TGINSIGHT SIMILAR POSTS
Изходен канал @clockstackwheels · Post #336 · 6.05
Останкино закрыли из-за постоянных угроз минирования. Мне кажется, такие угрозы могут исходить от людей, которые подобным образом хотят устранить источник пропаганды. Что, конечно, очень наивно и глупо. Так что из-за каких-то идиотов не удалось попасть в этот раз. Несколько новых для меня наблюдений про Москву. 1. Я попытался оценить движение, как автомобилист, и, мне показалось, что это жесть. В Питере конечно есть отдельные места, которые и плохо спроектированы, и пользуются большой популярностью у автомобилистов, из-за чего проезжать их — невероятное страдание и почти вечные муки на Земле. Например, Светлановская площадь. Но в Москве водители просто живут в Аду. Чудовищно частая многополосность, толкотня, разметка неочевидной сложности, многоуровневые развязки — я бы в таких условиях автомобиль купил с куда меньшей вероятностью. Хотя, наверное, те, кто живёт тут постоянно, банально привыкли. 2. С парковками, наоборот, какая-то магия. Куда люди девают свои машины? В Москве больше автомобилей, чем в Питере. Но Питер по сравнению с Москвой просто вусмерть запаркованная свалка железа. На Питер в этом отношении буквально невозможно смотреть, причем, как в центре, так и на окраинах. Но в Москве каким-то непостижимым образом этой проблемы нет: улицы чистые и в центре, и в спальных районах. Всегда знал, что нытьё водителей "А где ещё парковаться?" это фейк. Где-то, видимо, можно, если городская администрация имеет волю этим вопросом заниматься. 3. Почти нет каких-то кафешек и подобных бизнесов, вообще нижние этажи зданий очень не развиты. У нас в Питере практически в любой части города нельзя пройти и 20 минут, не наткнувшись на едальню, кондитерскую итд. Здесь же под это могут быть отдельные улицы, но в целом в обычных местах всё очень туго. Мы жили недалеко от ВДНХ, и там на огромный район полтора ноунейм-ресторана, в которых официанты банально не справляются с потоком людей. Интересно, связано ли это с какими-то запретами со стороны города? Гулять по Москве конечно очень круто и приятно, Питеру далеко до такого уровня урбанистики. Но жить в Москве всё ещё не хотел бы. Слишком много всех тут. #travel#life
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