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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #61 · 1.07

Посмотрел дебаты Панчина и Редько, где первый топил за вакцинацию, а второй — против конкретно вакцинации от ковида в текущий момент. Панчина я знаю давно (не лично, хотя видел его пару раз), и он говорит непротиворечивые вещи, которые согласуются с моими собственными наблюдениями за тем, как устроен мир. При этом его оппонент держался не слишком уверенно, не обладал стройной речью, говорил сбивчиво и путался, использовал терминологию в стиле «Вы всё врёте» и упомянул, что смотрит Соловьева. Ну и оговорка (?) про «лохокост» тоже очень резанула уши. Для меня исход дебатов очевиден: победа Панчина с большим отрывом Точнее даже фактически дебаты толком не состоялись, потому что хорошей дискуссии я не увидел. Но, если посмотреть объективно, то оппоненты говорили о вещах, в которых я не разбираюсь, и истинность/ложность многих посылов гарантированно подтвердить не могу. То есть чисто гипотетически возможно, что это не тёмный Редько нёс ерунду, а на самом деле языкастый Панчин заговорил всем зубы. Потом я подумал, а существует ли способ, не обучая меня 20 лет на врача, относительно надежно дать мне возможность разобраться, где тут правда? И, пожалуй, ответ нет. Более того — даже обучая, всё равно нет. А проблема тут в том, что люди отрицают даже вполне объективные вещи, если только их нельзя строго научно обосновать. Если можно -- тоже отрицают, но с такими людьми можно ни в какие дебаты не вступать. А вот если не было проведено исследование о том, что вода мокрая, то спуск по дереву абстракции до этого аргумента всё равно не позволит надёжно свой постулат подтвердить и оппоненту и слушателям. А есть исследование, что вода мокрая? Можно ли доверять этому исследованию? А мне знакомый гидролог сказал, что не мокрая. И у моего друга не мокрая. И вообще, вы же понимаете, лёд это тоже вода, а он не совсем мокрый. Я это на своей сфере остро чувствую. В чатах разработчиков, допустим, теоретически все являются компетентными специалистами, а по факту всё равно всерьёз возникают заявления о том, что, например, система типов в JavaScript -- логичная и предсказуемая, что абстрактные классы не нужны, что не обязательно ставить пробелы вокруг операторов, что отсутствие array-helper'ов в Go это благо и так далее. Впрочем, в комментариях под дебатами на ютубе справедливо раскритиковали, что ведущей следовало сделать хотя бы минимальный факт-чекинг по результатам. А то дебатирующие просто обвиняли друг друга во лжи, и в общем случае произвольному слушателю надёжно понять, кто из них прав, было нельзя. #life

Hashtags

Резултати

Намерени 2 подобни публикации

Търсене: #mlm

当前筛选 #mlm清除筛选
Профцентр

@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

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