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 2 подобни публикации

Търсене: #mlm

当前筛选 #mlm清除筛选
Профцентр

@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

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