TGINSIGHT SIMILAR POSTS
Изходен канал @clockstackwheels · Post #925 · 10.12
Я вам уже писал про цикл Азимова "Основание". Не так давно на русском языке вышли аудиокниги остальных романов серии: два приквела, начинающиеся с "Прелюдии к Основанию", и два сиквела — "Кризис Основания" и далее. Я все купил и прослушал. Сначала давайте про последние. Азимов писал сиквелы под давлением фанатов спустя почти 40 лет после завершения основной серии, и это, к сожалению, очень заметно. Дело даже не в том, что в сюжете появляется слишком много странных допущений, начиная от местной формы магии и заканчивая совершенно буквальным Богом из Машины. Главная беда в том, что вообще весь основной замысел и идея первоначальной трилогии ломается и переворачивается с ног на голову в худшем смысле этого слова. То, что было подано, как важное и сюжетообразующее — перестаёт таким быть. Персонажи, которые на протяжении многих книг являлись ключевыми, отодвигаются на десятый план — их роль в происходящем фактически обесценивается. Что удивительно, ещё через два года после сиквелов Исаак Юдович написал приквелы, которые, внезапно, возвращают всё на свои места: персонажи обратно становятся важными, первоначальная сюжетная линия ценной и значимой. Лично меня это сбило с толку. Если никогда не читать сиквелы, то приквелы + основная трилогия формируют хорошую устойчивую научно-фантастическую вселенную без особых передёргиваний. Моя теория такая: фанаты задолбали Азимова, и он написал "Кризис..." и следующий роман, в которых просто низвёл до нуля любимых всеми персонажей и сюжет. Но через какое-то время опомнился, и такой "Блин, как я мог поступить подобным образом с одним из главных трудов своей жизни?", поэтому выпустил нормальные каноничные "Прелюдия..." и "Путь...". Но даже с учётом значительных косяков я дослушал с удовольствием. Всё такие же хорошие дипломатичные диалоги, всё такие же интересно описанные миры и планеты. Книги создавались почти сразу после холодной войны, порадовала планета, которая явно отсылается к СССР в представлении типичного американца того времени: снежная, с полувоенным строем и ханжеской социальной дисциплиной, ограничением на базовые блага и так далее. Не то что святая капиталистическая демократия в США. При этом у автора человечество будущего всё равно пришло к имперской форме правления. #fiction
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