TGINSIGHT SIMILAR POSTS
Source channel @olddriverGDstudy · Post #49 · Mar 24
江湖舔狗传 江湖者，江湖也！ 各兄弟五湖四海汇聚一堂，为的是个情字，讲的是个义字，说的是个道理。 江湖上无数前辈好汉，忍饥挨饿，夜以继日，通宵达旦，上下求索，陷过无数的坑，踏破无数双鞋换得了有限的几个极品资源，未曾敢占为己有，而是毫无保留，无私公布奉献。 这一切为什么？为的是天下草根、屌丝们，不受仙人跳之苦，不遭各种骗费之难，不枉花了辛苦搬砖的银两盘缠，这是多么高尚的精神，多么高贵的品质啊！ 江湖就是江湖，林子大了什么鸟儿都有，舔狗们也像病毒般出没，为害人间。这些禽兽毫无尊严、毫无底线，从溜须拍马、到阿谀奉承，从冷屁股到甜盘子全方位无死角。 舔狗，做着劝婊子从良的梦，抱着救风尘女子出火坑的“崇高”的性幻想，岂不知自己已是婊子口中的笑话！ 江湖有江湖的规矩，江湖有江湖的原则，江湖有江湖的风貌，江湖有江湖的脾气。 我知舔狗是死不光的，这一车死光了，下一车还在路上。 但舔狗永远不过是个道具而已，又何必自作多情。 舔狗，你听，电话声已响起，你的钟到了！闭上臭嘴，滚出去把门关上！ 作者：41秒哥 标签：#语录
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