Top 100 IA · Países Bajos
Sander Dieleman
Google DeepMind 
- Puntuación
- 73330 hoy
- Puesto
- 70/198 ↓6
- en 90 días
- +309+4,1 %
Sander Dieleman es científico investigador en Google DeepMind, especializado en aprendizaje profundo, modelos generativos y redes neuronales. Comparte insights técnicos, hallazgos de investigación y avances en aprendizaje automático, frecuentemente haciendo referencia a su trabajo en WaveNet, Imagen y Veo. Su contenido incluye análisis de modelos de difusión, autoencoders y otras técnicas avanzadas de ML, junto con menciones ocasionales de recuperación de información musical y sistemas de recomendación.
Datos a 25 oct 2026.
Las cifras brutas · últimos 90 días
- Visualizaciones medianas
- 45,2 mil
- por publicación
- Interacciones medianas
- 568
- por publicación
- Publicaciones
- 31
- en 90 días
- Seguidores
- 78,6 mil
- todas las redes puntuadas
Qué compone la puntuación
Percentiles 0 – 100 frente a todos los creadores seguidos.
- Alcance · 30 %86
Visualizaciones medias por publicación en 90 días
- Interacción · 30 %74
Reacciones medias por publicación
- Audiencia · 30 %66
Seguidores acumulados, en relación con la población
- Regularidad · 10 %100
Ritmo de publicación (25 posts / 90 d = 100)
Redes
78,6 mil seguidores acumulados
| Red | Seguidores | Puntuación |
|---|---|---|
| X@sedielem | 72 mil | 7821t2 |
| LinkedIn@sanderdieleman | 6,5 mil | 7512t2 |
Últimos 30 días
Las mejores publicaciones de Dieleman
X · hace 14 d#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…
25,2 mil visualizaciones553 interacciones
- X · hace 14 d#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 Dieleman19,9 mil visualizaciones367 interacciones
- X · hace 8 d#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 Dieleman15,5 mil visualizaciones273 interacciones
- X · hace 21 d#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 Dieleman15,4 mil visualizaciones239 interacciones
- X · hace 17 d#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 Dieleman12,9 mil visualizaciones223 interacciones
- X · anteayer#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 Dieleman10,2 mil visualizaciones215 interacciones
Cara a cara
