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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #111 · 14.12

Поставил себе дома NAS-хранилище Synology DS220+, и весьма кайфую от его удобства. Вообще, изначально я был настроен скептически к таким устройствам. Хранить много данных у себя дома мне казалось ненадёжным: сколько бы вы RAID-массивов не ставили, условный пожар в доме уничтожает весь ваш фотоархив. Но даже если хочешь хранить, купи ещё пару винтов в компьютер, делов то. Мультимедийные возможности таких приставок тоже сильно уступали отдельно стоящему компьютеру. Помню, несколько лет назад смотрел, как друг безуспешно пытается запустить там видео, закодированное редким кодеком. Однако, с появлением коптера места в облаке перестало хватать. К тому же, я подсел на стриминги, это изменило мои привычки. Можно качать отсутствующий фильм с торрентов, но я всё ещё хочу смотреть кино, сидя на диване перед телевизором. Сейчас уже ни одно устройство не записывает видео, которое невозможно было бы воспроизвести средствами NAS. А местный софт позволяет просто с телефона кинуться в специальное приложение магнет-ссылкой или торрент-файлом, и хранилище автоматически скачает фильм в нужную папку, после чего он будет доступен на всех телевизорах, телефонах и планшетах в доме, а при должной настройке ещё и из внешнего интернета. То есть да — я сижу в Москве в отеле с не слишком быстрым вайфаем, даю команду девайсу, стоящему дома в другом городе, через 5 минут 10-гигабайтное кино уже доступно мне стримом на телефон или ноутбук (дома сеть 400 мегабит). Ну и хранение. Идеально именно для сырых материалов со всяких съёмок: ценность их не критически высока, а места занимают много. Покупать для такого облако жалко, но иметь к ним доступ иногда нужно весьма неожиданно. Чем это лучше просто компьютера, настроенного определённым образом: - Устройство спроектировано специально для того, чтобы быть непрерывно включенным. - Занимает мало места. - Не шумит, не греется, пыль в себя не втягивает. - Весь нужный софт сразу из коробки, без возни, настраивается элементарно, работает отлично. #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