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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #157 · 12.01

На рынке удивительная ситуация с этим кризисом чипов: у людей есть деньги и желание купить товар, а у компаний есть производство и желание продать. Но товар не могут сделать и поставить. Кстати, что странно, компании даже в условиях дефицита не повышают официальную цену, хотя именно так капитализм должен был бы в норме решать эту проблему. В итоге, мы получаем паразитическую сторону капитализма — появляются перекупщики, которые делают наценку 50-100% и даже более. С автомобилями (да, новые автомобили тоже внезапно в кризисе) такая перепродажа, вероятно, не очень прокатывает. Но приставки и видеокарты попали под ситуацию очень заметно. В идеале и производителям и легальным магазинам нужно продать товар по возможности сразу целевому пользователю. Как это сделать? Магазины в России в конце прошлого года попробовали анализировать аккаунты покупателей и вручную звонить людям, попавшим под некий профиль (например, если человек купил много геймерских товаров), предлагая им PlayStation 5. Кажется, сработало это не очень хорошо. Во-первых, многие, кто очень хочет, так и остались без приставки. Люди буквально днями и неделями мониторят все возможные сайты в надежде поймать заветную «плойку». Иногда удается, но чаще нет. Во-вторых, магазины всё равно попадают на тех, кто в итоге продаст товар с наценкой. Например, два разных магазина могут продать одному и тому же человеку. Или — так было в моём случае — магазин предложил мне только дисковую версию, я её купил и продал ровно так, чтобы компенсировать наценку на бездисковую, которую на самом деле хотел. Впрочем, я купил бездисковую не у таких потерявших берега перекупщиков, какие обитают в России, а за границей, и наценка была небольшая относительно состояния рынка. И вот здесь привязка устройств к человеку по каким-нибудь идентификационным данным на самом деле могла бы сыграть в плюс. В магазине, кстати, приставку продали только при личной явке и только при предъявлении паспорта, и это после их же звонка с предложением. Но можно пойти дальше: прямо при покупке привязывать аккаунт к конкретной персоне, и так, чтобы его нельзя было отвязать, например, в течение года. Это конечно упрощённая и идеализированная модель, но суть ясна: сделать скорую перепродажу невыгодной или даже невозможной. Год назад казалось, что через год то уж точно приставки для всех будут. Я поэтому тогда и не купил. А в действительности через год стало только сложнее достать. Посмотрим, что будет ещё через год. #life#gadgets

Резултати

Намерени 1 подобни публикации

Търсене: #roberta

当前筛选 #roberta清除筛选
Machinelearning

@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