TGINSIGHT SIMILAR POSTS
Изходен канал @clockstackwheels · Post #133 · 6.01
В итоге все четыре сериала, которые выпустили Marvel за год, оказались в лучшем случае средненькими. Да, во всех есть реально крутые моменты, пасхалки, хороший неназойливый фан-сервис. Во всех есть хотя бы одна серия, которую смотришь с удовольствием от начала до конца, да и в целом ни один нет желания бросать на середине. Но послевкусие вообще нулевое, а оправданность ожиданий ниже плинтуса. Эмоций после просмотра практически не остаётся, не более чем прочитать абзац с важной информацией для дальнейшего понимания вселенной. Думаю, Марвел стали одновременно заложниками высокой планки и высокого бюджета. С одной стороны, после театральных блокбастеров ожидаешь как минимум не хуже. Хотя даже последние удаются компании, скажем честно, не каждый раз. С другой стороны, высочайшая стоимость серии — тут тебе и дорогие актеры, и дорогая картинка. В итоге серий приходится делать мало, и их не хватает, чтобы хорошо раскрыть персонажей (даже уже известных), и в особенности чтобы сформулировать и разрешить достаточно глубокий конфликт. Если бы мне год назад кто-то сказал, что, в принципе, все четыре сериала можно пропускать, и я даже как фанат вселенной особенно ничего не потеряю, я бы не поверил. Но увы. Самый сильный крах ожиданий был на Локи, естественно. Такой потенциал потеряли, эх. #fiction
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