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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #261 · 19.03

#урбанист_купил_автомобиль, часть 3 (предыдущие: часть 1, часть 2). Первые два поста по теме были об урбанистике и проблемах автомобилизации городов. Но этот текст скорее про выбор гика. Расскажу, что за автомобиль, и почему такой. Исходные данные: работаю удаленно, и ездить на работу не нужно (впрочем, я считаю, надо делать всё возможное, чтобы не пришлось ездить на работу на автомобиле). Однако, живу далеко от метро + дача там, куда не ходит общественный транспорт. Так что автомобиль нужен для коротких поездок по району, для поездок на дачу и для поездок по КАД/ЗСД, перевозки вещей и семьи. При бесконечных деньгах, кажется, выбор гиков в пользу какой-нибудь Tesla X очевиден. Ну и ещё в добавок к ней дом с гаражом, где можно заряжать. При конечных деньгах (в моем случае ~2.5млн по старым ценам) пространство сужается. Выделил для себя три главных критерия: 1. Практичность для города и ближайшего пригорода, возможность перевозки вещей. Поэтому рассматривал только кроссоверы и внедорожники. Кстати, кто покупает в Питере седаны с низкой посадкой, можете парой слов обосновать этот выбор? Кажется, плюсов никаких, зато застрять в ледяной яме более чем вероятно. 2. Эмоции. Некоторые друзья автолюбители смеялись над этим пунктом. Но по мне так любая вещь должна обладать эмоциональной составляющей. Чтобы тебе кайфово было на неё смотреть и ей пользоваться. Поэтому я рассматривал только автомобили с интересным внешним видом, не слишком банальным цветом, и особенно с крутым интересным дизайном салона. Странно садиться в автомобиль и смотреть на убогие древнего вида приборы, миллион бестолковых кнопок и в целом унылый интерьер. Должно быть кайфово, а для гика кайф это хайтек. И ещё изрядно эмоций добавляет панорамная крыша, так что я тоже поставил это себе в список пожеланий. 3. Технологии. От современного автомобиля не только само по себе разумно ожидать некоторой технологической начинки, но она ещё и хорошо помогает новичку с небольшим фактическим опытом, как я. Так что только автомат. Адаптивный круиз-контроль. Радары и парктроники по периметру, камера заднего вида. В итоге получилось даже круче, чем я рассчитывал в эту цену, но о некоторых особенно прикольных технофишках я расскажу потом в других постах. В общем, с этими критериями и ценой я прошёлся по каталогам всех производителей, кто возит (возил :'( ) в Россию. Не скажу, что ассортимент меня ошеломил. Кажется, по-настоящему большое пространство выбора есть только за большие деньги, от 5млн (по старым ценам) и выше. Но внезапно самое интересное для меня решение нашлось у французов: Peugeout 2008 и 3008. Последний меньше понравился по дизайну, а в хорошей комплектации выходил за пределы ценовых рамок, так что я и остановился на 2008, самая топовая комплектация 2022 года (да, путаница из-за того, что модель называется как год). Интересный не слишком банальный дизайн. Не спорткар, конечно, но и не стариковская телега. Дизайн даже выиграл в каком-то европейском конкурсе. Довольно экономичный двигатель, 150 сил, но объём всего 1.2, мощность достигается за счёт турбины и электроники. Очень крутой высокотехнологичный салон. Много электронных наворотов: всё, что я хотел, плюс ещё пачка, об этом потом расскажу. В конце-концов, автомобиль в наше время это тоже гаджет. Из недостатков пришлось пожертвовать полным приводом, тут только передний. Варианты с полным у других производителей не дотягивали сразу по ряду критериев. Впрочем, мне говорили, что на кроссоверах полный привод всё равно ненастоящий. А полный внедорожник очень уж дорого, да и большой по размерам для города. Но мне очень нравится. Накатал 500 км, изучаю. И, конечно, кайфую каждый раз, когда спускаюсь в паркинг и когда сажусь в салон. Эмоции наше всё. #gadgets

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