TGINSIGHT SIMILAR POSTS
Изходен канал @clockstackwheels · Post #1065 · 23.01
Вернулся в фотополимерную печать, и сразу с болью вспомнил, как много там возни. Да, детализация получается такая, что лучшим FDM не снилась, но всё-таки важнейший недостаток в том, что о возникновении проблемы при печати становится известно только к её середине, когда моделька уже на какую-то высоту покажется из жидкости. Из-за этого на тесты уходит и дорогой полимер и время. Тем более, после неудачи нередко нужно целиком сливать резину, очищать плёнку, всё мыть и так далее. Впрочем, за прошедшие годы это направление развилось. Фотополимер стал дешевле и, что самое главное, появились водосмываемые варианты. Если раньше приходилось вонять дорогим и сложным к добыче изопропанолом, но сейчас тёплая водичка, доступная в любых количествах, решает проблему отмывки. Хотя сам полимер тоже сильно воняет. Появились версии без запаха, но они-то как раз спиртосмываемые. Короче, почти неделю я бился с засветкой, менял настройки и расположение детали. То отвалится с поддержек, то слои смещаются, то к плёнке прилипнет. А оказалось всё просто: проблема механики. Рельса стала люфтить, пришлось разбирать её и натягивать эксцентрик. Никогда не стоит забывать проверять все аспекты. Если устройство состоит из химии и механики, то стоит учитывать возможный косяк и там и там. Увидел, что в какой-то момент в моей мастерской одновременно работало два принтера. Да у меня же... принт-ферма! #gadgets
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