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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #194 · 29.01

Классная статья The baseline for web development in 2022 о состоянии фронтенд веб-разработки на текущий момент. Меня очень порадовало, что подтвердились некоторые мои личные наблюдения, которые входили в противоречие с мнением многих других разработчиков. Вот, например: 1. React по всем показателям хуже чем Vue и Svelte. Он медленнее, потребляет больше памяти, а сайты с ним больше весят. Субъективно он ещё и менее удобный (писал об этом). Так что для новых проектов брать React стоит только из-за отсутствия разработчиков под Vue. 2. Люди не умеют в CSS и делают на JavaScript многие вещи, которые можно было бы сделать без него. 3. Давно уже пора использовать Flexbox и не выпендриваться с олдскульной вёрсткой и костылями для выравнивания. 4. Осенью прошлого года Google официально закончили поддержку Internet Explorer. Давно пора, ха-ха. С уходом IE самым худшим браузером стал Apple Safari — он проваливает почти в 5 раз больше тестов на поддержку разных веб-стандартов, чем Chrome. Я по личному опыту знаю, что если что-то работает во всех нормальных браузерах, оно может не заработать в Safari без адских костылей. Либо не заработать вообще никаким образом. У пользователей iPhone выбора нет (местные браузеры а-ля Chrome это на самом деле перекрашенный Safari, потому что Apple запрещает делать свои). Но если вы на Маке пользуетесь Safari — перестаньте, пожалуйста, это делать. А вообще ещё раз повод задуматься о политике Apple и настоящем их отношении к пользователям. Но некоторые вещи меня искренне удивили: 1. Сайтов на jQuery всё ещё в несколько раз больше, чем сайтов на реактивных фреймворках, вместе взятых. Интернет это на самом деле такая древняя помойка, у который лишь небольшая вершинка торчит из болота лени и консерватизма. 2. Треть всех сайтов в интернете используют WordPress. Треть. То есть каждый третий сайт это говноконструктор на технологиях 20-летней давности. 3. Из всех пользователей интернета у 87% есть доступ к 4G. Я думал гораздо меньше. Да, тут наверное считали даже тех, кто раз в жизни смог зайти через 4G, и всё-таки — можно уже не особо сжимать графику и видео. #dev#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