модель органически научилась генерировать длинные цепочки мыслей, самостоятельно проверять свою работу и выделять больше вычислительного времени для более сложных задач.
Техническим прорывом здесь стал их новый подход к моделированию вознаграждения. Вместо того чтобы использовать сложные нейронные модели вознаграждения, которые могут привести к «взлому вознаграждения» (когда модель находит фиктивные способы увеличить свои вознаграждения, которые на самом деле не приводят к лучшей производительности модели в реальном мире), они разработали умную систему на основе правил, которая сочетает вознаграждения за точность (проверку окончательных ответов) с вознаграждениями за формат (поощрение структурированного мышления). Этот более простой подход оказался более надежным и масштабируемым, чем модели вознаграждения на основе процесса, которые пробовали другие.