Несколькими постами ниже я ругал Инстаграм за приторность и за навязывание модной попсовой функции. Но помимо реалистичности контента есть и другой аспект — средний возраст авторов.
Я несколько раз листал Клипы ВК и вот теперь специально полистал для сравнения Instagram Reels. И вот что скажу: в Клипах по содержанию очень подростковый контент. Почти нет авторской мысли, чего-то красивого и оригинального. 10% туповатых пранков, 20% всяких кувырков на улице и 70% — школьницы, торгующие телом (Клипы просто переполнены этим). Это прям вот типичнейшая подборка для подростков на пике гормонального буйства — почти всё связано с сексом, немножко с ощущением себя крутым (кувырки на улицах — к слову сказать здесь авторы хотя бы что-то необычное умеют делать) и щепотка весьма глупых шуток, как правило связанных с унижением другого человека.
В Reels ситуация совсем другая. Там приторный Инстаграм традиционно правит балом, но при всей цветастой вылизанности контент хотя бы взрослый: красивая природа, путешествия, горы. Довольно много экспериментов фотографов. Нередко экстремальный спорт. Стоит ли говорить, что музыкальный вкус авторов в подборе саундтрека тоже на порядок лучше, чем ВК?
Конечно, можно подумать, что скорее всего система рекомендаций ВК работает плохо, а система рекомендаций Инстаграма хорошо. По другим рекомендациям это тоже видно: в тематических лентах ВК в основном ерунда, а дополнительная лента Инсты сносная (с поправкой на общую приторную специфику соцсети). Но это всё взаимосвязано: из-за рекомендаций взрослые люди видят много детского трэша и сами реже хотят что-то создавать на площадке.
#web
#DL
📱
Zeus New Pytorch Ecosystem Tool
Zeus is an open source toolkit for measuring and optimizing power consumption of deep learning workloads.
🖥Github
-----
Main channel: @repo_science
Coupons: @freecoupons_reposcience
-----
#dl
Park, Chanwook, Sourav Saha, Jiachen Guo, Hantao Zhang, Xiaoyu Xie, Miguel A. Bessa, Dong Qian, et al. 2025. “Unifying Machine Learning and Interpolation Theory via Interpolating Neural Networks.” Nature Communications 16 (1): 1–12.
https://www.nature.com/articles/s41467-025-63790-8
#dl
A few cool ideas in this model.
Introducing Gemma 3n: The developer guide - Google Developers Blog
https://developers.googleblog.com/en/introducing-gemma-3n-developer-guide/
#dl
There is this new lib called scale. One could compile CUDA code to use it on AMD GPU.
https://docs.scale-lang.com/manual/how-to-use/
I don't know who is more pissed off, NVidia or AMD.
#dl
This repo is really nice.
yuanchenyang/smalldiffusion: Simple and readable code for training and sampling from diffusion models
https://github.com/yuanchenyang/smalldiffusion
#dl
Google & USC benchmarked a prompt based forecasting method, and the results are amazing.
Cao D, Jia F, Arik SO, Pfister T, Zheng Y, Ye W, et al. TEMPO: Prompt-based Generative Pre-trained Transformer for time series forecasting. arXiv [cs.LG]. 2023. Available: http://arxiv.org/abs/2310.04948