TGINSIGHT SIMILAR POSTS
Изходен канал @clockstackwheels · Post #1192 · 24.12
А вот топы публикаций на Хабре за год, например. Рейтинг В топе по рейтингу характерно в основном UGC, и там либо очень болезненные нетехнические темы (моя про собесы, ниже про ИИ и ненормальность), либо очень интересно написанные технические. Прикольно, что топ-2 статья про 2ГИС, где я теперь работаю, и этим событием заканчивается моя статья выше про собесы. Можно читать сверху вниз, сквозной сюжет. Но про 2ГИС не моя, была ещё раньше: статья о фейковых отзывах, очень годная, вроде как наши сразу взяли в работу, как она появилась. И не могу не заметить топ-6 статью, где автор рассказывает, как его задолбала ИИ-истерия везде, и в айти особенно. Просмотры В топе по просмотрам хайповая фигня, куда либо компании льют траффик (ИИ), либо просто приходят залётные юзеры из поиска (про вотсап). Там вообще почти весь топ это вотсап и макс, скукота. Комментарии Ожидаемо политота и холиварные топики. Полит-срачи вообще очень затягивающая штука, я попадаю в них чаще, чем хотелось бы, к сожалению. И я прям иногда по рукам себя бью, чтобы не писать политически окрашенные посты в этот блог, даже если тема кажется мне прям супер однозначной и не допускающей никакой дискуссии. В целом на Хабр оказывается написали 50к материалов за год (новости + статьи). Многие дублируют туда свои личные телеграм-каналы или вообще постят любой медиа-мусор пачками. Но даже с учётом этого 50к это прям очень много. #web@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