TGINSIGHT SIMILAR POSTS
Изходен канал @clockstackwheels · Post #1190 · 18.12
Деннис Тейлор, «Пока мы не сбились с пути» Вселенная Бобов — это серия, за рекомендацию которой меня чаще всего благодарят. Видимо, все остальные книги, о которых я пишу, либо очень хорошо известны, либо не находят отклика у настолько широкой аудитории. Пожалуй, нет смысла подробно писать о пятой части. Автор вернулся к рваному повествованию, состоящему из отдельных историй. У него это в целом получается хорошо, хотя тут некоторые истории меня зацепили (про центр галактики и исход, про ИИ), другие показались проходными или невнятными (про драконов, про виртуальную реальность для инопланетян). Многие темы стали максимально размытыми, вроде взаимоотношений с людьми. Ещё могу отметить, что, если первые книги сносно опираются на существующие физические концепции, то тут Тейлору пришлось больше фантазировать, иначе он бы упёрся в сюжетные границы. Это не плохо, если только вы не воспринимали «Бобов» как твёрдую НФ. Для меня такой ход был ожидаемым, разочарования я не испытал. Понравился момент установки взаимопонимания с инопланетными дронами, хотя конечно лучше, чем в «Аве Марии», первый контакт не описан нигде. Причина, по которой с центром галактики случилось то, что случилось, тоже подобрана хорошо, приостановку неверия лично у меня не сломала, но и угадать заранее я не смог. По итогу я бы сказал так: пятую книгу прослушал не без удовольствия, но шестую автору уже писать не стоит. Из этой идеи и вселенной выжато всё досуха.#fiction@clockstackwheels
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