TGINSIGHT SIMILAR POSTS
Изходен канал @clockstackwheels · Post #450 · 17.07
В России вводят штрафы за выброс мусора из окна автомобиля. Для физлица от 10 до 15 тысяч рублей. Скорее всего, работать не будет, потому что заснять факт нарушения на дорожную камеру довольно трудно. Я не понимаю, как функционирует разум людей, которые на ходу выкидывают из автомобиля какую-нибудь бумажку или бутылку. Бывает понятное мне зло: если человек ворует деньги, он себе приобретает выгоду таким способом, я это понимаю. Даже если водитель паркуется на обочине, ход размышлений в его единственной прямой извилине более-менее ясен. Но с мусором выгода очень условная (типа не надо нести потом от машины до урны эту бутылку), а вред значительный. Причём, такая же бутылка, выброшенная из автомобиля перед тобой, может тебе под колёса попасть или по автомобилю на ходу, и что-нибудь повредить. В этом смысле было бы круто иметь антиутопическое будущее с повсеместным слежением за всеми. Но в остальных смыслах не круто, конечно. Короче, по мне так штраф бесполезен. У нас даже штраф за неправильную парковку не работает, как я уже писал, потому что эвакуаторы тупо не ездят по городу и не выполняют свою работу. А такое и подавно бестолку. Поможет только раздать всем прохожим оружие с правом стрельбы по автомобилям. От всех нарушений поможет, кстати. #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