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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #180 · 23.01

Женя Трифонов написал отличную статью про Meta и современное состояние виртуальной реальности. Я рассказывал вам раньше о своём опыте игр в VR, но Женя исследовал этот вопрос всеобъемлюще. Почитайте, очень интересно, независимо от вашего отношения к VR. А я расскажу вам на эту тему вот что. У Айзека Азимова есть книга «Обнажённое Солнце» — часть цикла романов о детективе и роботе. Автор описывает в ней планету под названием Солярия. На Солярии очень мало людей, и у каждого есть огромный участок земли с домом, а также сотни и тысячи роботов, которые занимаются реализацией всех необходимых человеку потребностей. Общество Солярии построено так, что люди не контактируют друг с другом физически. Каждый живёт в своём доме один, и на сотни километров вокруг других людей нет. Работа и общение у них происходит по супер навороченной голографической связи, которая визуально не отличается от реальности. Физическое присутствие рядом с другими людьми для солярианцев стало сильным стрессом. Они чувствуют себя в такой обстановке очень плохо вплоть до потери сознания. Для них это буквально кошмар, насилие над собой и ад наяву. Если одному из жителей планеты сказать, что ему нужно с кем-то встретиться лично, он воспримет это как пожелание страданий и смерти. В обществе, как следствие, любое упоминание и предложение физического присутствия стало табуированным и оскорбительным. Это просто что-то неприличное и даже постыдное, о чём могут всерьёз рассуждать только абсолютно невоспитанные люди. Супруги живут в одном доме, но разделённом на две половины, и физически взаимодействуют только несколько раз за всю жизнь, потому что это неизбежно для зачатия ребёнка. Делают это с плохо скрываемым отвращением, кстати. А выращиванием и воспитанием детей занимаются роботы. Книга написана в 1956 году. Хорошо, что это вымысел. #life#web

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