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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #258 · 16.03

Вчера была новость о желании Яндекса продать «Новости» и «Дзен», и о том, что на них претендует VK. Про новости говорить нечего, с ними всё более менее понятно. Куда интереснее Дзен. Изначально он создавался с благой целью — дать Рунету недостающую площадку для длинных текстов и авторских статей. Но, как это нередко бывает, его сгубила жадность. Трэш и мусор давали лучшие метрики и лучшие доходы с рекламы. Из-за этого и на самом Дзене появилась рекомендация «Пишите как можно чаще» и читатель там установился соответствующий. С невероятной скоростью Дзен превратился в помойку из неадаптированных ссылок на внешние сайты вперемешку со статьями в духе «Десять самых крутых супергероев марвел» в разделе про кино. Содержание и форма соответствующие: неграмотные тексты от школьников, бестолковые бессодержательные комментарии от домохозяек. Его, конечно, пытались из этого болота вытянуть, а сейчас вообще стали превращать в русскую альтернативу Ютубу, но, кажется, то ли слишком поздно, то ли никаких ресурсов уже не хватает. Непонятно только, что с ним будет делать VK. Собственную текстовую платформу VK убивает уже не первый год. Даже если не брать в расчёт общую негативную репутацию соцсети — алгоритмическая лента, которая скорее вам покажет мем с котиком, чем хорошую статью, не оставляет авторам здесь особого пространства для развития. Ну и какие-нибудь совершенно дебильные «Клипы» для не слишком развитых детей делают персональной кнопкой на главном экране приложения, а тексты и статьи не делают — акцент площадки вполне ясен. Моя гипотеза: VK окончательно добьёт текстовую часть Дзена, сделав её UI/UX ещё более невыносимым, чем сейчас. И на этих костях построит себе свой Ютуб. Возможно даже в будущем этот видеодзен заменит встроенный раздел с видео тут. И может даже Клипы схлопнут с дзеновским аналогом коротких видео. #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