Top 100 KI · Niederlande
Sander Dieleman
Google DeepMind 
- Score
- 7.3330 heute
- Rang
- 70/198 ↓6
- in 90 Tagen
- +309+4,1 %
Sander Dieleman ist Research Scientist bei Google DeepMind und spezialisiert auf Deep Learning, generative Modelle und neuronale Netze. Er teilt technische Einblicke, Forschungsergebnisse und Entwicklungen im Bereich des maschinellen Lernens, oft mit Bezug auf seine Arbeiten zu WaveNet, Imagen und Veo. Seine Inhalte umfassen Analysen von Diffusionsmodellen, Autoencodern und anderen fortgeschrittenen ML-Techniken sowie gelegentliche Erwähnungen von Music Information Retrieval und Empfehlungssystemen.
Stand: 25. Okt. 2026.
Die Rohdaten · letzte 90 Tage
- Median-Aufrufe
- 45.210
- pro Beitrag
- Median-Interaktionen
- 568
- pro Beitrag
- Beiträge
- 31
- in 90 Tagen
- Follower
- 78.574
- alle gewerteten Netzwerke
Woraus sich der Score ergibt
Perzentile 0 – 100 im Vergleich zu allen erfassten Creators.
- Reichweite · 30 %86
Ø Aufrufe pro Beitrag über 90 Tage
- Engagement · 30 %74
Ø Reaktionen pro Beitrag
- Publikum · 30 %66
Follower gesamt, im Verhältnis zur Bevölkerung
- Regelmäßigkeit · 10 %100
Posting-Rhythmus (25 Posts / 90 T = 100)
Netzwerke
78.574 Follower insgesamt
| Netzwerk | Follower | Score |
|---|---|---|
| X@sedielem | 72.048 | 7.821t2 |
| LinkedIn@sanderdieleman | 6526 | 7.512t2 |
Letzte 30 Tage
Die besten Posts von Dieleman
X · vor 14 Tagen#1SDSander DielemanThis is a beautiful analysis of the order in which diffusion models resolve uncertainty about information at different abstraction levels in different representation spaces, with significant implications for latent di…
25.246 Aufrufe553 Interaktionen
- X · vor 14 Tagen#2
Turns out you can use distribution matching distillation (DMD) to turn diffusion/flow models into looped models that iteratively refine samples directly in data space🤯 Nice bit of out-of-the-box thinking here! Strong…
SDSander Dieleman19.886 Aufrufe367 Interaktionen
- X · vor 8 Tagen#3
More diffusion with nested looping! Looping at a given noise level fixes errors which would otherwise accumulate. Also reduces reliance on CFG. Related in spirit to data-space iteration (https://t.co/zhZPyHj87K) and s…
SDSander Dieleman15.476 Aufrufe273 Interaktionen
- X · vor 21 Tagen#4
As if we needed any more evidence that 2026 is the year of continuous diffusion for language🤭 (I recently wrote a blog post about my thoughts on this topic, in case you missed it: https://t.co/IxtdWvfa6B)
SDSander Dieleman15.396 Aufrufe239 Interaktionen
- X · vor 17 Tagen#5
I've been doing some thinking about multimodality lately, specifically the semantic gap between common representations of language and perceptual signals. In that context, this is an exciting result! (These thoughts a…
SDSander Dieleman12.859 Aufrufe223 Interaktionen
- X · vorgestern#6
The magic of flow map language models is that they capture dependencies between tokens in just 1-2 model passes. Using this as a drafter for speculative decoding makes a ton of sense, and it's exciting to see this wor…
SDSander Dieleman10.221 Aufrufe215 Interaktionen
Direktvergleich
