TGINSIGHT SIMILAR POSTS
Canale sorgente @WritingWay · Post #1202 · 11 apr
DIALOGHI E PUNTEGGIATURA ✍🏻 #scrittura#writingtips ✍🏻 Ecco alcuni esempi di utilizzo virgolette e punteggiatura corretti. ✅˂ ˂ Non posso seguirti ˃ ˃ disse Roahl ˂ ˂ devo restare qui ˃ ˃. ˂ ˂ Non posso seguirti. ˃ ˃ Disse Roahl ˂ ˂ Devo restare qui .˃ ˃. ( In questo caso può essere messo sia interno alle virgolette che esterno). ✅ ˂ ˂ Non posso seguirti. ˃˃ Roahl lo guardò con determinazione. Ma si potrebbe fare anche così ˂ ˂ Non posso seguirti ˃˃. Disse Roahl con determinazione. Oppure ✅ Non posso seguirti. - Disse Roahl. Non posso seguirti - disse Roahl - devo restare qui. “Non posso seguirti” - disse Roahl - “devo restare qui”. ❇️ La vera regola: fate una scelta e seguitela per tutto il testo. @writingway 🙌Se ti è piaciuto questo post e pensi possa interessare ad altri, inoltralo cliccando sulla freccia a destra.
Hashtags
Cerca: #mlm
@profcen · Post #383 · 16/08/2023, 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, 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