TGTGInsightтелеграм анализLIVE / telegram public index
← Такты, стеки, два колеса

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #522 · 31.08

Криптобиржа SudoRare установила мировой рекорд по скоростному соскамливанию — пишут в интернетах. Всего за шесть часов с момента запуска организаторы собрали с лохов почти лям баксов и свалили в закат. Я адский хейтер крипты и могу часами рассказывать о том, почему мне не нравится, как человечество обошлось с этой технологией. Новости, вроде той, что выше, как, впрочем, и вполне серьёзные новости про появление вещей вроде NFT вызывают во мне смесь бессилия и истерики. Каждый день читаю что-то подобное, человечество долбанулось. Даже Дуров недавно написал про крипту и словил двадцать тысяч минусов, полностью отключив из-за этого реакции у себя на канале. Подумал о том, что можно оценивать вещь по тому, в каких сценариях и какие люди её используют. Например, хлеб едят в том числе преступники, и он позволяет им не умирать от голода и продолжать творить свои преступления — это плохо. Но хлеб едят и обычные люди, дети, старики, законопослушные. Суммарное добро от существования хлеба на много порядков превышает любое возможное зло от него. Двигаемся по шкале сложности оценки чуть дальше: видеоигры вызывают у детей и подростков зависимость, портят зрение и расшатывают нестабильную детскую психику. Но в то же время миллионам людей они позволяют получать удовольствие, расслабляться, проводить досуг. А многим ещё и зарабатывать. Причем, как на самих играх (киберспорт), так и на их создании. Ещё дальше на шкале будет оружие и, например, алкоголь. Уже нельзя однозначно сказать, являются ли эти вещи скорее добром или скорее злом. Так вот крипта за ~10 лет активного существования толком не принесла человечеству пользы. Хотя потенциал у технологии был, о децентрализованном свободном от корпораций интернете до сих пор пишут только в теоретических статьях (половина из которых критические). Однако вреда, обмана, мошенничества и просто пустого слива денег в унитаз очень много: начиная от заработков спекулянтов и заканчивая очередным криптостартапом, получающим миллионные инвестиции за страничку в Notion. Отдельные люди на этом наварились (чаще всего не сделав совершенно ничего полезного), и это только добавляет очков в минус, примерно по той же причине, по которой нельзя считать добром обогащение владельцев Кэшбери. Кажется, никакую технологию люди не умудрились использовать настолько бездарно, как крипту. Даже от ядерного оружия и автомобилей, при их очевидной деструктивности, есть польза. Есть ощущение, что это связано именно с периодом развития людской расы, а не конкретно с технологией: просто у нас уже очень много всего, и мы зажрались, бесимся с жиру. Если будет появляться что-то новое прорывное, судьба у него будет незавидная: не удивлюсь, если сильный ИИ посадят придумывать, как показать народу больше рекламы, а не как искать лекарство от рака. #web

Hashtags

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