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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #389 · 21.06

Я уже месяц не могу оторваться от игры Satisfactory. Чувствую себя наркоманом, "Могу бросить в любой момент" :) Вы, наверное, слышали про Factorio — это такая инди-игра 2016 года о строительстве фабрик. Она в своё время взорвала сцену, получила высочайшие рейтинги. Но внешний вид и реализация у неё довольно простые. А вот Satisfactory это последователь жанра с полноценной красивой и технологичной 3D графикой на Unreal Engine. Вы человек на необитаемой планете, где вам доступны разного рода ресурсы (например, железная руда, сера, нефть итд) и средства добычи, преобразования и автоматизации, улучшающиеся со временем. Есть способ возводить различные постройки, у которых разная стоимость в ресурсах. Например, можно собрать машину, которая превращает железную руду в подготовленные железные слитки, но для этого нужно сначала вручную из руды сделать N таких слитков, а потом из них прутки и пластины. Количество доступных к производству деталей и машин растёт почти в геометрической прогрессии, но и ваша необходимость делать разные вещи тоже. Грубо говоря, в начале игры иметь 10 железных прутков в минуту это много. А в середине игры нужно уже 1000 железных прутков в минуту. Игра уже 5 лет в раннем доступе, в ней до сих пор есть баги, и видно, что какие-то куски не доделаны. Но то, что сделано, офигенно круто. Если вам знаком термин "технопорно", то вот оно: это игра-конструктор технопорно. Своего рода "Майнкрафт", но с крутой графикой, и в котором у строительства есть как цель, так и оптимальное состояние. Это игра для гиков, у которых есть тяга к организации и систематизации. Она заходит не всем, многие относятся к таким вещам абсолютно прохладно. Но других затягивает очень сильно. Я вот не могу оторваться, наиграл уже 70 часов за месяц — это больше, чем в любой другой игре за последние 5-10 лет. А на ютубе видел ролики от людей, у которых тысячи часов, страшно представить эту цифру! Нельзя закончить улучшать и оптимизировать фабрику, можно лишь перестать это делать :) Тот факт, что игра концентрирует склонных к организации гиков, имеет интересное косвенное следствие. Я наткнулся на вики по игре, и там просто фантастика: люди пишут формулы расчёта потоков сырья, рисуют схемы каскадных делителей, балансировщиков и манифольдов, приводят таблицы с цифрами. Такой подробной и проработанной технической документации я не видел даже в проектах от крупных корпораций! Есть ещё вебсервисы с инструментарием под эту игру. В общем, я подсел плотно, сейчас на третьей фазе лифта. На скриншотах чуть-чуть можно увидеть мой прогресс по размеру и дизайну фабрик, но уже есть планы, как сделать сильно лучше. Напишу в будущем ещё пару постов. Всё-таки это технарская игра, а у меня технарский блог :) #games#satisfactory

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