TGINSIGHT SIMILAR POSTS
Source channel @olddriverGDstudy · Post #10 · Mar 17
#语录 请大家做个素质狼友： 1 人和人需要的是相互尊重的，希望我们群的狼友能尊重老师。在相互尊重的情况下我相信大家会得到更好的体验。 2 请大家预约老师后如有变化应该尽快,提前的告知老师，因为老师每天的课时都是有限的。如果不提前告知也很可能再也约不到这位老师或者进入妹子们的黑名单。 3 请大家遵守行规（按照行规S了但是可以待够时间，享受下老师的服务和老师聊聊天。就算时间到了没S也算是课时结束了，如果第一次结束了又做第二次那么不管S没有都应该按PP付费。）,一般情况下P是60分钟 PP是90分钟 时间没到老师赶你走是老师的问题，但是超时就是狼友的问题，关于超时最好和老师协商一下，因为老师如果后面有学生，那么超时就会影响到后面的学生，很可能会给老师带来不必要的麻烦。如果想约PP的学生最好在预约的时候就给老师讲清楚。 4 关于等候的时间，有些时候有很多不可控因素比如学生迟到，学生学习时间长等因素，希望大家在等候的时候能稍微耐心点，个人感觉等候时间在20-30分钟还是可接受的。 5 希望我们群的兄弟都能做个素质狼友，当然我们也会对群里的各位老师有所要求，大家对老师有什么不满意的都可以在群里直接投诉，或者找管理员投诉。
Hashtags
Search: #mlm
@profcen · Post #383 · 08/16/2023, 09:03 AM
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 · 10/20/2025, 08:41 PM
⚡️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