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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #951 · 9.02

У нас в Росатоме сотрудникам иногда предлагают ездить смотреть на разные предприятия госкорпорации. Вот удалось скататься за счёт компании в Мурманск, попасть на Атомфлот и на ледокол-музей «Ленин». Мурманск сам по себе показался мне особенно примечательным своим рельефом: дворы на разном уровне и для перемещения от дома к дому нужно то и дело ходить по лестницам. В целом же конечно после Петербурга он смотрится простовато, а некоторые дома в глубине откровенно страшные и с точки зрения жителя столиц выглядят чуть ли не аварийно. Здание аэропорта вообще похоже на среднестатистическую коробку государственной конторы где-нибудь во дворах. Однако, ведётся строительство нового аэропорта. И, вообще, приятно удивляет сам факт, что в таких тяжёлых условиях есть вполне современный развитый город, в котором присутствует всё, к чему мы привыкли в плане сервисов и комфорта: от топовых отелей до Яндекс Такси. Правда, я жил в квартире, потому что отели в ноль раскупили китайцы. Говорят, у них есть такое поверье, что в дни зачатия ребёнка нужно увидеть Полярное Сияние, вот они и летят в Мурманск толпами. На Атомфлоте почти ничего нельзя было фотографировать. В доке в этот момент стоял красивый ледокол «Сибирь» из новой универсальной серии проекта 22220. Эта машина с двумя реакторами по 175 МВт может менять свою осадку и одинаково подходит как для ведения судов по Северному Морскому Пути, так и для работы в крупных замерзающих зимой реках, таких, как Енисей и Обь. Зато есть снимок из центра морских операций, куда выводят интерактивную карту местоположения всех ледоколов и спутниковый анализ плотности льда во всём арктическом регионе. А ещё глянули на тренажёры, за которыми учатся и сдают экзамены операторы ядерной установки. На фото тренажёр, который дублирует пульт довольно старого ледокола 70-х годов, но ещё в ходу; а у новых дисплеи и трекпады везде. Так вот, работа этих операторов похожа на то, что нам показывали в сериале «Звёздный Путь», когда капитан просит машинное отделение дать мощности на варп-ядро, чтобы сделать быстрый скачок, и инженеры начинают быстро перебирать кнопки, а индикаторы менять своё состояние. Ледокол «Ленин» это первое в мире надводное атомное судно. Сейчас он снят с эксплуатации и превращён в музей. В то время для его работы требовался персонал порядка 250 человек. У современных ледоколов эта цифра около 50, хотя они больше, сложнее и мощнее, потому что много работы выполняет теперь автоматика. Ещё два интересных факта: 1. Ледоколу часто нужно рывками с разбегу преодолевать какой-то особо сложный участок, и именно поэтому установка у него электрическая, а не прямой привод от турбин реактора. Электричество даёт большую динамику. 2. Если ледокол застрял во льдах, у него есть специальная система изменения центра тяжести, позволяющая ему раскачиваться вперёд-назад и влево-вправо, чтобы чуть-чуть освободиться, а дальше уже рывками выбраться. В общем и целом понравилось. Я бы и сам с удовольствием съездил, а тут ещё и на работе предложили. Но в Мурманске и вообще за Полярным Кругом ещё много всего можно посмотреть, это уже в личном порядке надо будет. #travel#life

Hashtags

Резултати

Намерени 1 подобни публикации

Търсене: #bfl

当前筛选 #bfl清除筛选
Machinelearning

@ai_machinelearning_big_data · Post #9625 · 05.03.2026 г., 13:26

🌟Self-Flow: обучение диффузионных моделей без внешних энкодеров от Black Forest Labs. Black Forest Labs и MIT решили проблему, с которой сталкиваются диффузионные и flow-модели: чтобы генерировать качественные картинки, им нужны сильные семантические представления. Обычно их берут снаружи - выравнивают внутренние признаки модели с признаками энкодера вроде DINOv2. Метод работает, но есть нюанс. Чем сильнее энкодер, тем хуже результат: в экспериментах замена DINOv2-B на более мощный DINOv3-H+ стойко ухудшала FID. Модель привязывалась к фиксированным внешним представлениям и переставала масштабироваться. На видео и аудио выравнивание с энкодерами V-JEPA2 и MERT вообще давало результат хуже ванильного flow matching. 🟡Self-Flow предлагает механизм Dual-Timestep Scheduling В стандартном flow matching все токены нойзятся одинаково, поэтому модель решает задачу локально и не учится строить глобальные связи. Self-Flow сэмплирует 2 разных уровня шума и случайно назначает их разным токенам (часть входа зашумлена сильнее, часть чище). Это создает асимметрию: чтобы восстановить сильно зашумленные токены, модель вынуждена опираться на чистые и строить глобальный контекст. Поверх этого работает самообучение по принципу дистилляции. Обучаются одновременно 2 копии модели: модель-ученик видит смешанный зашумленный вход, модель-учитель - более чистую версию (EMA-копия с экспоненциальным скользящим средним). Ученик учится предсказывать признаки учителя из зашумленного входа, и это вынуждает его развивать сильные семантические представления без какого-либо внешнего энкодера. 🟡Результаты тестов 🟢На ImageNet 256×256 Self-Flow показал FID 5.70 против 5.89 у REPA; Это, кстати, первый случай, когда self-supervised метод превзошел внешнее выравнивание на этом бенче 🟢На text-to-image: FID 3.61 против 3.92 у REPA; 🟢По видео: FVD 47.81 против 49.75 у REPA; 🟢По аудио: лучшие FAD-оценки среди всех вариантов. При этом на масштабировании (с 290M до 1B) разрыв с REPA увеличивается: модель Self-Flow на 625M параметров обходит REPA на 1B. Метод универсален для модальностей - он работает одинаково на картинках, видео и аудио, что намекает на применение для мультимодального обучения. В репозитории проекта есть код инференса на основе SiT-XL/2 с per-token timestep conditioning, чекпоинт на основе ImageNet 256×256 и скрипты для генерации сэмплов под FID-оценку через ADM evaluation suite. Поддерживаются режимы SDE и ODE, мульти-GPU через torchrun. 🟡Статья 🟡Техотчет 🖥GitHub @ai_machinelearning_big_data #AI#ML#Multimodal#Framework#BFL