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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #676 · 2.12

Не выдержал и заказал один DJI O3 Air Unit, посмотрим :) FPV-квадрокоптер это летающая платформа с камерой. И эти контуры более менее друг от друга изолированы: можно снять всё, что касается видео, и по-прежнему будет летать и нормально управляться, правда, пилот не сможет ничего видеть. То есть там полётный контроллер со своим радиоприёмником, отдельно радиопередатчик и камера для видео, и ещё почти всегда ставили отдельно камеру для съёмок — просто прикручивали сверху GoPro. С полётным контроллером и его радиомодулём всё хорошо — научились делать очень круто, работает чётко, опенсорсная прошивка, отличная дальность. А вот у видео были проблемы. Долгое время оно было вообще аналоговое, но пришла компания DJI и кроме собственных отдельных дронов стала выпускать Air Unit — модульную камеру с передатчиком, которую можно поставить на фактически любой дрон. При этом видео цифровое и передаётся только в очки от DJI. Это был отличный ход: качество у такого видео лучше, чем у аналогового, поэтому FPV-шники стали массово скупать очки от DJI, китайские компании массово приобрели у DJI лицензию на выпуск своих модулей с их чипами (Caddx, например, она у меня на одном из дронов стоит), на аналоге остались разве что дроно-гонщики, там слишком важна задержка между картинкой и реальным временем. Но потихоньку стали появляться решения от других производителей: например Walksnail Avatar — тут тебе и очки сразу и видеомодуль. Сами DJI выпустила новые очки, оказавшиеся несовместимыми с Air Unit. А ещё они же релизнули FPV-дрон Avata, который хоть и хороший, но не даёт той гибкости, которая нужна крутым (и не таким богатым :)) ребятам. Казалось бы — ну всё, лидерство DJI в области видеопередачи для FPV-дронов постепенно заканчивается. А, ну и параллельно с этим всегда была проблема "на что снимать?". GoPro очень тяжёлая. А всё, что лёгкое — не слишком качественное. Сами GoPro выпустили версию Bones со снятым всем подряд, кроме самого необходимого. Ещё активно делали (причём, как люди сами, так и фирмы) так называемые GoPro Naked — разбирали камеру, выкидывали аккумулятор и экран, печатали новый корпус полегче. И тут бац тебе: O3 Air Unit. Это камера от DJI Avata с видеопередатчиком, которую можно установить на любой дрон. Качество на голову выше, чем у всего, что есть на рынке. Достаточное, чтобы на эту камеру даже можно было снимать, а не только смотреть, куда летишь. Совместимая со всеми версиями очков. Решает сразу очень много проблем. FPV-шники теперь ещё больше будут покупать дорогущие очки от DJI обеих версий. Вишенкой на торте ещё и идёт тот факт, что камера впаивается, то есть ты её так просто с одного дрона на другой не поставишь. А у летающих ребят обычно по 2-3-5-10 дронов. Ну, экономику считайте сами. Гениальный ход, как по мне :) И очередной Game Changer. #drone

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