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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #1105 · 27.05

Что-то свежий сезон Love. Death. Robots совсем тухлый, и оценки серий (на IMDB) говорят сами за себя: почти ни одной выше семи, большинство в районе 5-6. А кукольных RHCP аудитория вообще не оценила, что понятно. Претенденты на хотя бы минимально интересные серии: Девушка в паутине, Кот-захватчик, но не хватило ни масштаба, ни смысла (кто-нибудь понял концовку про девушку?). Комментаторы в сети пишут: «An echo of past seasons», лучше и не скажешь. И это после сезона, в котором была фантастически крутая Bad Traveling (про краба на корабле) и очень неплохие Swarm, Three Robots 2, Mason's Rats. Хотя пока до первого сезона авторы так и не могут дотянуться. И правда, тогда в 2019-м казалось, что половина сезона хороших серий это так себе показатель, но теперь уже хорошо если в сезон будет одна крутая серия и парочка хороших. Увы, несравнимо с первым, где можно прям навечно отложить в коллекцию и пересматривать Good Hunting (про лису), Aquila Rift (корабли застревают в паутине), Zima Blue (робот-художник), The Secret War (демоны на войне) и конечно совершенно восхитительную Sonnie's Edge (бои монстров, к которым люди подключаются телепатически). Пока можно сказать, что чётные сезоны авторам совсем не удаются. Но во втором хотя бы была серия про детей (очень вторичная относительно романа «Будущее» Глуховского) и серия про санту. В чётвёртом нет вообще ничего. Демки, сделанные обучающимися 3D-аниматорами, вот что это: местами красиво, но без сценария и смысла. При этом я не понимаю, почему авторы не могут взять за основу сюжеты тысяч офигенных научно-фантастических рассказов. У них что, Шекли кончился? Что-то серии про Страж-птицу я не увидел. А Азимов? Где моя «Профессия» в виде мини-серии? Не слишком понятно, кем и для кого снято то, что вышло сейчас. #fiction

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