TGINSIGHT SIMILAR POSTS
Изходен канал @clockstackwheels · Post #343 · 13.05
Лю Цысинь, «Задача трёх тел». Шутка про то, что из-за санкций фантастику тоже теперь читаю китайскую :) На самом деле, конечно, слышал об авторе давно. Книга принесла ему мировую известность, и вообще, как я понимаю, изрядно продвинула китайскую фантастику на международной арене. Но я добрался только сейчас. Пока прочитал только первую книгу, ещё две на очереди. Это практически целиком «твёрдая» научная фантастика: автор не только старается не противоречить известной физике, но и ожидает от читателя некоторых фундаментальных научных представлений. Вам будет интереснее читать, если вы знаете, что такое реликтовое излучение, релятивистские эффекты, машина Тьюринга и так далее. Вообще, я хочу похвалить автора за смелось: даже просто выпустить в наше время художественную книгу с названием «Задача трёх тел» это уже само по себе круто. А написать её так, чтобы она стала мировым бестселлером — что-то за гранью. Я до сих пор приятно удивлён тому, как много людей на планете нашли её для себя интересной (если, конечно, не предполагать, что изрядная доля читателей просто последовала некоторой моде и хайпу). Сюжет очень захватывающий, и этот эффект достигается интересным образом. Обычно в фантастической литературе мы заранее готовы к любого рода необъяснимым и странным вещам. Но здесь нас сначала достаточно хорошо убеждают в том, что мы имеем дело с нашим реальным настоящим миром, в котором работают обычные законы и не существует законов магических. А после этого начинает происходить необъяснимое и странное. Главное повествование начинается с того, что протагониста — китайского учёного — приглашают к себе военные и рассказывают ему о том, что за последнее время многие учёные совершили самоубийства, и это не похоже на совпадение. Его предупреждают об опасности, на что он реагирует скептически. Но, придя домой вечером... В общем, лучше не рассказывать слишком много, чтобы не испортить впечатление. События нехило держат в напряжении даже несмотря на то, что особенного «экшена» не происходит. При этом в тексте не пропущены «нудные» места: многие физические и математические вещи объясняются весьма подробно. Автор, конечно, не удержался от того, чтобы и у него квантовая запутанность передавала информацию, но за компьютер из людей я готов простить ему многое (и скорее всего вы сейчас совершенно неправильно представили себе, о чём на самом деле речь). Уже купил вторую и третью книги. Напишу короткую заметку по окончании. #fiction
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