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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #974 · 22.04

С большим трудом дослушал "Град Обречённый" Стругацких. Это, пожалуй, книга, которая доставила мне наименьшее удовольствие за посление 10 лет. Хотя завязка очень интересная: людей случайно выдёргивают из своего времени где-то в середине 20-го века и помещают в искусственно построенный город, ограниченный стеной бесконечной высоты с одной стороны и пропастью бесконечной глубины с другой, чтобы они участвовали в Эксперименте, суть которого так и не раскрывается. Важно, что участие добровольное, но зачастую людей выдёргивают из каких-то безвыходных ситуаций: из плена, перед казнью итд. Люди в Городе в целом предоставлены сами себе, но обязаны менять профессию раз в 3 месяца. Новую профессию каждому определяет некая машина неизвестным образом. Еще периодически на город сваливаются странные бедствия: например, нашествие обезьян. Так вот, лично я ожидал от этого произведения какой-то полудетективной социальной фантастики с закрученным сюжетом и неожиданной развязкой, а получил... плохо скрываемые жалобы авторов на устройство советского общества и вообще мира вокруг. Практически все персонажи в книге тем или иным образом отвратительны, порочны и лишены причин для сопереживания им. А описываемые события быстро скатываются в непробиваемый мрачняк без выводов. Причем, это всё еще и крайне уныло читать (или слушать). Во-первых, многие вещи близки только человеку определённой эпохи, пережившему определённые события. Во-вторых, авторы очень сильно затягивают некоторые сцены (например, застолья), по-видимому, чтобы увеличить отвращение читателя к персонажам и к человечеству в целом. В-третьих, что я просто ненавижу в литературе: авторы без плавного перехода меняют реалистичные сцены на сюрреалистичные. Мне тупо пришлось гуглить краткие описания некоторых отрывков, чтобы вообще понять, о чем была речь. Представьте, если бы какой-нибудь Раскольников вышел на улицу и увидел бы там вместо людей говорящие бананы, но при этом повествование продолжилось бы так, будто всё в порядке. И тебе, как читателю, приходится ломать голову над тем, что это за бананы: это героя глючит? Или слишком заковыристая метафора? А может я случайно пропустил пару страниц с объяснением? В общем, я догадываюсь, что советское общество не оправдало некоторые надежды в глазах Аркадия и Бориса, чем, видимо, глубоко их травмировало. В поздних интервью Борис Натанович вообще топил за капитализм по европейскому образцу, при этом в соседнем ответе непоследовательно ругая общество потребления. Но, пожалуй, хочу оставить в своей памяти тех Стругацких, которые написали Полдень. #fiction

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