TGINSIGHT SIMILAR POSTS
Изходен канал @clockstackwheels · Post #211 · 7.02
Приобщился к миру механических клавиатур. Механическая клавиатура — это название ряда способов организации нажатия клавиш. Разумеется, механика как физическое понятие есть во всех не сенсорных клавиатурах. Можно сделать клавишу, которая продавливает мембрану специальной формы — такие клавиатуры мы в основном видим в ноутбуках. А можно сконструировать специальной формы пружину, у которой в общем случае будет разное усилие в зависимости от положения, разная глубина хода и разный момент срабатывания. Так получилось, что у значимой доли людей работа с такими клавишами вызывает приятный эмоционально-тактильный отклик. Поэтому вокруг механических клавиатур выросла целая религия, без какого-либо преувеличения. Это очень похоже на то, как ведут себя, например, аудиофилы или фанаты Apple: - делать вид, что решений за пределами религии не существует: «Зачем вообще кто-то покупает обычную клавиатуру (...устройства не Apple, простые наушники, итд)?»; - убеждать людей, которые не примкнули к религии, что у них просто религии нормальной не было: «Ты просто попробуй попечатать на механике (...попользоваться айфоном, послушать вот эти наушники, выпить вот этот алкоголь...), обратно не захочешь!»; - тратить много денег на продукты, которые людям вне религии кажутся мало отличимыми от продуктов за мало денег; - создавать много религиозно-специфичных деталей, терминов и ритуалов, непонятных широкому кругу. В мире механических клавиатур так много деталей и мелочей, что утонуть можно очень быстро. Есть типы механизмов и характеристики каждого механизма, которые ещё и носят кодовые названия по цветам. Например, я взял простенькую (по меркам религии) клавиатуру Durgod K320 Nebula, а переключатели у неё Cherry MX Silver — это означает, что у них линейная зависимость между силой и положением, величина усилия 45 сантиньютонов, длина хода до срабатывания 1.2 мм, и общая длина хода 3.4 мм. Настоящие адепты, впрочем, составляют кастомные клавиатуры, где разные клавиши сконфигурированы по-разному. Ещё очень важен звук — на сайтах про механики предлагают даже послушать щелчок того или иного типа переключателей. У меня вот относительно тихие и глухие щелчки. Так вот. Я много слышал об этом, но сам не пользовался раньше. Моя старая клавиатура стёрлась, и я решил попробовать. Надо сказать, на меня религия вполне подействовала! Оказалось, я как раз из тех людей, кому кайфово. Первые дни я вообще не мог остановиться, постоянно хотелось делать клац-клац. Боюсь, при следующей покупке я рискую стать одним из тех, кто будет делать кастомную сборку за неадекватные для клавиатуры деньги. Я во всех чатах после покупки писал о том, как мне прикольно набирать текст. Но вам советовать не стану, не пробуйте! #gadgets
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