TGINSIGHT SIMILAR POSTS
Изходен канал @clockstackwheels · Post #299 · 13.04
В детстве я, как и многие мальчишки тогда, очень любил сериал «Рыцарь дорог». Но, конечно, я уже был достаточно взрослым, чтобы понимать, что это фантастика, и не бывает машин, которые ездят сами. Если бы мне тогда сказали, что в 32 года я захвачу кусочек этой технологии, я бы прослезился от счастья. Автопилот существует с нами уже какое-то время. У Tesla он по-настоящему крутой — меня как-то подвозили на Model X, и я убедился лично. Но, конечно, даже он не идёт ни в какое сравнение с полностью роботизированными автомобилями, которые сейчас испытывают многие крупные компании на тестовых трассах. Уверен, что я таки застану такси без водителя-человека. У меня в машине очень примитивный ассистент — адаптивный круиз-контроль с радаром и система сканирования полосы. Работает только на трассе, только при хорошей видимости, наличии разметки и так далее. Но даже это очень впечатляет. Наверное, такое ощущение вызвано рулём, который вращается сам — традиционно в нашем сознании магия сильно ассоциируется с самодвижущимися предметами, живыми вещами и прочим подобным. P.S. Бортовой компьютер не разрешает долго не держать руки на руле, начинает пищать. Типа небезопасно. Эх, а я уж хотел книжку почитать. #gadgets
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