TGINSIGHT SIMILAR POSTS
Изходен канал @clockstackwheels · Post #723 · 28.12
GamesIndustry подвели итоги рынка видеоигр за 2022 год. Любопытно и то, что рынок в целом упал на 4.3% относительно прошлого года, и некоторые детали. Например, внезапно выросли PC-игры на фоне падения консолей и мобилок. И уход консолей из России не мог так сильно повлиять, как ни крути. Это какая-то более общая тенденция. С чем такое может быть связано? Людям надоели однообразные ААА-тайтлы, и они стали больше играть в инди? Предсмертная агония крипты наводнила рынок дешёвыми видеокартами? Интересно, что будет ещё через год, неужели нас ждёт реинкарнация ПК-гейминга? Я последние годы был лютым сторонником консолей, но ситуацию с ними для русских вы и сами знаете, так что вот я обзавёлся 4090 и собираюсь с консолей потихоньку уходить. Прикольно, если и остальной мир (по другим причинам) тоже начнёт возвращаться на ПК. Ещё кстати зацените разрыв между продажами игр на дисках и в цифре. Диски для ПК вообще нет никакого смысла выпускать, только впустую материалы тратить. У меня в последних трёх или четырёх компьютерах не было привода даже. С консолями сложнее, конечно: там игры дорогие, и многие обмениваются дисками. Ну и нельзя не посетовать очередной раз на 50% мирового дохода с мобилок. Это как если бы продажи алкоголя превышали продажи всей остальной еды вместе взятой. Впрочем, просадка мобильного рынка почти самая большая, возможно, у этого человечества ещё есть шанс. Источник. #games
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