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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #260 · 18.03

Закончил «Город и звёзды» Артура Кларка. Книга 1956 года на минуточку! И первое длинное произведение Кларка, которое я прочитал. Обычно для того, чтобы случился сюжет, нужен конфликт. Здесь же в некотором смысле конфликтом является отсутствие конфликтов. Сверхдалёкое будущее — миллиард лет вперёд от нашего времени. Земля давно превратилась в безжизненную пустыню, но остался один последний город, накрытый куполом и полностью поддерживающий сам себя. Город является гигантским искусственным интеллектом, способным управлять материей на атомном уровне, за счёт чего никакие вещи и здания в нём никогда не изнашиваются, автор описывает его буквально как застывший во времени. С помощью этой же технологии у людей решены абсолютно все проблемы: любой требуемый предмет мгновенно материализуется мысленной командой компьютеру, тела людей почти не стареют, не болеют, все возможные травмы излечиваются. Любопытно решена проблема бессмертия. Человеческий разум не справляется с памятью дольше определённой длины, поэтому при достижении тысячелетнего возраста каждый человек редактирует свои воспоминания, отмечая, что в своей личности он хотел бы оставить, а что убрать. После чего его сознание — уже с правками — помещается в память компьютера. И в произвольный момент в будущем будет создано новое молодое тело с этим сознанием, которое тоже проживёт 1000 лет. В памяти компьютера находятся сотни миллионов людей, но в городе одновременно живут около 10млн, и компьютер сам решает, кого и когда воскресить. Таким образом, в любой момент времени в городе живёт подмножество одних и тех же людей. Под куполом вечное лето и вечный день (люди больше не спят, это стало не нужно), нет никакой необходимости выполнять какую-то работу или выживать. Поэтому с нашей точки зрения жизнь местных удивительно скучна. Они столетиями развлекаются и играют в видеоигры — при этом разум человека погружается в аналог Матрицы, виртуальный мир с полной передачей всех ощущений, и ещё дополнительно в сознании блокируются участки памяти таким образом, чтобы ты частично осознавал себя настоящим персонажем игры. Деторождение тоже не нужно и давно утеряно. Семьи есть только условно — одни люди помогают другим, только что воскрешённым, постепенно пробуждать воспоминания из своей предыдущей жизни. Секс остался как что-то второстепенное, наряду с тысячами других видов досуга. Роман очень хорошо показывает, что иметь решение какой-то проблемы может быть хуже, чем не иметь. И вообще, наша жизнь во многом состоит в борьбе, преодолении, расширении границ познания и исследовании. Именно это делает её интересной, обладающей смыслом, а полное отсутствие такого смысла выглядит как смерть, даже при формально живом теле, продолжающем вести деятельность. Книга местами затянута, а некоторые повешенные на стены ружья так и не выстрелили. Но всё равно я получил изрядную долю удовольствия и новых размышлений, так что любителям фантастики рекомендую. #fiction

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