Намери подобно съдържание

Изходен канал @clockstackwheels · Post #134 · 7.01

Прогулялись вчера по праздничному городу, и я вновь посокрушался о том, как мало места выделено пешеходам по сравнению с автомобилями. Вообще, среди идеологий нового времени именно урбанистика выделяется по ряду критериев. Да, её, как и многие другие идеологии (например, равноправие полов) исповедуют прогрессивные люди, а широкие массы встречают в штыки. Да, она, как и многие другие идеологии, вступает в конфликт с привычным исторически сложившимся образом жизни. Встретить в интернете спор урбанистов с, например, автомобилистами ничуть не сложнее, чем спор феминисток с адептами патриархата. Но есть особенности. Во-первых, некоторые урбанистические постулаты достаточно надёжно подтверждены и математикой, и реальными городами. Например, то, что строительство новых дорог не уменьшает, а увеличивает количество пробок — практически объективная истина. Здесь нет разных взглядов и разных мнений, это просто факт. Чиновник, который сражается с пробками с помощью новых полос и развязок, совершенно точно не знаком с вопросом и совершает ошибку, никакого другого варианта не может быть. И у многих других городских проблем есть уже выработанное объективное решение, которое действует: у грязи на тротуарах, у луж, у отсутствия свободной парковки итд. Во-вторых, урбанисты, как мне кажется, подвергаются необоснованно высокой агрессии. Понятно, что адепт любой идеологии будет критиковаться её противниками. И когда сторонник вакцинации получает от антипрививочника гневную оскорбительную тираду — это можно объяснить. С точки зрения антипрививочника ему предлагают буквально травить себя химией, здесь обоснована агрессия в ответ. Но вот если урбанист предлагает автомобилистам отдать часть дороги под велосипедные полосы — на мой взгляд степень того неудобства, которое испытают автомобилисты, не настолько высока, чтобы оправдать высокий уровень гнева в их реакции на такое предложение. Однако, в обсуждениях в сети на урбанистов наезжают не менее агрессивно, чем на сторонников вакцинации и представителей других идеологий с радикальными противниками. До России урбанистика вряд ли дойдет в ближайшие полвека. Слишком много других социальных институтов должны встать на ноги перед этим, а они даже не начинают. Но за более прогрессивным в этом отношении миром (в основном, Западной Европой) наблюдать интересно. #life

Hashtags

#life

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

Намери подобни Прегледай

🌟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

Hashtags

#ai #ml #multimodal #framework #bfl