Намери подобно съдържание

Изходен канал @clockstackwheels · Post #34 · 31.05

Дошли руки написать про второй сезон Love.Death.Robots, который вышел 2 недели назад. Почти единогласно в сети все, кого я читаю, согласились, что планка, к сожалению, снижена. Начиная от значительно меньшего количества серий, и заканчивая содержанием. В обзорах и комментариях к сезону справедливо отмечают, что серии выглядят уж совсем как наброски. Если первый сезон рассказывал короткие, но вполне полноценные истории, то во втором чувство недосказанности и даже какой-то пустоты преследует практически после каждого эпизода. В первом были серии, вызвавшие у меня невероятный восторг, серии, которые просто понравились, и проходные на разок. Во-втором с натягом понравилась пара вещей, не более. Automated Customer Service — ужасная рисовка, по которой видно, что её авторы считают себя оригиналами. Сюжет глуповат, смеха не вызывает. Ice — занятно, посмотрел бы такую полнометражку, но сказано очень мало. Pop Squad — почему он так называется, кстати? Зарисовка на тему романа «Будущее» Дмитрия Глуховского. Сюжет обрывается на завязке, и это причиняет почти физическую боль. А так было бы круто. Snow in the Desert — единственный полноценный рассказ в сезоне, вполне понравился: и экшен, и сюжетный поворот. Такого бы побольше. The Tall Grass — ни о чём. Интрига нагнетается, а разрешение у неё банальное. All Through the House — пожалуй, лучший эпизод. Очень крутая идея, не вступающая в противоречие с реальным миром, но переворачивающая его. Life Hutch — видели это в «Чёрном Зеркале» только более подробно и более драматично. The Drowned Giant — (тут небольшой спойлер, если не хотите, пропустите абзац!) до последнего надеялся, что авторы сделают какой-то неожиданный поворот в конце. Например, что утопленник на самом деле нашего с вами размера, но нет. Закадровый голос вроде бы рассказывает много всего, но это не особо имеет отношение к фантастике и сюжету данной серии. В общем, кажется, у авторов не оправдалось то, на что они рассчитывали после первых выпусков, и поэтому то ли им дальше меньше времени/денег на этот раз, то ли они сами выдохлись и потеряли энтузиазм. И это очень грустно. По-настоящему качественной и взрослой фантастики остро не хватает. #fiction

Hashtags

#fiction

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

Намери подобни Прегледай

🌟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

Hashtags

#ai #ml #multimodal #framework #bfl