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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #130 · 3.01

Arcane — лучший сериал, который выпустили в прошлом году. Вот что получается, если экранизацию игры доверить тем, кто, собственно, эту игру делает. Парадокс, но за всю историю Голливуда специалисты по созданию кино всегда делали очень плохое кино по играм. А вот тут специалисты по играм сделали очень крутое кино по игре. Я сам никогда не играл в League of Legends, и даже не видел ничего из неё, не знаю вселенную и персонажей. Но при этом получил огромное удовольствие от Arcane. Для начала отмечу стильное и приятное графическое решение — художественный фильтр поверх 3D. Причем, хитрый фильтр, с лимитом на число цветов и каким-то эффектом кисти, что ли. Именно таким способом нужно превращать в мультик современную трехмерную графику, а не так, как попытались сделать это авторы марверовского What If, на который не слёз не взглянешь. Но даже и вне графики Arcane это десяток интересных и разнообразных персонажей, глубокие проработанные конфликты, очень классный экшен с прекрасной постановкой кадра, и, наконец, красивый, но не избитый сеттинг. Авторам удалось совместить стимпанк, магию и зомби так, что это осталось гармоничным. Конечно, сериал не избежал чисто видеоигровых условностей. Герои развиваются слишком быстро, многие вещи не в меру вычурны, а артехипы персонажей очень полярны: вот тебе DD, вот тебе рога, вот тебе инженер итд. И всё-таки, сразу видно, что Arcane создавали люди, которые очень любят своё дело, и хотели не столько заработать денег и показать неуклюжий фансервис, сколько рассказать историю и попробовать себя на новом поприще. Кстати, в интервью с главой компании говорилось, что пафосные голливудские журналы о кино вроде Variety и The Hollywood Reporter проигнорировали выход сериала. Старики небось подумали, кому нужен мультик по игре. А мультик по игре лучше, чем 95% всего, что вышло в Голливуде за год. #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