TGINSIGHT SIMILAR POSTS
Изходен канал @clockstackwheels · Post #513 · 22.08
Что можно относительно безопасно брать на Кикстартере, так это настолки. В самом деле. Если мы говорим об электронике, то с ней вечно непредвиденные проблемы. Немало случаев, когда авторы кампании с каким-либо гаджетом собирали миллионы баксов, но производство наладить так и не могли. Причём, не обязательно из-за злого умысла (своровали деньги и убежали). Просто предсказать все подводные камни и нюансы при производстве железяк очень сложно. Об этом кстати в своих апдейтах писали авторы Flipper, о котором я уже вам рассказывал (тут ребята молодцы, выполнили свои обязательства даже в сложных для этого условиях). Или вот, видеоигры. Не родился ещё такой разработчик, который может правильно оценить сроки. Даже Rockstar с их дичайшими переработками и людьми, ночующими в офисе, не могут выпускать игры вовремя, а уж чувак с Кикстартера... В общем, вы все, скорее всего, знаете про Star Citizen. А кто-нибудь из вас ещё и знает про Limit Theory (но если не знаете, не гуглите, я потом расскажу, интересный случай!). С настолками дела обстоят лучше. Настолку можно полностью сделать и оттестировать сотнями партий, потратив на это чуть-чуть бумаги и чернил для принтера. Разработка настолки может упереться только в отсутствие денег на художников (и отсутствие хорошего менеджмента этих художников, чтобы они не сливались один за другим :) ). Но если в игре простая графика, то такая игра отличный кандидат на краудфандинг — посчитать цену печати не сложно, и никаких подводных камней там нет. Тема отлично масштабируется: либо народ оценит и купит, тогда ты в плюсе, либо нет, тогда ты особо ничего не потерял, кроме времени. Поэтому настолки на Кикстартере и похожих ресурсах крайне редко не выполняют своих обязательств, и покупать их там можно смело. У меня оставалась непотраченная prepaid-карта, и я бэкнул игру Moon — судя по виду это дальний родственник 7 Wonders — стратегия на составление стэка карт, которые друг с другом взаимодействуют и обеспечивают тебе один из нескольких путей к победе. Минималистичный, но милый дизайн плюс интересная мне хайтек-тема освоения Луны. Кампания оказалась популярна и собрала абсолютно все заявленные стретч голы (дополнительная награда за количество бэкеров), так что мне ещё и приедет какая-то убер-гипер-делюкс коробка с цветными фигурками и голографическими карточками. Но через год, да. Посмотрим. Предварительные ревью на BGG пока со средней оценкой 8.0, что очень хорошо. #games
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