Осцилляции WaveCut
رفتن به کانال در Telegram
نمایش بیشتر
کشور مشخص نشده استدسته بندی مشخص نشده است
1 011
مشترکین
+124 ساعت
+177 روز
+4330 روز
در حال بارگیری داده...
کانالهای مشابه
هیچ دادهای
مشکلی وجود دارد؟ لطفاً صفحه را تازه کنید یا با مدیر پشتیبانی ما تماس بگیرید.
ابر برچسبها
هیچ دادهای
مشکلی وجود دارد؟ لطفاً صفحه را تازه کنید یا با مدیر پشتیبانی ما تماس بگیرید.
اشارات ورودی و خروجی
---
---
---
---
---
---
جذب مشترکین
سپتامبر '26
سپتامبر '26
+35
در 5 کانالها
اوت '26
+28
در 2 کانالها
Get PRO
ژوئیه '26
+39
در 4 کانالها
Get PRO
ژوئن '26
+40
در 3 کانالها
Get PRO
مه '26
+108
در 9 کانالها
Get PRO
آوریل '26
+677
در 4 کانالها
Get PRO
مارس '260
در 7 کانالها
Get PRO
فوریه '26
+3
در 38 کانالها
Get PRO
ژانویه '260
در 0 کانالها
Get PRO
دسامبر '25
+25
در 0 کانالها
Get PRO
نوامبر '250
در 0 کانالها
Get PRO
اکتبر '250
در 1 کانالها
Get PRO
سپتامبر '25
+127
در 0 کانالها
| تاریخ | رشد مشترکین | اشارات | کانالها | |
| 16 سپتامبر | +2 | |||
| 15 سپتامبر | +2 | |||
| 14 سپتامبر | +1 | |||
| 13 سپتامبر | 0 | |||
| 12 سپتامبر | +1 | |||
| 11 سپتامبر | +4 | |||
| 10 سپتامبر | +2 | |||
| 09 سپتامبر | +9 | |||
| 08 سپتامبر | 0 | |||
| 07 سپتامبر | +2 | |||
| 06 سپتامبر | +5 | |||
| 05 سپتامبر | +2 | |||
| 04 سپتامبر | 0 | |||
| 03 سپتامبر | +2 | |||
| 02 سپتامبر | +1 | |||
| 01 سپتامبر | +2 |
پستهای کانال
| 2 |  В Suno появилась опция быстрого файн-тюна модели под свои треки.
Цена вопроса — 100 кредитов. | 347 |
| 3 | بدون متن... | 823 |
| 4 | Еще бонусный трибьют с помощью v6 и какой-то магии. | 608 |
| 5 | Suno v6. Одиночество. | 510 |
| 6 | بدون متن... | 577 |
| 7 |  +1Ученые денно и нощно трудятся в стенах НИИ, чтобы заменить всех водителей на мух! | 553 |
| 8 | بدون متن... | 508 |
| 9 | بدون متن... | 590 |
| 10 | Ура! Нас 1000! Всех обнимаю.
Вечеринка тут. | 889 |
| 11 |  У нас было 2 пакета акций NVIDIA, 75 API-ключей от OpenAI, 5 упаковок больших языковых моделей или LLM, солонка, наполовину заполненная токенами, и целый парад планет различных агентов, копайлотов, ассистентов, обёрток над API и всего такого, всех цветов… а также полбутылки венчурных денег, литр капекса гиперскейлеров, ящик H100, пол-литра экспоненты и две дюжины прогнозов про AGI к 2027-му. Не то, чтобы это всё было нужно в поездке, но раз начал коллекционировать AI-экономику, то иди в своём увлечении до конца. Единственное, что меня беспокоило — это экспонента. Ничто в мире не бывает более беспомощным, безответственным и порочным, чем экономика в экспоненциальном запое. И я знал, что мы очень скоро в это окунемся | 1 460 |
| 12 |  Умелец переобучил с помощью RL модель мозга плодовой мушки, чтобы научить ее играть в Beat Saber.
Осталось дождаться, когда хакеры научатся заливать исправленную прошивку обратно в мозг реальной мушки, чтобы случился настоящий киберпанк! | 1 387 |
| 13 | بدون متن... | 1 413 |
| 14 |  بدون متن... | 796 |
| 15 | بدون متن... | 1 465 |
| 16 |  Пре-пати по случаю запуска GPT-6 в самом разгаре. | 1 076 |
| 17 |  Три простых способа сжать диффузионную модель
Спойлер: все 3 требуют дообучения
1) Заменить ТЕ на более легкий
Просто учим адаптер который обучает qwen35-0.8b возвращать ембеддинги в пространстве Qwen3VL-4b (например)
Для этого надо подготовить тысячи пар ембеддингов текста заенкоженных учителем и учеником и обучить адаптер. Адаптер это обычный перцептрон (десяток строк кода, ваша ЛЛМ знает его)
Прос: Быстро и просто. Обучение занимает минут 5. Лосс за это время падает процентов на 95.
Конс: Модель полностью рабочая но все равно нужно дообучать - файн детали пропадут. Большие модели от маленьких отличаются глубиной знаний. Ембеддинг от Джесики Альба с 4 миллиардного квена уже знает что у нее большая жопа и голубые глаза. Маленький квен таких знаний не содержит, но он знает и голубые глаза и большую жопу - те вам просто придется описывать подробнее чтобы получить такую же генерацию
Старуха в посте сгенерирована в Креа-2 с Квен08 б обученным за 5 минут
2) Мержинг. Выкинуть пустые блоки и помержить соседние по непохожести
Креа-2 мне удалось сжать таким образом на 16 процентов. Это уже адовая лоботомия поэтому я подробно не опишу. Но мой агент не такой ленивый - я написал код и выложил
https://huggingface.co/recoilme/losslessmix-dit#idea
Кратко суть мержинга с минимальными потерями:
Merging a pair into one block is lossy.
The goal is to lose as little as possible:
Merge step — blend the two blocks' weights per channel by the absolute cosine similarity of their weight vectors
- Channels that point the same direction (high cos) blend proportionally;
- Channels that point away (cos ≤ 0) keep W_j entirely.
So incompatible features are never averaged into garbage — that's the "lossless" part, inherited from recoilme/losslessmix.
Прос: можно выкинуть процентов 16 из модели не фатально разрушив - этот способ лучше дебильного выкинем блок или помержим усреднением
Конс: модель сильно деградирует +/- безопасно можно выкинуть мержем один блок из 28 - после 6 модель разрушается фатально
Требует долгого дообучения
3) Дистиляция
Напоследок самый кровавый способ (не для гагар)
Вместо того чтобы курочить существующую модель создаете новую с нуля - а затем дистилируете знания из учителя в ученика
Прос: вероятно самый чистый способ - перенести знания а не вырезать их
Конс: невероятно сложный и ресурсоемкий. собрать рабочую архитектуру сложно - собрать хорошую компактную архитектуру сложнее в 100 раз.
Я набросал пример компактного ДиТ на стыке идей из Креа и ЗИмадж и Универсального трансформера. Там также есть пример дистиляции базовой -но дистилировать диффузию гораздо сложнее.
https://huggingface.co/recoilme/sdxsv3
Чтобы успешно перенести приор с старшей модели у вас должен совпадать вход и выход- и Вае и ембеддинг от ТЕ. Ембеддинг можно "натянуть" способом один но вае - нет. Сама тушка при этом может быть любой архитектуры
Также рекомендую почитать как страдал Валера с мержем МоЕ трансформеров | 648 |
| 18 | بدون متن... | 630 |
| 19 |  SemiAnalysis выкладывает спойлеры | 911 |
| 20 |  GLM‑5.3‑Flash выигрывает у Qwen3.8‑Flash‑Next все четыре общих бенчмарка и в среднем сильнее примерно на 10%. Но за это он использует в 1,78 раза больше весов и в три раза больше активных параметров. В пересчёте на общий размер Qwen эффективнее в 1,62 раза, а на активные параметры — в 2,74 раза. То есть GLM — выбор для максимального качества, Qwen — очевидный победитель по intelligence-per-compute и intelligence-per-GB. | 1 351 |
