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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #210 · 6.02

Интересно, а как сами либералы и меньшинства реагируют на очень тупую и топорную отработку повестки в куче современных кино и сериалов? Вот есть в мире вещи, которые я люблю. Есть вещи, которые идеологически мне очень близки. Но когда что-то, что я люблю и считаю правильным, используют неуместно и навязывающе, мне от этого становится неприятно. Допустим, я урбанист и считаю, что парковку во дворах надо запретить. Теперь представим, что на моей свадьбе вместо речи один из гостей начал толкать эту урбанистическую идеологию (пример вымышленный, у меня на свадьбе все гости были классные!). Вот сидим мы в ресторане, он встаёт, просит минуту внимания, все остальные замолкают и смотрят на него. Он показывает в окно: "Смотрите, как забит двор. Это неприемлемо, так не может продолжаться, с этим надо что-то делать!". Причём, не в рамках какой-то шутки или сложной подводки к тосту, а на полном серьёзе. Как сейчас модно говорить: "кринж". Нелепо, глупо, до стыда неуместно. Я даже как сторонник той же идеологии и, будучи по сути с ним согласен, испытаю много негатива. Точно так же для меня выглядит отработка повестки во многих современных фильмах и сериалах. Любой повестки: расовой, сексуальной, феминистической. Посреди сюжета совершенно не связанным с событиями образом вставляют, например, нетрадиционные отношения. Или какого-то из персонажей делают вычурным представителем нужного меньшинства, а нередко даже двух или трёх меньшинств. Можно делать это аккуратно, а можно тупо и топорно. В Sex Education друг главного героя темнокожий гей, и это не только сам по себе очень уместный и органичный персонаж, но с ним прописана ещё и одна из самых сложных и глубоких сюжетных линий. А в Foundation двух белых (по книге) мужчин сделали темнокожими девушками просто потому что дайвёрсити. Никакие сценарные особенности не требовали этого, а харизма обеих актрис абсолютно не подходила к тем ролям, которые они исполняли. Попробовали бы книжного темнокожего персонажа сделать белым в кино, такой скандал бы поднялся. Весь фильм Терминатор Тёмные Судьбы один сплошной, простите, кринж, очень навязчиво и неаккуратно транслирующий феминистическую повестку. А вот, например, трансформация Доктора Кто в женщину — интересный и сюжетно обоснованный ход. Другое дело, что сценаристы новых серий со своей работой справились плохо, и смотреть шоу стало скучно, но это, я уверен, не из-за смены пола. Таких примеров много. Откровенно глупых и слишком прямолинейных случаев трансляции повестки, к сожалению заметная доля. Почему же либеральное сообщество ничего с этим не делает? Где канселинг, где разгромные статьи? Ведь подобные ситуации вредят идеологии сильнее, чем помогают. Почему авторы продолжают выпускать произведения с такими ошибками, и как их пропускает цензура (которая даже в современном мире фактически существует, просто под иной личиной)? Я в замешательстве. #fiction

Hashtags

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

🌟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