TGINSIGHT SIMILAR POSTS
Изходен канал @clockstackwheels · Post #224 · 17.02
Система кармы на Хабре похожа на попытку программистов сделать справедливое самоуправляемое общество. В теории всё хорошо: 1. Вы получаете карму за хорошие статьи и реже за хорошие комментарии. Ну в основном конечно за статьи: действительно ценный вклад в общество (местное общество, имеется ввиду). 2. Теряете карму за плохие статьи (какой-нибудь откровенный мусор или текст низкого качества) и за социально неприемлемое поведение в комментариях. 3. Каждый человек может повысить карму другому только один раз. И понизить только один раз. 4. Влиять на карму других можно только если ваша собственная карма не ниже некоторого порога. Чем выше у вас карма — тем больше голосов за других людей и другие комментарии в день вы имеете. 5. Высокая карма даёт не только больше возможностей по публикациям и голосам, но и позволяет с некоторого значения зарабатывать на статьях деньги. Небольшие, но всё же. То есть да, теоретически люди, которые делают благо, получают больше возможностей и больше влияют на возможности других людей. Это вам не лайки бесполезные :) На практике, конечно же, идеальных систем нет, и у этой обнаружились косяки. Если вы высказываете в комментариях непопулярное мнение, то вам могут массово слить карму в глубокий минус. Не важно, что вы вежливо и может даже с аргументацией выразили свои субъективные взгляды — толпа закидает камнями. Получив сильный минус, вы теряете способность отвечать: сначала не можете минусить других, а потом вообще не можете комментировать. Невыведенные деньги за статьи при потере нужного статуса теряются. Забили камнями до онемения, ограбили. Некоторым людям настолько претит эта система, что они только из-за неё отказываются вообще вести какую-либо активность на Хабре. В любом случае, в обсуждении острых вопросов будешь аккуратен. Тем не менее, мне система скорее симпатична, чем нет. Да, Хабр явно не для яростных дискуссий. Зато там почти нет откровенного мусора и внутреннего воровства контента, что на мой личный взгляд является одной из главных проблем всех остальных контентных площадок. #web
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