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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #274 · 29.03

1 апреля в Петербурге собираются запустить отмену маршруток в соответствии с так называемой Новой Моделью Транспортного Обслуживания. Маршрутные такси появляются, как ответ бизнеса на несовершенство городской транспортной системы. Одни такси просто дублируют существующие маршруты автобусов и троллейбусов, потому что поток слишком большой. Другие — возят людей там, где автобусы вообще не ходят, или ходят неудобно. Например, от моего дома до Пионерской маршрутка есть, а никакого другого транспорта нет. В хорошо спроектированной городской среде маршрутных такси не должно существовать вообще. Они обычно в плохом техническом состоянии, а их водители совершают много небезопасных манёвров и постоянно нарушают ПДД. Так что, инициатива, безусловно, очень благая по своему замыслу. Но вопросы, как обычно, к реализации. Планируется для начала запустить 864 новых автобуса, а до конца программы — 2800. Эти автобусы должны перекрывать текущие популярные маршруты. Проблема в том, что у Петербурга довольно плохо дела с выделенными полосами под общественный транспорт. Там, где они есть, их соблюдение контролируется не очень хорошо. Но в большинстве мест, где вообще нужны автобусы, таких выделенных полос нет вообще. У нас радиальная структура метро без кольца, а, значит, перемещение на наземном транспорте особенно актуально на удалении от центра — и как раз там автобусы стоят в тех же самых пробках, что и автомобили. То есть мера хорошая с точки зрения безопасности — водители автобусов всё-таки адекватнее, чем водители маршруток, и сам автобус не так провоцирует агрессию. А ещё в нём обычно больше места, гарантированная оплата проездными, дешевле, комфортнее, не нужно самому открывать дверь итд. В новых автобусах, кстати, обещают USB-зарядки. Но мера всё равно половинчатая. Уж сколько лет урбанисты топят за трамвай, который нужно пускать по закрытым для автомобилей участкам -- например, разделительным полосам, или даже пешеходным улицам. Вот сейчас в итоге горбюджет потратит кучу денег, а мог бы потратить чуть больше, но в разы эффективнее. А, ещё в ОТ отменяют оплату наличкой. Давно пора. По мне бы так вообще везде отменять надо наличку. #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