Пару недель назад достроил атомку в #Satisfactory. Иронично: занимаюсь атомными станциями в реальной жизни по работе, и теперь вот в игре тоже.
Понравилось решение разработчиков сделать ядерные отходы неуничтожимыми. Любой ресурс в игре легко удаляется специальной кнопкой, и только атомные энергоблоки производят отходы, которые можно либо переработать очень сложным образом, либо складывать бесконечно куда-то в угол карты. А если хочешь более мощную станцию, то и переработать нельзя, только складывать.
Недавно, кстати, состоялся релиз. До этого игра была в «раннем доступе», то есть формально считалась предварительной версией в активной стадии разработки. В релизе же изящно решили сразу две значительные проблемы. Во-первых, теперь можно дорогим и конечным способом точечно масштабировать энергетику и производство в отдельных местах. Это очень нужно ближе к концу игры для тонкой настройки. Во-вторых, и это самое крутое: можно построить специальный телепорт для ресурсов себе в рюкзак. Носить с собой в рюкзаке сколько угодно ресурсов нельзя, и поэтому для действительно масштабного строительства приходилось постоянно бегать на склад, это очень утомляло. Теперь исключительно целях строительства можно забирать ресурсы с некоторой задержкой прямо из места их производства на фабриках, которые ты построил по всей карте. Но конечно для автоматической передачи в цепочках производства так читерить нельзя, и это правильно. Только организация логистики.
Игра очень хорошо учит выстраивать процессы и дает понимание ничтожности отдельного элемента, если весь процесс включает тысячи таких элементов. В общем, мастхэв, 350 часов наиграно, и до конца ещё далеко.
#games
#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
#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
#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