TGINSIGHT SIMILAR POSTS
Изходен канал @clockstackwheels · Post #381 · 13.06
Семь откровений для меня о нашем дорожном движении. На одометре уже более 1500 км. Конечно, по меркам тех, кто ездит на автомобиле на работу, это мало. Но я до сих пор считаю, что в качестве регулярного транспорта автомобиль подходит только для редких сценариев. Мои поездки это в основном КАД, ЗСД, область, передвижение между окраинными точками. В город стараюсь не соваться. Но иногда приходится. Что я заметил, чего раньше не знал или не замечал: 1. Люди не сильно заморачиваются относительно своего положения в полосе. Раньше я боялся, что моё пока не развитое чувство габаритов будет мешать мне ехать по центру полосы. Но очень многие едут не по центру, и им пофиг. 2. На сигнал обычно плевать. Ещё ни разу, услышав сигнал какого-то другого водителя, я не идентифицировал ни его источник, ни причину возникновения. «Просто какой-то нервный тип гудит» — вот так это ощущается. 3. Самое часто нарушаемое правило, кроме скоростного режима — знак 5.15.1 «Направления движения по полосам». Кажется, на него водители кладут самый большой болт, который возможно. Просто едут как им удобнее. 4. Очень опасных мудаков меньше, чем рассказывают, но они опаснее, чем кажется. Есть люди, полностью отбитые на голову. К сожалению, система допустила их к вождению (и вообще к нахождению на свободе, а не на лечении). Но их довольно мало, я за полгода встретил 2-3 случая критически опасных нарушений. 5. Поток по непонятной мне причине пропускает вклинивающихся мудаков. Бывает, когда водители "легально" вклиниваются в плотно стоящую колонну: например, при выезде на дорогу с прилегающей территории, при обозначенном разметкой сужении итд. Но часто удивительно большой процент водителей объезжает пробку по обочине или по полосам "только налево"/"только направо". Я не понимаю, зачем водители в основой стоящей колонне их пропускают перед собой. Это плохо и с личной точки зрения (ты сам не двигаешься вперёд, пока пропускаешь) и с общественной (поощрение мудаков). Я стараюсь в таких ситуациях максимально близко держаться к впереди идущему автомобилю и не пропускать. Но многие (прям многие!) притормаживают, давая мудиле проехать. Я не понимаю, почему. 6. Мест, где дороги спроектированы с очевидными ошибками, много, а сама ошибка становится видна после буквально одного проезда по заданному участку. Люди, которые отвечают за проектирование дорог, сами по ним не ездят, по крайней мере, будучи за рулём. 7. От припаркованного транспорта вреда для водителей не меньше, чем для пешеходов. Я думал, что водителям просто плевать на условных мам с колясками (хотя некоторые из этих мам — их жёны). Но улиц, на которых из-за припаркованных автомобилей не разъехаться самим водителям, поразительно много. Приходится подвергать опасности себя и свою машину, выполнять небезопасные маневры, которые порой не предусмотрены не только правилами, но и конструкцией автомобиля. Такого много не только во дворах, но и на внешних улицах, как на окраине, так и в центре. Тоже за пределами моего понимания. #life
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