TGINSIGHT SIMILAR POSTS
Изходен канал @clockstackwheels · Post #441 · 9.07
Раньше был Букинг для аренды отелей, а теперь Островок и похожие сервисы. И там везде есть рейтинг от 0 до 10. Как я понимаю, на рейтинг сильно смотрят, когда принимают решение, какой отель взять. Ну я вот точно смотрю. По пути туда в Петрозаводске мы останавливались в Piter Inn — крутой топовый отель за много денег. У него был ожидаемо высокий рейтинг, и он этот рейтинг оправдывает. По пути обратно мы, как вы знаете, остановились нештатно. Крутые отели были заняты, и пришлось взять дешёвый. Он был ожидаемо убогонький по обстановке и оснащению, с низким рейтингом. Однако, персонал в последнем отеле общался с нами очень вежливо и выполнил нестандартные просьбы, бельё было чистое, вообще никаких претензий у нас не возникло. И я вот подумал: в рамках своей цены дешёвый отель тоже себя полностью оправдывает. Он просто существует в другом классе — дешёвые номера, чтобы быстро переночевать. Но внутри своего класса он справляется хорошо. Должен ли у него быть ниже рейтинг? С одной стороны вроде да, ведь рейтинг используется для сравнения отелей между собой, и дешёвый точно проигрывает дорогому по всем параметрам, кроме цены. С другой стороны, если у нас рейтинговая шкала абсолютная, то как вообще награждать и продвигать хорошие вещи в более дешёвых классах? Тогда 9-10 будет только у супер дорогих, а что-то попроще — даже образцовое — упрется в потолок. В такси же в экономе у водителя может быть 5 звёзд, если машина чистая, а сам он аккуратно водит. #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