TGINSIGHT SIMILAR POSTS
Изворен канал @pythonmathaug22 · Post #33 · 19 сеп.
❗️ВАЖНО❗️ 🎾Обратная связь по четвертой неделе интенсива Оставить отзыв на занятия прошлой недели 12 и 15 сентября можно по ссылке: https://forms.gle/HCXZb1B8q77FoGDy8 🎾Обновления в домашних заданиях В домашней работе №3: – исправили ответы на вопросы №2 и №7 – добавили дополнительные 2 попытки, чтобы вы могли снова выполнить откорректированный тест (итого 5 разрешенных попыток) – продлили дедлайн до 24 сентября 23:59 (мск) В домашней работе №4: – поправили прием ответа на вопрос №12 (ранее у некоторых студентов возникали трудности) – добавили дополнительные 2 попытки, чтобы вы могли снова выполнить откорректированный тест (итого 5 разрешенных попыток) – дедлайн остается тем же: 30 сентября 23:59 (мск) 🎾 У меня возникают разные вопросы по задачам — к кому обратиться? К хелперам в Discord-комьюнити: мы раздали роль helpers тем, кто готов помогать начинающим с нуля. Хелперы отображаются красным цветом. Создали 10 мини-групп с 2-3 хелперами в каждой. В ближайшее время начнем распределять по мини-группам студентов, которые оставили реакции под постом о наборе в мини-группы начинающих. Этот пост находится в последнем закрепленном сообщении на канале #python-и-математика: реакции все еще можно оставить, если вы хотите в мини-группу. Хорошей недели! Команда Mathshub
Hashtags
Пребарај: #mlm
@profcen · Post #383 · 16.08.2023 г., 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 г., 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