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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #25 · 22.05

В старших классах меня привели в мир настоящих настольных игр (то есть не Монополия и не карточный дурак, а прям серьёзные вещи со стратегией и глубиной). Мы с друзьями часами залипали в Сумерки Империи, и было это похоже на то, что вы могли видеть в подвале у героев Очень Странных Дел: «Я кидаю три кубика, чтобы атаковать колонистов на планете, и если захвачу её, получу дополнительный ресурс». Потом у меня был период казуалок и патигеймов (то есть игр для вечеринок вроде «Крокодила» и «Шляпы»). Я, как и многие вошедшие в мир настолок, в первую очередь покупал разные попсовые Манчкины, чтобы привлечь к настолкам своих друзей, которые в них не играли. Ну и, разумеется, использовал игры как средство социализации и знакомств. Ох, сколько десятков часов в Шляпу было наиграно на квартирниках... Но по мере взросления создание новых социальных связей перестало быть нужным: жену я нашёл, а круг друзей стабилизировался вокруг тех людей, с кем мы наиболее взаимно интересны друг другу. И, разумеется, все они либо уже привлечены к миру настольных игр, либо никогда не станут :) Так что сюжет сделал виток — я снова вернулся к глубоким долгим играм на небольшую компанию. И некоторые мои друзья регулярно поставляют мне информацию о новинках в этой области, советуют что-нибудь, приносят поиграть. Вот, например, один друг подсадил меня на Brass — игра на тему промышленной революции в Великобритании в 18-19 веках. Это высочайшего качества «Еврогейм» (стратегия на менеджмент ресурсов) с очень сбалансированной механикой, в которой у вас несколько путей развития. Игра на текущий момент занимает 3 место по всему миру на самом популярном настолочном сайте BoardGameGeek. Если говорить грубо, то Brass — это такой Ticket To Ride, в котором вы строите сеть дорог не саму по себе, а для обеспечения экономической системы производства и продажи товаров. Важный плюс игры лично для меня: сильное влияние игроков друг на друга. Можно прокладывать дороги для доставки ресурсов и товаров другого игрока и получать за это бонус. А можно создавать ресурсы, которые нужны другим игрокам, и за это игра тоже вас наградит. У многих еврогеймов игроки копаются в своих собственных планшетах, и просто параллельно друг с другом набирают очки, а здесь же нужно очень внимательно следить за тем, что делают все. По сложности это игра для любителей глубоких стратегий — вы не посадите за неё ребёнка или казуального игрока. Первые 1-2 партии будете постоянно смотреть в правила и ошибаться в деталях, это нужно перетерпеть. Но она того стоит, играть очень интересно и не надоедает. Дополнительно в книжке есть небольшая историческая справка с обоснованием того или иного правила — мелочь, а приятно. #games

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