Top 100 IA · Pays-Bas
Sander Dieleman
Google DeepMind 
- Score
- 7 3330 auj.
- Rang
- 70/198 ↓6
- sur 90 jours
- +309+4,1 %
Sander Dieleman est chercheur scientifique chez Google DeepMind, spécialisé dans le deep learning, les modèles génératifs et les réseaux de neurones. Il partage des insights techniques, des résultats de recherche et des avancées en apprentissage automatique, faisant souvent référence à ses travaux sur WaveNet, Imagen et Veo. Son contenu inclut des analyses sur les modèles de diffusion, les autoencodeurs et d'autres techniques avancées de ML, ainsi que des mentions occasionnelles sur la recherche d'informations musicales et les systèmes de recommandation.
Données au 25 oct. 2026.
Les chiffres bruts · 90 derniers jours
- Vues médianes
- 45,2 k
- par publication
- Interactions médianes
- 568
- par publication
- Publications
- 31
- sur 90 jours
- Abonnés
- 78,6 k
- tous réseaux scorés
Ce qui fait le score
Centiles 0 – 100 face à tous les créateurs suivis.
- Portée · 30 %86
Vues moyennes par publication sur 90 jours
- Engagement · 30 %74
Réactions moyennes par publication
- Audience · 30 %66
Abonnés cumulés, rapportés à la population
- Régularité · 10 %100
Rythme de publication (25 posts / 90 j = 100)
Réseaux
78,6 k abonnés cumulés
| Réseau | Abonnés | Score |
|---|---|---|
| X@sedielem | 72 k | 7 821t2 |
| LinkedIn@sanderdieleman | 6,5 k | 7 512t2 |
30 derniers jours
Les meilleurs posts de Dieleman
X · il y a 15 j#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 k vues553 interactions
- X · il y a 15 j#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 k vues367 interactions
- X · il y a 9 j#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 k vues273 interactions
- X · il y a 22 j#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 k vues239 interactions
- X · il y a 17 j#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 k vues223 interactions
- X · avant-hier#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 k vues215 interactions
Face-à-face
