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: #roberta

当前筛选 #roberta清除筛选
Machinelearning

@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