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
前段时间一直被MajdataPlay的外键输入问题困扰：有玩家反映majplay会无征兆地出现拖判和吃音，但是内屏一切正常 因为我是第一次接触游戏开发，IO这方面也完全没经验 一开始我和bb本怀疑是线程调度的问题，即：IO线程时间片被其他线程挤占了，导致IO线程无法及时处理HID设备回报。为了验证这个猜想，我们尝试提高了IO线程的优先级，照旧 接下来我怀疑是我那套框架有问题：majplay是根据上一帧与这一帧的按键状态判断按键是不是"click"。为此我重写了这部分的实现，改进了IO线程与主线程之间的交互，问题照旧....... 到这里我已经怀疑这不是majplay的锅：IO线程没有任何异常，IO线程与主线程的交互没有问题，Note判定逻辑也没有问题，那就是设备确实没有回报给majplay或者设备发过来的回报中按键确实没有按下，但是大佬说hdd没有这种问题.....（人已经快崩溃了，这完全看不透也摸不着，因为我用单片机模拟玩家打高速纵连是完全没有问题的，我在家里用手台测试也没有问题） 到最后，bb本灵光一闪，说有没有可能是led刷新率过高，把按键控制板干爆炸了？我们让大佬把led刷新间隔从16ms改成100ms，吃音问题瞬间没有了，无语了 。。。。。。。。。。。。。。。。。。。。 adx是一个控制板同时管理按键和led，为什么我没有遇到吃音问题呢，因为我的手台不是adx的... #dev
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