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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #106 · 19.11

Это должен был быть выпуск про зарплаты, но я понял, что ничего нового или интересного всё-таки не скажу, да и тема слишком уж попсовая. Поэтому будет выпуск про энтерпрайз-разработку. В конце-концов, странно записывать подкаст не о том, что ты хочешь. Вообще, выпуск дался тяжело, потому что я понял, что трачу на продакшен сильно больше времени, чем готов. Поэтому данный эпизод я записал в ускоренном режиме — паузы между словами порезал автоматически, не стал вставлять никакие заставки. В двух-трёх местах это слышно, но глобально, как мне кажется, нельзя сказать, что качество упало на порядок. Несмотря на то, что я получил много действительно приятных отзывов о подкасте, какой-то фундаментальной разницы он не сделал. Подписчики — то же активное ядро моей аудитории, как и в остальных местах. При этом усилий он требует больше, чем посты, а информации позволяет передать меньше: картинки и видео уже не прикрепишь. Понятно, отчего большинство подкастов выживают только в «тяжёлом» формате: когда приглашают известных гостей и разговаривают с ними по полтора-два часа. И отдельная беда это отсутствие централизованной площадки. Недавно дал человеку ссылку на выпуск в Яндекс.Музыке, оказалось, у него нет там подписки, а без подписки внезапно Яндекс слушать даже подкасты не даёт. Пришлось давать ссылку на Телеграм, где подкаст полуофициально. Хотя вот подкасты запустили в российском Spotify, и мой там теперь тоже есть. Подумал о том, что, наверное, подкаст выродится в короткие аудио-заметки по 5 минут. Но в таком стиле классически существуют скорее видеозаписи. Наверное, от подкаста ожидается бОльшее вовлечение, а условный ютуб можно включить ненадолго за завтраком. Да, широко известно, что ютуб зачастую слушают, а не смотрят, но видимо сам факт наличия изображения что-то меняет в восприятии. Однако, если делать короткие видеоролики, то это уже какой-то ТикТок, а этого бы совсем не хотелось. Из всех взрослых людей, которых я считаю адекватными, тикток смотрят процентов 10, пожалуй. Я, возможно, найду там аудиторию, но совсем не ту, которую хотел бы. В общем, я в раздумьях. #podcast

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