TGINSIGHT SIMILAR POSTS
Изходен канал @clockstackwheels · Post #237 · 1.03
У меня тут три дня скачет давление, и я пользуюсь новым электронным тонометром. Это прибор размером чуть больше пачки сигарет, крепится на запястье и питается от пары ААА батареек. Он полностью автоматический: надел, нажал одну кнопку, всё. Моё поколение застало, как измеряли давление наши родители: манжета на плечо, которую не всегда легко затянуть одной рукой. Необходимость вручную накачать её грушей, а усилие для этого требуется немаленькое — удивительно, как бабушки справлялись. Затем нужно правильно закрепить головку стетоскопа на сгибе локтя. И слушать, параллельно следя за аналоговой стрелкой и стравливая воздух в нужном темпе. Технологии в этом отношении сделали гигантский шаг в плане удобства. Хотя ничего принципиально магического в современном тонометре нет: и электрический компрессор и возможность прибором определить сердцебиение были и раньше. Но развитие вот таких бытовых вещей в целом идёт по пути автоматизации и уменьшения размеров. Можно попредставлять, какая техника сейчас не слишком удобна, и куда её будут улучшать. Хотя, конечно, где-нибудь в пределе ТРИЗ намекает нам о том, что решать задачу нужно совсем иначе — например, собрать человеку новое тело, вообще не нуждающееся в измерении давления. Но это уже другая история. #gadgets#life
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