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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #711 · 24.12

Графика в видеоиграх выглядит, как мультфильм, и отличается от графики в реальном мире либо на фотографии. Причина этого такая: чтобы нарисовать картинку, нам нужно знать, в каких местах какое количество света и цвета. Но свет в реальности — очень сложная фигня, и по факту он отражается от всего подряд, в том числе от незеркальных и неметаллических поверхностей. Ярким летним днём у вас в квартире светло даже там, куда не доходят напрямую солнечные лучи через окна. Трёхмерные мультики и компьютерные эффекты в кинофильмах мы уже научились делать похожими на фотографию, потому что там у нас на каждый кадр есть сколько угодно времени: можно очень подробно обсчитать сцену и определить, как и где расположен свет. Пусть вывод одного кадра займёт час процессорного времени (а рендерят мультики и фильмы на фермах), не страшно, зато красиво выходит. С играми всё хуже: получать картинку нужно сразу. В игре компьютер не знает заранее, в какую сторону я повернусь и на что посмотрю, поэтому нужно уметь вычислять внешний вид изображения на основе геометрии трёхмерной сцены. И делать это для комфортной игры как минимум 60 раз в секунду. Поэтому такое вычисление производят очень приблизительно, чтобы было быстро. Это смотрится неплохо, и мы способны узнать в игре человека, оружие, машину, но всё равно любым невооружённым глазом такое легко отличить от реальности. С развитием технологий и увеличением мощности видеокарт получил распространение метод трассировки лучей: из "глаз" игрока испускается невидимый луч, рассчитываются его отражения и преломления от всех поверхностей на некоторую глубину, а потом смотрят, попал ли этот луч в источник света. Зная его траекторию, мы можем "вернуть" в виртуальную камеру правильное количество света и правильный цвет. Понятно, что таких лучей должно быть очень много, и вот тут современные видеокарты с их параллельными вычислениями уже начинают неплохо себя показывать. Я попробовал Portal with RTX, его можно бесплатно скачать в Стиме, если у вас есть базовый Portal. Да, игра 15-летней давности, как её ни причёсывай, совсем круто не будет. Тем не менее, специалисты из Nvidia поработали над освещением, и местами очень приятно наблюдать, как картинка начинает выглядеть более правильно с точки зрения реальной физики. Массового внедрения технологии, видимо, не стоит ожидать, пока половина геймеров не обзаведутся топовыми видеокартами. И в целом графика впечатляет меньше, чем демка Матрицы. Но всё равно крайне любопытно. #games

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