TGINSIGHT SIMILAR POSTS
Изходен канал @clockstackwheels · Post #502 · 13.08
Несколько дней назад студия Тёмы Лебедева опубликовала свою нейросеть по созданию логотипов «Николай Иронов» на сайте Product Hunt. Product Hunt это англоязычная площадка для демонстрации своих продуктов, в основном в цифровой и технологической сфере. Пользователи площадки могут ставить продуктам оценки и пояснять их с помощью тегов и комментариев. Вопрос «зачем пропагандист Лебедев полез на фактически американскую площадку со своим продуктом сейчас» оставим за скобками. Но факт в том, то оценку «Николаю Иронову» довольно быстро уронили с комментариями в стиле: «Не буду поддерживать продукт, чей автор поддерживает Путина». Саму нейросетку при этом комментирующие даже особо не смотрели. С одной стороны, особенности ведения бизнеса в США действительно на чисто формальном уровне стараются связать между собой репутацию компании и её продукты. На том же Product Hunt есть даже такой тег: «Negative company mission», и люди его ставят, объясняя свою низкую оценку. Продукт может быть замечательный, но если у компании заявлена некоторая Negative mission, то всё. К реальным действиям компании это имеет мало отношения. Facebook может сколько угодно проигрывать суды по воровству персональных данных, но если в его публичном слогане розовые пони и радуги, то это с точки зрения американского (и во многом европейского) потребителя — хорошая добрая компания с позитивной миссией. С другой стороны, Porsche делала танки Гитлеру, но это никого не волнует, и автомобили концерна высоко ценятся по всему миру, люди их любят и покупают. Танки были не очень, как мы помним, наши ИСы и Тэшки их разбирали только так. Но вот автомобили и правда крутые, быстрые, комфортные. Подумаешь, компания выжила на кровавые деньги. С третьей стороны, Тёма так далеко зашёл с высказыванием своей "особенной" позиции, что рано или поздно ему должно было за это откуда-то прилететь. Так что, ситуация в целом, конечно, далека от справедливости, но доля этой самой справедливости в ней есть. #web
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