Давно подписан на группу Mighty Box, автор которой придумывает и выпускает органайзеры для настолок. Изначально я просто следил за процессом, но недавно заказал два орга: для «Ведьмака» (ещё не собрал) и для «Подводных городов» (на фото).
Органайзер в коробку с настольной игрой нужен по двум причинам:
1. Хороший орг позволяет вместить в одну коробку компоненты, например, из базовой игры и дополнения, и сильно экономить место на полке
2. Раскладывать такую игру гораздо проще, потому что достаточно вытащить части органайзера с нужными карточками и ресурсами, положить поле, и вы готовы
Второй пункт особенно важен для меня, поскольку тот же «Ведьмак» чудовищно долго сетапится: около десяти колод, элементы из нескольких дополнений, жетоны, деньги, кубики... Уже расхочешь играть, пока это всё разворачиваешь.
Ну ладно, орг для «Ведьмака» ждёт пары свободных выходных, а вот «Города» я склеил. Автор очень внимательно подходит к процессу проектирования: собственно, я изначально подписался на его группу, потому что мне нравилось наблюдать за инженерной составляющей. Проектируется всё на листовом ХДФ и акриле под лазерную резку. Помимо геометрической составляющей много внимания уделено UX: чтобы всё удобно было вытаскивать и складывать. Собирается на клей ПВА без особых проблем, укладывается чётко.
Органайзер для «Городов» предусматривает место под фигурки подводных лодок вместо картонных токенов, так что я не удержался и сразу напечатал на фотополимернике лодки и здания (модельки нашёл в сети). Надо будет ещё их покрасить, чтобы проще отличать.
В целом очень доволен. Сразу скажу: органайзеры не дешёвые, но для игр, которые точно останутся в коллекции годами, это, на мой взгляд, уместная покупка.
#games#окр
#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