Top 100 IA · Países Baixos
Sander Dieleman
Google DeepMind 
- Score
- 7.3330 hoje
- Posição
- 70/198 ↓6
- em 90 dias
- +309+4,1%
Sander Dieleman é um Cientista de Pesquisa na Google DeepMind, especializado em deep learning, modelos generativos e redes neurais. Ele compartilha insights técnicos, descobertas de pesquisa e avanços em machine learning, frequentemente mencionando seu trabalho em WaveNet, Imagen e Veo. Seu conteúdo inclui análises de modelos de difusão, autoencoders e outras técnicas avançadas de ML, além de menções ocasionais à recuperação de informações musicais e sistemas de recomendação.
Dados de 25 de out. de 2026.
Os números brutos · últimos 90 dias
- Visualizações medianas
- 45,2 mil
- por publicação
- Interações medianas
- 568
- por publicação
- Publicações
- 31
- em 90 dias
- Seguidores
- 78,6 mil
- todas as redes pontuadas
O que compõe o score
Percentis 0 – 100 em relação a todos os criadores acompanhados.
- Alcance · 30%86
Média de visualizações por publicação em 90 dias
- Engajamento · 30%74
Média de reações por publicação
- Audiência · 30%66
Seguidores somados, em relação à população
- Regularidade · 10%100
Ritmo de publicação (25 posts / 90 d = 100)
Redes
78,6 mil seguidores somados
| Rede | Seguidores | Score |
|---|---|---|
| X@sedielem | 72 mil | 7.821t2 |
| LinkedIn@sanderdieleman | 6,5 mil | 7.512t2 |
Últimos 30 dias
Os melhores posts de Dieleman
X · há 14 dias#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 visualizações553 interações
- X · há 14 dias#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 visualizações367 interações
- X · há 8 dias#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 visualizações273 interações
- X · há 21 dias#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 visualizações239 interações
- X · há 17 dias#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 visualizações223 interações
- X · anteontem#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 visualizações215 interações
Frente a frente
