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
TGTGInsighttelegram intelligenceLIVE / telegram public index
Flare Stack Blog ——基于 Cloudflare Workers 的现代化全栈博客 CMS ## 核心功能 • 文章管理 — 富文本编辑器，支持代码高亮、图片上传、草稿/发布流程 • 标签系统 — 灵活的文章分类 • 评论系统 — 支持嵌套回复、邮件通知、审核机制 • 友情链接 — 用户申请、管理员审核、邮件通知 • 全文搜索 — 基于 Orama 的高性能搜索 • 媒体库 — R2 对象存储，图片管理与优化 • 用户认证 — GitHub OAuth 登录，权限控制 • 数据统计 — Umami 集成，访问分析与热门文章 • AI 辅助 — Cloudflare Workers AI 集成 • 主题系统 — 可扩展的主题模板，支持完整替换所有页面和布局 • 导入导出 — 支持Markdown导入导出，保留图片以及Frontmatter Flare Stack Blog 的所有面向用户的页面与布局均通过 主题契约（Theme Contract） 与业务逻辑解耦。你可以在不修改任何路由或数据逻辑的前提下，完整替换博客的视觉表现层。 项目地址：https://github.com/du2333/flare-stack-blog #Platform#Cloudflare 频道：@FindBlog 群组：@FindBlog_Group
Hashtags
Results
找到 2 条相似帖子
搜索 #mlm
当前筛选 #mlm清除筛选
Machinelearning
@ai_machinelearning_big_data · Post #8817 · 2025/10/20 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