TGINSIGHT SIMILAR POSTS
Изходен канал @clockstackwheels · Post #677 · 3.12
Ребята из ВК, похоже, чуть-чуть прислушиваются к пользователям. Когда я написал пост про неаккуратность с переносом названий статей, эту проблему довольно быстро исправили. И вот только что я писал вам об опросах в ленте, и о том, что именно на мой взгляд в них нужно спрашивать. Сегодня мне пришло два новых опроса: "Достаточно ли в ленте записей от друзей?" (поставил минимальный балл) и "Насколько лента соответствует вашим интересам?" (поставил 2 из 5). Интересно, как именно такая статистика будет обрабатываться? Вот допустим ответят люди, что записей от друзей недостаточно, и что с этим ВК сделает? Вернёт активность пользователей? Если бы могли, то уж давно сделали бы. Но если вдруг мои посты как-то влияют на происходящее: Уберите, пожалуйста, вкладку "Клипы" в нижнем меню. А лучше вообще вынести вертикальные видео для детей в отдельное приложение. Хотел написать "Вместо этой кнопки сделайте обновляемую подборку авторских текстов"... но, пожалуй, будь я сейчас владельцем крупной соцсети, не поставил бы на тексты. Тяжело смириться с тем, что люди перестали читать, но придётся. Возможно, ВК нужно превратить в русский ютуб. А, значит, наладить систему рекомендаций. Сейчас я захожу в раздел "видео", и там какой-то телевизор для домохозяек. Где коптеры и инженерные блоги? #web
Hashtags
Търсене: #mlm
@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
@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