TGINSIGHT SIMILAR POSTS
Canale sorgente @WritingWay · Post #1246 · 10 ott
SI DICE "UN ATTIMINO"? sì o no? ✍🏻😎 #scrittura#writingtips#wearewriting ⏩ Espressione tra quelle criticate da sempre. ✅ Attimino deriva da attimo, una frazione di tempo che non può essere suddivisa; invece, come ci ricorda Donata Schiannini, storica della lingua, attimo ha la stessa radice di atomo, cioè indivisibile, e oggi sappiamo tutti che l'atomo in realtà è suddivisibile. ✅ Qualcuno lo ammette solo se riferito al tempo: "aspetti un attimino", ma non alla modalità, cioè non si dovrebbe dire "sei un attimino ubriaco". (Mah) ✅ In realtà non ci sono motivi validi per dire che l'utilizzo di attimino sia sbagliato, forse potremmo ragionare più sull'uso del diminutivo, se sia efficace o meno all'interno di un testo. 🚀La scelta migliore? A gusto, diciamo. Io, in narrativa, lo userei solo nei dialoghi. In altri testi, ci può stare se vogliamo usare uno stile molto colloquiale. @writingway 🙌Se ti è piaciuto questo post e pensi possa interessare ad altri, inoltralo cliccando sulla freccia a destra.
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