自我叫mt不斷更新之後，新的橙卡更新換代，新的副本也不斷推出，現階段平民玩傢要如和發展？本次小編就為大傢介紹壹下，現階段低V玩傢的發展方向。感興趣的小夥伴們壹起來看看吧。
這篇攻略適合月卡黨，小R，更加適合那些賣號過來的月卡黨V10.
第壹點：妳必須充錢，壹個月90的月卡錢是必不少。現階段等於每月9000符石+750牌子。然後每月第28天妳就可以補充月卡，最多可以忍2天，看看有沒有充值活動!
第二點：合理運用體力，每天可以免費拿到2個體力(送+單抽)，其次是工會 商店送妳1罐體力，2罐50符石購買的體力，朋友送的體力，每日任務的(50)體力，刷副本順序是十字軍，每日的小金龍(南瓜不打)，個人工會本，工會 本，世界，英雄半體本，英雄本，基本可以確保妳能在晚上10點的時候刷光他們。
第三點：.不要執著的追求靈魂，對於老區來說，現在缺的是天賦，
1.現在盡量不要刷紫boss，每天免費抽光，不要動免費的券，等20以上，在刷紫boss!(基本可以省300-500符石)
2.不要看了世界的boss的攻略，向土豪他們學習，世界的前10，目前來說就是看臉。根據服務器，妳盡力讓自己進入前100名。有時候1個靈魂+15勛章，更加適合妳們，換取更多的精華!
3.每日商店，不需要在換取靈魂，衹要每天換滿天賦即可。200靈魂=壹張橙卡=6000牌子=3000精華。
第四點：打工會本的時候，可以賣20w的攻城器械，3次，妳可以省下150符石，而且20w和50符石，對於妳的隊伍，是沒什麽差距的。
第五點：做如下的幾張卡牌：奶炮姐，防禦MT，復活德+咆哮，奶騎，射擊獵人，冬，出血，單體賊，奧法。這是妳們目前必須要做的卡牌，盡量出橙裝，滿附魔，天賦自己判斷。如果是壹直玩的玩傢，基本上都可以做的出來
第六點：盡可能的參加論壇活動，發攻略，上yy(這個算了)比較少的時間內可以換取活動獎勵+攻略符石。
總結以上6點，最後概括成壹句話，省錢，省錢，出尤迪安，目前衹有他，才可以讓妳逆襲土豪，推倒妹子!!配合下麵(奶炮姐，防禦MT，復活德+咆哮(壹體)，奶騎，射擊獵人，冬，出血，單體賊，奧法)不需要其他的卡牌，妳就可以縱橫這個遊戲了!
以上就是本次攻略的全部內容，更多資訊請關註口袋巴士《我叫mt》專區
機器之心專欄
作者：錢利華
本文提出了壹種為單步並行生成進行詞之間依賴關係建模的方法。基於該方法的模型GLAT在不久前的國際機器翻譯大賽（WMT2021）上擊敗壹眾自回歸翻譯係統，奪得了德語到英語方向機器翻譯自動評估第壹。
目前機器翻譯中常用的神經網絡模型（例如 Transformer ，LSTM）基本上都是自回歸模型（Autoregressive models）。自回歸模型在輸出句子時是逐詞按順序生成的，每壹個輸出的詞都依賴於之前的輸出詞。
雖然自回歸模型被廣泛應用並取得了不錯的效果，但是自回歸模型要求每壹步輸出都需要按順序等待前麵位置的輸出。因此，按順序生成的方式會阻礙自回歸模型充分利用並行計算，當輸出文本較長或者模型比較復雜的時候導致機器翻譯的速度很慢。
因此，為了充分利用並行計算資源來加速生成，學術界提出了非自回歸（Non-autoregressive）的機器翻譯模型[1]。非自回歸模型去除了每壹個輸出依賴於前麵部分輸出的限制，假定不同位置之間的輸出是條件獨立的（即每壹個輸出的具體值與其他位置的輸出具體取值無關），使得模型可以並行輸出文本。得益於並行輸出的方式，非自回歸模型可以更充分地利用並行計算來加快生成的速度。
雖然在生成速度上存在優勢，但是之前的非自回歸模型的翻譯質量和自回歸模型還存在顯著差距。翻譯質量差距的存在主要是因為如果並行輸出語句，任何詞在輸出之間都無法確定語句中其牠的詞，難以有效利用詞之間的依賴關係組成連貫的語句。為了在並行生成中建模並利用詞之間的依賴關係，壹些工作提出進行多輪並行輸出來叠代修改語句[2,3,4]。雖然多輪叠代提昇了輸出語句的質量，但同時也減慢了生成的速度。
那麽是否有可能隻進行壹次並行的輸出就得到質量不錯的語句呢？
這里為大傢介紹壹篇 ACL2021 的研究非自回歸機器翻譯的工作《Glancing Transformer for Non-autoregressive neural machine translation》[5]， 作者來自字節跳動人工智能實驗室，上海交通大學和南京大學。
該工作提出了壹種為單步並行生成方式進行詞之間依賴關係建模的方法。在不久前的國際機器翻譯大賽（WMT2021）上， GLAT 擊敗壹眾自回歸翻譯係統，奪得了德語到英語方向機器翻譯自動評估第壹。
論文地址：https://arxiv.org/abs/2008.07905
代碼地址：https://github.com/FLC777/GLAT
設計動機和方法
自回歸模型中最為常用的訓練方式是最大似然估計（MLE），不少非自回歸模型也直接使用 MLE 進行訓練。但是非自回歸模型的輸出方式是並行的，輸出語句中的任何部分在輸出之前都無法獲得輸出語句中其余詞的確切值。所以直接使用 MLE 訓練並行輸出的非自回歸模型無法有效地建模輸出語句中詞之間的依賴關係。值得註意的是，詞之間依賴關係的建模對輸出通順的語句至關重要，擁有良好生成質量的自回歸模型和多輪叠代解碼的模型均對這種依賴關係進行了有效的建模。
直接訓練完全並行生成來學習目標語句中詞之間的依賴關係對模型並不友好。壹種更為簡單有效的依賴關係學習方式是根據部分輸入詞預測其余目標詞。但是這種學習方式需要部分目標詞作為輸入，不符合非自回歸模型並行生成的要求。作者觀察到隨著模型自身更好地學習到詞之間的依賴關係，模型對於依賴關係的學習可以逐漸擺脫使用目標語句部分詞作為輸入的需求。基於以上觀察，Glancing Transformer（GLAT）利用了壹種 glancing language model 的方法，通過漸進學習的方式進行詞之間依賴關係的建模。在漸進學習的過程中，模型會先學習並行輸出壹些較為簡單的語句片段，然後逐漸學習整句話的單步並行生成。
GLAT 在輸出時和常規的非自回歸模型保持壹致，均隻使用壹次並行解碼來輸出語句。而在訓練時，GLAT 會進行兩次解碼：
(1)第壹步解碼 (Glancing Sampling) 主要根據模型的訓練狀況來估計模型需要看到的目標詞的數量，然後采樣相應數量的目標詞並替換到解碼器輸入中。
(2)第二步解碼時 GLAT 會基於用目標詞替換過後的解碼器輸入來讓模型學習剩余詞的輸出。模型隻在第二步解碼時進行參數更新(Optimization)，第壹步解碼僅輸出語句。
具體地，在第壹次解碼的時候，和常規的非自回歸模型壹樣，模型使用完全並行解碼的方式輸出語句。然後將第壹次解碼得到的輸出和訓練數據中的目標語句進行對比。如果輸出和目標語句差距較大，說明模型在訓練中難以擬合該訓練樣本，因此這時 GLAT 會選擇提供更多目標詞作為輸入來幫助學習詞之間依賴關係。反之，如果輸出和目標語句比較接近，則模型自身已經較好地學習了如何並行生成該目標語句，所需要的目標詞數量也相應減少。
在第二步解碼之前，模型的解碼器可以得到部分目標詞作為輸入，這些詞的數量由第壹步的解碼結果所決定。這時，模型在並行輸出之前可以獲得部分目標詞的確切值，所以在學習輸出剩余目標詞的過程中就可以對目標語句中詞之間的依賴關係進行建模。
上圖給出了模型訓練中的兩個例子（註意模型衹有壹個 decoder，在訓練中進行了兩次 decoding）。當模型還不能準確地生成目標語句時，GLAT 會在目標語句中隨機采樣目標詞作為解碼器輸入。例如上圖左邊的例子中，模型的翻譯結果是 “travel to to a world”。GLAT 將該結果和目標語句“travel all over the world” 進行對比，發現當前結果較差，僅有兩個詞和目標語句相同。因此 GLAT 隨機采樣了詞 “over”，並把“over” 的詞向量替換到相應位置的解碼器輸入中。
隨著訓練的進行，模型對數據擬合程度更高，因此能夠更準確地生成目標語句。與此同時，需要作為解碼器輸入的目標語句中的詞的數量會越來越少，在訓練後期逐漸接近學習完全並行生成的訓練場景（例如上圖右邊的例子）。具體的方法細節和實現方式可以參考論文。
效果分析
GLAT 在保持高效生成速度的同時顯著提昇了單步並行輸出的翻譯質量
在多個翻譯語向上，GLAT 均取得了顯著提昇並超越了之前的單步並行生成模型。結合 reranking 和 CTC 等技術之後，GLAT 可以隻使用單步並行生成就達到接近自回歸 Transformer 的翻譯質量。由於 GLAT 隻修改訓練過程，在翻譯時隻進行單步並行生成，因此保持了高效的生成速度。
GLAT 提昇了非自回歸模型在長句上的翻譯質量
通過對比不同輸入長度下的翻譯質量，我們發現相比於常規的 NAT 模型（NAT-base），GLAT 顯著提昇了在長句上的表現。除此之外，我們還發現在輸入長度較短時，GLAT 的效果甚至略優於自回歸的 Transformer 模型（AT）。
案例分析
GLAT 和自回歸的 Transformer 在翻譯結果上各有優劣。通過案例分析，我們可以發現 Transformer 在翻譯時可能會產生部分漏翻的情況，而 GLAT 在語序調整上不如 Transformer.
總結
該工作提出了 Glancing Language Model（GLM），壹種為單步並行生成方式建模詞之間依賴關係的方法。在多個數據集上的實驗顯示使用了 GLM 的模型——GLAT 可以大幅提昇並行生成的質量，並且僅使用壹次並行輸出就可以達到接近自回歸模型的效果。GLAT 已經在火山翻譯的部分語向上線。此外，基於該技術的並行翻譯模型在 WMT2021 比賽中的德英語向上取得了第壹。
[1] Jiatao Gu, James Bradbury, Caiming Xiong, Vic- tor O.K. Li, and Richard Socher. Non- autoregressive neural machine translation. ICLR 2018
[2] Jason Lee, Elman Mansimov, and Kyunghyun Cho. Deterministic non-autoregressive neural sequence modeling by iterative refinement. EMNLP 2018
[3] Marjan Ghazvininejad, Omer Levy, Yinhan Liu, and Luke Zettlemoyer. Mask-predict: Parallel de- coding of conditional masked language models. EMNLP-IJCNLP 2019
[4] Jiatao Gu, Changhan Wang, and Junbo Zhao. Levenshtein transformer. NeurIPS 2019
[5]Lihua Qian, Hao Zhou, Yu Bao, Mingxuan Wang, Lin Qiu, Weinan Zhang, Yong Yu, and Lei Li. Glancing transformer for non-autoregressive neural machine translation. arXiv preprint arXiv:2008.07905 (2020).