TGINSIGHT SIMILAR POSTS
Изходен канал @clockstackwheels · Post #282 · 4.04
В ВК ноль человек прислали ответы, в Телеграме шестеро. При этом в ВК у поста 733 просмотра, а в Телеграме 230 просмотров. Время постинга одинаковое, содержание тоже идентичное. Сначала я хотел сказать что-то вроде "Аудитория ВК меньше любит задачки на подумать, чем аудитория Телеграма", но, пожалуй, честнее будет сказать так: ВК показывает пост той аудитории, которая меньше любит задачки на подумать. Что, конечно, очень странно, учитывая, что весь мой остальной блог для гиков и интеллектуалов в основном. Вообще, обсуждений в Телеграме стало больше, а в ВК меньше. Возможно, на фоне событий люди больше опасаются писать в ВК что угодно, даже не связанное с политикой. Но навскидку мне кажется, что падение доли обсуждений тут началось раньше. Хотя в январе на старте их было больше. Ещё и канал в Телеграме растёт быстрее, чем подписчики ВК, даже если считать по абсолютным цифрам. По относительным Телеграм вообще на три порядка быстрее, чем ВК: в телеге прирост 96%, а в ВК только 0.2%. При этом удобство оформления и чтения до сих пор в ВК значительно выше, чем в Телеграме. А на фоне блокировок активность людей в ВК заметно повысилась — я вижу, что больше стало Историй, статистика сообществ тоже растёт. Пока выводы такие: какая-то аудитория в ВК есть, но целевой или нет, или соцсеть не умеет ей предлагать подходящий контент. Продолжаем наблюдения. #web P.S. Вот график из статистики ВК. Создаётся иллюзия, будто рост есть, но если внимательно посмотреть на цифры, станет всё понятно. Классический обман с масштабом оси Y.
Hashtags
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