TGTGInsightтелеграм анализLIVE / telegram public index
← Такты, стеки, два колеса

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #1012 · 20.08

Зимой СМИ писали, что за полгода спрос на умные колонки в России вырос в 1.5 раза. Девайс всё сильнее проникает в народ, и это приятно. Одна из самых интересных и меняющих жизнь технологий лично для меня за всё новое время. Сильнее и значительнее, чем эти ваши генеративки, во всяком случае пока. В детстве я смотрел фантастические фильмы, где герой разговаривает с ИИ, встроенным в дом, автомобиль, космический корабль, просит его открывать двери, отвечать на вопросы и так далее. Мечтал, что когда-то тоже так буду, и вот оно уже почти. Сегодня половину всех операций со светом выполняю голосом, практически перед каждым выходом узнаю погоду, иногда прошу что-нибудь подсказать, активно использую таймеры и отложенное выполнение. Утром захожу в кабинет и командую Алисе запустить рабочий режим: закрываются шторы, включаются два системных блока, выключается свет, если он был — чем не фантастика? В квартире в общей сложности семь Станций разного формата, даже в ванной поставил: удобно слушать музыку или аудиокнижку, пока купаешься, спрашивать время и так далее. Никаким другим адекватным образом с мокрыми мыльными руками устройством не поуправлять. Да, параноики любят кричать про Большого Брата, и это конечно очень смешно. Ведь без всяких устройств всё равно за нами наблюдают инопланетяне из космоса, воздействуя своими лучами на разумы, чтобы мы не догадались, что Земля плоская. На даче, в гостях, в отеле в командировке я периодически ощущаю недостаток всех этих возможностей. Бывало, что обращаюсь к Алисе по привычке, а её и нет. Хотя друзья всё чаще уже ставят и себе тоже. Тут во всю проявляются недостатки: если ты не знаешь, как у конкретного друга называется комната или светильник, не знаешь его сценарии, то и управлять не сможешь. Всё-таки даже с подключением YaGPT это не стало полноценным машинным разумом с памятью, контекстом, умением принимать решения. Ждём, думаю, застанем. #gadgets

Hashtags

Резултати

Намерени 3 подобни публикации

Търсене: #quantization

当前筛选 #quantization清除筛选
GitHub Trends

@githubtrending · Post #14747 · 25.05.2025 г., 11:30

#python#deep_learning#intel#machine_learning#neural_network#pytorch#quantization Intel Extension for PyTorch boosts the speed of PyTorch on Intel hardware, including both CPUs and GPUs, by using special features like AVX-512, AMX, and XMX for faster calculations[5][2][4]. It supports many popular large language models (LLMs) such as Llama, Qwen, Phi, and DeepSeek, offering optimizations for different data types and easy GPU acceleration. This means you can run advanced AI models much faster and more efficiently on your Intel computer, with simple setup and support for both ready-made and custom models. https://github.com/intel/intel-extension-for-pytorch

GitHub Trends

@githubtrending · Post #15091 · 24.08.2025 г., 11:30

#python#comfyui#diffusion#flux#genai#mlsys#quantization Nunchaku is a fast and efficient engine that runs 4-bit neural networks using a special method called SVDQuant, which compresses models to use less memory and speed up processing by 2 to 5 times compared to older methods. It supports advanced AI models for tasks like high-quality text-to-image generation and image editing, working best on modern NVIDIA GPUs. You can easily install and use it with ComfyUI, and it has active community support on Slack, Discord, and WeChat. This means you can generate or edit images quickly with less computing power, saving time and resources. It also offers tutorials and example workflows to help you get started smoothly. https://github.com/nunchaku-tech/ComfyUI-nunchaku

GitHub Trends

@githubtrending · Post #15385 · 02.01.2026 г., 12:30

#python#deep_learning#inference#openai#quantization#speech_recognition#speech_to_text#transformer#whisper Faster-Whisper is a fast version of OpenAI's Whisper that transcribes audio up to 4x quicker with the same accuracy, using less memory on CPU or GPU—benchmarks show it beats original Whisper (e.g., 1m03s vs 2m23s for 13-min audio on GPU). Install via `pip install faster-whisper`, no FFmpeg needed, and use simple Python code like `WhisperModel("large-v3").transcribe("audio.mp3")` for segments with timestamps. You benefit by getting quick, efficient speech-to-text for real-time apps, saving time and resources on long files or batches. https://github.com/SYSTRAN/faster-whisper