TGINSIGHT SIMILAR POSTS
Изходен канал @clockstackwheels · Post #1032 · 31.10
Сыграли на выходных в «Шепот за стеной». Эта настолка в своё время хорошо собрала на Кикстартере, а потом издательство Низа Гамс договорилось о локализации и привезло её в Россию. Кстати, Низа Гамс выросли из настольного видеоблога, при этом ребятам удаётся подписывать по-настоящему интересные и неординарные проекты. Так вот, «Шёпот за стеной» это асимметричная игра, где один игрок управляет маньяком-убийцей, а 1-3 других игроков становятся жертвами. Игра идёт в стиле классических ужастиков вроде «Пятницы 13»: злодей фактически неуязвим, и от него можно только спрятаться или убежать. Персонажи перемещаются по большому старинному особняку, но фокус в том, что убийца не знает точное положение жертв и должен косвенно вычислять их по издаваемому шуму (шум это специальные жетоны, которые жертвы выкладывают при выполнении нужных им действий). Жертвы могут выиграть двумя способами: сбежать, найдя ключи от особняка, или вызвать полицию, починив телефон. Маньяк, понятное дело, должен для победы кого-то убить. Прелесть «Шепота» в том, что броский внешний вид, в отличие от многих проектов, не оттеняет бедность игровых механик, а, наоборот, служит для их усиления. Красивая конструкция в виде дома — это и разделитель между полями (чтобы игроки не видели положение друг друга) и встроенная башенка для броска кубиков. Миниатюрки это не просто способ продать коробку подороже, а по-настоящему нужный элемент быстрой оценки диспозиции на поле. Вообще, многие мелочи здесь продуманы очень хорошо и прекрасно работают: так, например, с течением партии силы маньяка растут, что является естественным таймером конца игры без всяких там «после N ходов вы проиграли». Правила простые, партии не очень длинные, даунтайма почти нет, в игре есть и блеф, и напряжённость и стратегия. Хотелось бы сказать, что она вообще идеальна во всём, но минус присутствует: совсем хорошо играется только на четверых. Любым другим составом уже чуть менее удобно, потому что одному игроку приходится брать нескольких персонажей. Хотя тоже возможно, у нас даже двое за убийцу играли (что правилами не предусмотрено). Тем не менее, я купил базу и все дополнения, и очень советую. В базе пять персонажей жертв и три вида убийц с разными особыми свойствами, в дополнениях в основном ещё убийцы плюс новые виды особняков. Кстати, несмотря на тематику и надпись 18+, никакой жестокости тут нет, и можно без проблем играть с подростком 12-13 лет и старше. #games
Hashtags
Търсене: #mlm
@profcen · Post #383 · 16.08.2023 г., 09:03
Поэтому вести борьбу с купцами счастья нужно неустанно и постоянно, как за зарплаты и нормальные условия труда. Победа на этом фронте сулит значительные успехи и на остальных. Не слушайте игры нарядных дудочников. Думайте. Боритесь. @profcen_bot #инсайд#мошенничество#mlm#сетевоймаркетинг
@ai_machinelearning_big_data · Post #8817 · 20.10.2025 г., 20:41
⚡️BERT is just a Single Text Diffusion Step Любопытны пост, где автор объяснил на примере очень простую и очевидную, но мощную идею. Он заметил, что то, что мы называем диффузией текста, на самом деле - это просто обобщённая версия классического обучения BERT. Как работаетBERT? В BERT модель берёт текст и маскирует часть слов, а потом учится угадывать, какие слова были скрыты. В диффузии происходит почти то же самое, только шагов больше: на каждом шаге модель немного «портит» текст (добавляет шум), а затем восстанавливает его, всё меньше и меньше теряя смысл, пока не соберёт финальный чистый текст. То есть BERT делает один шаг очистки - угадывает замаскированные слова. А диффузионная модель делает много таких шагов подряд, постепенно превращая случайный набор токенов в осмысленный текст. Барри дообучил RoBERTa, чтобы показать это на практике - и получил настоящий текстовый диффузионный генератор. В примере: - Используется RoBER (улучшенная версия модели BERT,) и датасет WikiText. - На каждом шаге часть токенов заменяется на <MASK>, модель восстанавливает их, потом снова маскирует — и так несколько раз. - После нескольких итераций модель способна генерировать связный текст, даже без автогенеративного декодера (как у GPT). 📈Результаты - Модель генерирует осмысленный текст, хотя и не идеально связный. - Качество улучшалось по мере добавления шагов диффузии. - По времени генерации RoBERTa Diffusion была немного медленнее, чем GPT-2 (~13 сек против 9 сек), но архитектура осталась полностью encoder-only. Автор упоминает, что позже наткнулся на работу DiffusionBERT, где идею реализовали глубже и подтвердили результатами. Главная мысль: BERT можно считать одноступенчатой версией текстовой диффузии. Если добавить больше шагов, то vs получаем диффузионный генератор текста. Если BERT - это один шаг диффузии, то будущее может принадлежать моделям, совмещающим "понимание" и "генерацию" текста в одном процессе. https://nathan.rs/posts/roberta-diffusion/ @ai_machinelearning_big_data #AI#Diffusion#RoBERTa#BERT#LanguageModel#MLM#Research