TGTGInsightтелеграм анализLIVE / telegram public index
← Такты, стеки, два колеса

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #1165 · 15.11

Прошёл Dispatch. Это такой псевдоинтерактивный мультик с игровыми вставками в сеттинге супергероики. TLDR: очень много положительных впечатлений, хочу ещё, но есть замечания. Почему псевдоинтерактивный? Долго думал о том, чем отличается такой подход, как в Dispatch, от подхода в играх Quantic Dream, например Detroit: Become Human. И нашёл вот такое отличие: в Детройте твой выбор влияет не только на сюжет, но и на дальнейший игровой процесс. Если, например, Кара попадётся властям, то у тебя будет целый уровень в лагере для пленных роботов, которого не будет в остальных случаях. А часть персонажей вообще могут погибнуть навсегда, и у тебя не будет никаких уровней с ними больше. В Dispatch же ты влияешь только на сюжет, да и то, не слишком сильно. Ну запустится у тебя чуть другая катсцена, это любопытно, но не заставляет игрока переживать о выборе. Так что я бы сказал так: ты смотришь мультик. Мультсериал, если точнее. И периодически ставишь его на паузу и играешь в простенькую казуальную игру с теми же персонажами. Действия в игре на мультик не влияют. Звучит, как обман, покупал то ведь игру! Может, да, но схема рабочая, и вот, почему. Во-первых, мы и сами это делаем. Я точно делаю: смотрю сериал, но иногда отвлекаюсь от него на то, чтобы поделать что-то интерактивное: попереписываться в чате, поиграть в мини-игрушку, поделать наконец рабочие задачи. Сам по себе ритм такого переключения внимания очень удачный, не утомляет. Во-вторых, тут мультик очень хорош. Он отлично поставлен, персонажи круто прописаны, за ними интересно следить. Понравился характер протагониста: баланс между цинизмом/непробиваемостью и героическими чертами. Простой человек без сверхспособностей, окружённый более сильными суперами, который, однако, даст им фору и в беседе и в бою. Много отменного юмора. Пожалуй, концовка могла бы быть поизобретательнее, в паре моментов логика там нарушается (в комментах напишу, чтобы не спойлерить), но глобально смотреть было увлекательнее, чем все супергеройские голливудские фильмы последних лет. Что касается игры, то это симулятор управленца в стиле This Is The Police. Тактика есть, простая, стратегии по факту нет. Сидишь, решаешь задачки. Не тупо (кроме взлома, вот он такой же унылый, как и все мини-игры по взлому везде), но и не шахматы. Самое то для отвлечения. А ещё это интересный прецедент в мире игровых студий: авторы были на грани закрытия, и, честно говоря, вряд ли они потянули бы сделать именно крутую игру. Но у них был опыт и люди, которые умеют делать кино, поэтому они выпустили крутое кино, продали его на видеоигровом рынке, и не только избежали краха, но и хорошо заработали, потому что Dispatch взорвал все топы. #games

Hashtags

Резултати

Намерени 1 подобни публикации

Търсене: #bfl

当前筛选 #bfl清除筛选
Machinelearning

@ai_machinelearning_big_data · Post #9625 · 05.03.2026 г., 13:26

🌟Self-Flow: обучение диффузионных моделей без внешних энкодеров от Black Forest Labs. Black Forest Labs и MIT решили проблему, с которой сталкиваются диффузионные и flow-модели: чтобы генерировать качественные картинки, им нужны сильные семантические представления. Обычно их берут снаружи - выравнивают внутренние признаки модели с признаками энкодера вроде DINOv2. Метод работает, но есть нюанс. Чем сильнее энкодер, тем хуже результат: в экспериментах замена DINOv2-B на более мощный DINOv3-H+ стойко ухудшала FID. Модель привязывалась к фиксированным внешним представлениям и переставала масштабироваться. На видео и аудио выравнивание с энкодерами V-JEPA2 и MERT вообще давало результат хуже ванильного flow matching. 🟡Self-Flow предлагает механизм Dual-Timestep Scheduling В стандартном flow matching все токены нойзятся одинаково, поэтому модель решает задачу локально и не учится строить глобальные связи. Self-Flow сэмплирует 2 разных уровня шума и случайно назначает их разным токенам (часть входа зашумлена сильнее, часть чище). Это создает асимметрию: чтобы восстановить сильно зашумленные токены, модель вынуждена опираться на чистые и строить глобальный контекст. Поверх этого работает самообучение по принципу дистилляции. Обучаются одновременно 2 копии модели: модель-ученик видит смешанный зашумленный вход, модель-учитель - более чистую версию (EMA-копия с экспоненциальным скользящим средним). Ученик учится предсказывать признаки учителя из зашумленного входа, и это вынуждает его развивать сильные семантические представления без какого-либо внешнего энкодера. 🟡Результаты тестов 🟢На ImageNet 256×256 Self-Flow показал FID 5.70 против 5.89 у REPA; Это, кстати, первый случай, когда self-supervised метод превзошел внешнее выравнивание на этом бенче 🟢На text-to-image: FID 3.61 против 3.92 у REPA; 🟢По видео: FVD 47.81 против 49.75 у REPA; 🟢По аудио: лучшие FAD-оценки среди всех вариантов. При этом на масштабировании (с 290M до 1B) разрыв с REPA увеличивается: модель Self-Flow на 625M параметров обходит REPA на 1B. Метод универсален для модальностей - он работает одинаково на картинках, видео и аудио, что намекает на применение для мультимодального обучения. В репозитории проекта есть код инференса на основе SiT-XL/2 с per-token timestep conditioning, чекпоинт на основе ImageNet 256×256 и скрипты для генерации сэмплов под FID-оценку через ADM evaluation suite. Поддерживаются режимы SDE и ODE, мульти-GPU через torchrun. 🟡Статья 🟡Техотчет 🖥GitHub @ai_machinelearning_big_data #AI#ML#Multimodal#Framework#BFL