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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #606 · 23.10

Вы, скорее всего, уже читали, что Netflix с ноября вводит новый тариф: дешевле, чем остальные ($7 в месяц против $14 за обычный тариф), но с рекламой в начале и в середине фильма. Прикиньте, платишь за Нетфликс, а смотришь телевизор. Ад, в который я не очень хочу возвращаться: в детстве возможностей смотреть кино или мультики, кроме как по телевизору, особо не было. Да, был видеомагнитофон, но не будешь же каждый день себе новую кассету покупать. А на российском телевидении не слишком уважали время зрителя: реклама была часто и длинная, за фильм 4-5 вставок по несколько минут. Причем, худшая реклама это та, которая переключает ваш фокус внимания и блокирует доступ к контенту, который вас на самом деле интересует. Баннер сбоку страницы не мешает вам читать статью и не выдёргивает вас из текста. Баннер посреди статьи не мешает читать, но переключает ваше внимание на время. А всплывающий баннер поверх страницы — и читать мешает, и внимание переключает. Представьте, если его невозможно закрыть несколько минут, а ещё он со звуком — никто бы на такие сайты в здравом уме не стал бы ходить. Но в девяностых мы так смотрели фильмы по телевизору, это была неизбежная реальность, у которой практически не было альтернатив именно с точки зрения регулярного просмотра. Это из тех ситуаций, про которые ясно: тогда тебе не казалось происходящее чем-то ужасным, но когда ты ощутил, насколько бывает лучше, возвращение назад стало бы страданием. Например, я не могу представить, как мы жили без сервисов такси, но жили же. И с ужасной длинной неотключаемой нетаргетированной рекламой тоже жили, хотя сейчас мысли о ней вызывают ужас. Но аналитики Нетфликс считают, что достаточное число людей будут готовы смотреть рекламу, чтобы не платить на $7 в месяц больше. В мобильных играх вроде как похожая статистика: за избавление от рекламы платят около 20% постоянных игроков, остальные смотрят неотключаемые прероллы. И вообще, отсутствие платного тарифа у соцсетей и других сервисов говорит само за себя. Почему не существует платного Инстаграма без рекламы? Меня это очень сильно удивляет, и, на мой взгляд, это одно из следствий каких-то глубинных проблем современного человека: согласие на что-то плохое и неприятное, потому что трата денег ощущается как более плохое и неприятное. Хотя, если подумать, вот математика для Нетфликса: допустим я смотрю две серии любимого сериала в день, получаю около минуты рекламных вставок в каждой, итого это час времени в месяц. То есть я могу отдать час за $7. Конечно, не все люди получают $7 в час, даже в западном мире, хотя средняя зарплата в США после налогов около $15-20 в час. И это на работе, занимаясь более приятным делом, чем просмотр рекламы. Как ни крути: если человек беден, он вообще на платные развлекательные сервисы не должен подписываться, а искать бесплатные или дешёвые альтернативы, но ещё лучше — заниматься своей жизнью, пытаться поднимать доходы. Если же он обычный человек с работой и зарплатой, то почему он в принципе может предпочесть смотреть рекламу, а не заплатить за её отсутствие? Как и почему мысль работает в эту сторону? Я уверен, мир в целом стал бы лучше, если бы люди научились не соглашаться на подобное. P.S. Но русских Нетфликс забанил, так что я их послал. Привет, Кинопаб :) #web#life

Hashtags

Резултати

Намерени 1 подобни публикации

Търсене: #bfl

当前筛选 #bfl清除筛选
Machinelearning

@ai_machinelearning_big_data · Post #9625 · 05.03.2026 г., 13:26

🌟Self-Flow: обучение диффузионных моделей без внешних энкодеров от Black Forest Labs. Black Forest Labs и MIT решили проблему, с которой сталкиваются диффузионные и flow-модели: чтобы генерировать качественные картинки, им нужны сильные семантические представления. Обычно их берут снаружи - выравнивают внутренние признаки модели с признаками энкодера вроде DINOv2. Метод работает, но есть нюанс. Чем сильнее энкодер, тем хуже результат: в экспериментах замена DINOv2-B на более мощный DINOv3-H+ стойко ухудшала FID. Модель привязывалась к фиксированным внешним представлениям и переставала масштабироваться. На видео и аудио выравнивание с энкодерами V-JEPA2 и MERT вообще давало результат хуже ванильного flow matching. 🟡Self-Flow предлагает механизм Dual-Timestep Scheduling В стандартном flow matching все токены нойзятся одинаково, поэтому модель решает задачу локально и не учится строить глобальные связи. Self-Flow сэмплирует 2 разных уровня шума и случайно назначает их разным токенам (часть входа зашумлена сильнее, часть чище). Это создает асимметрию: чтобы восстановить сильно зашумленные токены, модель вынуждена опираться на чистые и строить глобальный контекст. Поверх этого работает самообучение по принципу дистилляции. Обучаются одновременно 2 копии модели: модель-ученик видит смешанный зашумленный вход, модель-учитель - более чистую версию (EMA-копия с экспоненциальным скользящим средним). Ученик учится предсказывать признаки учителя из зашумленного входа, и это вынуждает его развивать сильные семантические представления без какого-либо внешнего энкодера. 🟡Результаты тестов 🟢На ImageNet 256×256 Self-Flow показал FID 5.70 против 5.89 у REPA; Это, кстати, первый случай, когда self-supervised метод превзошел внешнее выравнивание на этом бенче 🟢На text-to-image: FID 3.61 против 3.92 у REPA; 🟢По видео: FVD 47.81 против 49.75 у REPA; 🟢По аудио: лучшие FAD-оценки среди всех вариантов. При этом на масштабировании (с 290M до 1B) разрыв с REPA увеличивается: модель Self-Flow на 625M параметров обходит REPA на 1B. Метод универсален для модальностей - он работает одинаково на картинках, видео и аудио, что намекает на применение для мультимодального обучения. В репозитории проекта есть код инференса на основе SiT-XL/2 с per-token timestep conditioning, чекпоинт на основе ImageNet 256×256 и скрипты для генерации сэмплов под FID-оценку через ADM evaluation suite. Поддерживаются режимы SDE и ODE, мульти-GPU через torchrun. 🟡Статья 🟡Техотчет 🖥GitHub @ai_machinelearning_big_data #AI#ML#Multimodal#Framework#BFL