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 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