TGTGInsightтелеграм анализLIVE / telegram public index
← Такты, стеки, два колеса

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #368 · 31.05

В первой серии нового сезона Stranger Things показывают баскетбольный матч, идущий параллельно с партией в настольную игру. Монтаж специально сделан такой, чтобы сопоставить эти две вещи: вот и там и там атака, а вот и там и там игроки в напряжении из-за сложностей, а вот им нужен командный дух итд. Игрок пафосно берет мяч / игрок пафосно берет кубик d20. Несколькими сценами ранее лидер движения настольщиков подшучивает над баскетболистами в стиле: "Вы задроты и занимаетесь какой-то ерундой, а мы вот реально интересными вещами". Да, именно так, настольщик говорит это баскетболисту, а не наоборот, как можно было подумать. Мысль о том, что гики и ботаники это новые популярные люди была раскрыта ещё 10 лет назад в фильме 21 Jump Street (который у нас к сожалению довольно глупо перевели как "Мачо и ботан"). Устарел классический стереотип американской школы — популярный спортивный парень, который играет в футбол или баскетбол, любимец девушек, не слишком умный интеллектуально и со скверным характером противопоставляется главному герою: умному, но несколько асоциальному ботанику. В фильме есть эпизод, когда герой говорит другу надеть рюкзак обеими лямками, как носят гики, потому что одной — как носили спортивные "хулиганы" — уже не модно и моветон. Герои Stranger Things размышляют об этом в первой серии: давайте, мол, перестанем быть задротами и начнем тусить с крутыми. Но в их реальности это выглядит не слишком правдоподобно. Эти парни и без того успешны, уверены в себе, обладают хорошим чувством юмора, над ними никто не стебется, у них есть девушки (одна из которых дважды спасла мир, чем не перестает хвастаться её парень). Не слишком веришь, что для них есть хоть какой-то резон стремиться в тусовки к простым и одномерным спортсменам-красавчикам. В Sex Education похожая тема: главный герой и внешне и по характеру откровенный ботаник, что не мешает ему ни иметь друзей, ни пользоваться уважением, ни даже влюбить в себя девушку из тусовки "популярных" пафосных чик. В фильме Wish I Was Here бородатый нерд создаёт себе костюм-скафандр для посещения комикс-конвента. Поначалу этот персонаж кажется тем, у кого вообще не бывает отношений в привычном нам смысле: слишком увлечённым какими-то "несерьёзными", "детскими" вещами, удалёнными от "настоящей реальной жизни". Его соседка — симпатичная девушка — приходит жаловаться на шум, и оказывается, что она тоже фанатка комиксов, тоже косплеер, у них завязываются отношения, один идут на конвент вместе. Это всё не выдумка. Киберспорт собирает стадионы, а стримеры и блогеры — новые звёзды. Теория Большого Взрыва долгое время была самым популярным сериалом в США. Абсолютные мировые топы по сборам в кино берут комиксы про супергероев. Рынок настольных игр взлетает в небеса, и давно вышел далеко за пределы каких-то банальных вещей вроде "Монополии", а тематические каналы на Ютубе ведут взрослые дядьки с семьями и детьми. Гик-культура больше не нишевая, теперь это просто культура. Я кидаю d20 и прохожу проверку на публикацию поста. #hobby#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

🌟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