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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #268 · 23.03

Я уже когда-то упоминал, что автомобильный софт чудовищно инертен. Пожалуй, медленнее обновляют только софт на космических спутниках. Оказывается Google весьма недавно (по меркам циклов автомобильного софта) сделал беспроводную поддержку Android Auto, и её почти нигде нет даже на новых машинах. Apple CarPlay есть, а вот Android извольте по проводу. Да, отстало и убого в 2022 году, но и у VW, и у моего Peugeot, и вообще у десятков крупнейших концернов даже на самых свежих моделях поддержки беспроводного подключения нет. Эх, жаль я не знал этого аргумента, когда был фанатом яблок, и спорил с андроидоводами. Но теперь я сам андроидовод. В общем, телефон в машине на проводе, коротеньком USB Type-C около 15см. Увы, мой телефон большой, и из-за торчащего провода он не влезал в специальную нишу под него. Тогда я стал искать провод со штекером под углом. Но в России нашел только метровый такой, однако купил. Увы, новый провод в машине сразу стал глючить, вызывая непрерывное переподключение. Я подумал, что провод бракованный, и купил новый такой же длины от другой фирмы. Вот почему надо сначала проверять свои гипотезы: новый провод вёл себя точно так же. Однако, оба провода прекрасно работают с компьютером. Вторая гипотеза была такая: в машине напряжения USB не хватает, на длинном проводе оно падает ниже некоторого порогового значения. Наверное, можно было поискать у нас или на Али такой же угловой провод, но короткий, и подождать месяцок, пока его привезут. Но ждать не хотелось. И деньги тратить тоже, если гипотеза не подтвердится. Так что я вырезал из середины кусок и аккуратно спаял концы, заизолировав каждый стык в термоусадку (и конечно потом так же поместив в термоусадку всё место соединения). Внезапно, это сработало, телефон подключился к машине и стабильно держит коннект! Видимо, переходное сопротивление места спайки всё-таки ниже, чем сопротивление 90-сантиметрового куска провода. #diy#hobby

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