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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #1174 · 7.12

Большущий текст о настолках и настольном кемпе. Если вы не интересуетесь этой темой, пропускайте пост. #games@clockstackwheels У настольщиков есть общая боль — низкое проникновение хобби в среду нормисов. Не знаю, с чем конкретно это связано, но пока что настолки прям сравнительно маргинальная тема в России. Может, людям лень или сложно, может быть им не собраться вживую, а может быть просто не хватает маркетинга, чтобы народ знал о существовании чего-то, кроме Монополии и Покера. Хотя по моим наблюдениям родители нередко начинают играть с детьми, признавая позитивный эмоционально-образовательный эффект настольных игр, но при трансфере этого хобби во взрослую жизнь что-то ломается по пути. В общем те, у кого не сломалось, собираются в игровые клубы, на игротеки и на кемпы. Кемп это такой выезд на несколько дней куда-нибудь в отель, где ты целыми днями играешь в настолки с такими же упоротыми ценителями прекрасного. Я был на таком впервые и вот только вернулся. Конкретно этот шёл трое суток в пансионате в Ленобласти, организован был компанией Лавка Игр. Ещё до начала я всех задолбал в чате попытками придумать какую-то систему записи, потому что мне было совершенно непонятно, как собственно на месте идёт процесс синхронизации. В идеале у тебя должна быть возможность в любой момент времени начать партию в интересующую тебя игру и иметь под неё нужное число игроков. На деле происходит так: • В чате кто-то пишет, что собирается во что-то играть. Ты думаешь: «О, я чё-то про неё слышал, надо попробовать» и идёшь; • Ты находишь интересную тебе игру на стеллажах, предоставленных организаторами и участниками, начинаешь её раскладывать на свободном столе, игроки материализуются сами; • Ты идёшь мимо столов с раскладываемой игрой, тебе она кажется привлекательной — всё, теперь ты тот самый материализовавшийся игрок. Короч, система работает. Сам пансионат был, ну как сказать, бюджетным, со всеми вытекающими (хотя я не знаю, бывают ли не бюджетные пансионаты, которым не требуется срочный косметический ремонт везде). Еда нормальная, столовская, с выбором и адекватными порциями, но без десертов (хотя их отсутствие компенсировалось бесконечными сладостями от организаторов). Я вообще не покидал здание все дни. В день лично мне в ненапряжном темпе удавалось сыграть в 3-4 игры с учётом долгого сна утром, но при этом окончания партий в 4 часа ночи. Как я понял, среднестатистический посетитель кемпов играет больше, а спит меньше. Всего четыре игровых зала, и из них почему-то один очень шумный, такой, что едва слышно сидящего рядом, а остальные три неожиданно тихие. Окей, один был попрохладнее, туда не так стремились, но всё равно распределение шума меня удивило. По уюту было очень кайфово вечером-ночью сидеть в углу где-то за составленными группой столами и раскладывать настолочку. Дальше конкретно про игры, в которые я сыграл, и моё мнение о них. Гармония. Расслабляющий абстракт на составление сетов в тематике природы. У нас были очень красивые миниатюрки с животными, сделанные на заказ, и конкретно для меня они дали половину удовольствия от игры (в оригинальной коробке там просто цветные кубики). Вот без этих миниатюр игре не хватило тематичности, чтоб я её себе в коллекцию купил. Хотя подумывал об этом. Зоократия. У меня дома есть коробка, я не успел распаковать. Любопытная игра на позитивную дипломатию: важные игровые действия каждый может делать только с помощью других игроков, при этом побеждает всё равно кто-то один. Удивительно, но она работает, не вызывает замыканий, когда никто никому не хотел бы помогать. Оставляю коробку, с удовольствием предложу семье и друзьям.

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