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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #219 · 13.02

Есть такое приложение «Госуслуги Решаем вместе». Можно на карте города обозначить проблему, приложить фото, и отправить на рассмотрение в администрацию губернатора или ещё куда. Вашу проблему в общем случае увидят все остальные на той же карте. А ещё там появится через некоторое время официальный ответ. Совершенно неожиданно, но 90% ответов это длинный канцелярит, суть которого сводится к: «Вот мы нашли бюрократическую формальность, благодаря которой можем ничего не делать с вашей проблемой. Спасибо за обращение». Реально, грустно и смешно читать. Люди пишут, например, фонари во дворе не работают. А им в ответ: фонарями заведует управляющая компания, город тут не при чем, забрать у них контроль тоже не можем, спасибо, до свидания. Или, скажем, просят люди где-то на опасном участке добавить пешеходный переход, потому что все перебегают. Ответ: мы посмотрели, переход и правда нужен, но делать его долго и дорого, а ещё куча бюрократии, так что не будет. Люди, впрочем, тоже хороши. Пачками валятся обращения по поводу неуборки снега. Зачем забивать этим приложение? Снег это общеизвестная беда в Питере, правительство уже и так показало, что ничего не будет с ним делать. На мой взгляд, подобное приложение нужно для того, чтобы обратить внимание администрации города на какие-то вещи, о которых они могут не знать. Какая-то локальная проблема в определенном месте, где чиновники не ездят. А про снег и так понятно. Направил жалобу и я. Расчетный срок ответа 30 дней, посмотрим, какую отписку мне придумают. Моё предположение такое: напишут, что территория в частной собственности или владелец в состоянии суда/спора. А город там не при делах, он на «чужую» территорию повлиять не может. #life

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