TGINSIGHT SIMILAR POSTS
Изходен канал @clockstackwheels · Post #292 · 7.04
У меня тут кончается срок действия водительского удостоверения, я подал на продление (не перестаю удивляться, насколько удобная штука — Госуслуги). Первые права я получил в 2008, и это один из тех случаев, когда не обязательно плохо делать "как все" и "потому что так принято". А я тогда буквально сделал именно это. Я не хотел автомобиль, и был уверен, что в ближайшие 10 лет у меня его не будет (так и случилось). Но у меня было много свободного времени после пар в университете, и я решил пойти отучиться и сдать на права. Именно потому что так принято, и потому что все так делали. В этом почти не было моего собственного решения, а было следование за толпой. Но в итоге оказалось очень удачно, потому что впоследствии у меня и времени стало сильно меньше, и цены на обучение выросли, и мне самому было бы куда более лениво ходить/ездить в какую-нибудь автошколу. На четвёртом курсе я уже начал активно работать, а дальше события местами развивались странным образом, мне совершенно точно было бы сильно труднее выучиться и сдать. Так что, действительно, иногда бывает, что нужно просто сделать "как все". Иронично, что я автомобильной категорией фактически не пользовался все эти годы, а начал пользоваться только в тот год, когда пришёл срок замены. Вполне может быть, что через 10-20 лет я буду пользоваться результатом какого-то решения, принятого сегодня. #life
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