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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #282 · 4.04

В ВК ноль человек прислали ответы, в Телеграме шестеро. При этом в ВК у поста 733 просмотра, а в Телеграме 230 просмотров. Время постинга одинаковое, содержание тоже идентичное. Сначала я хотел сказать что-то вроде "Аудитория ВК меньше любит задачки на подумать, чем аудитория Телеграма", но, пожалуй, честнее будет сказать так: ВК показывает пост той аудитории, которая меньше любит задачки на подумать. Что, конечно, очень странно, учитывая, что весь мой остальной блог для гиков и интеллектуалов в основном. Вообще, обсуждений в Телеграме стало больше, а в ВК меньше. Возможно, на фоне событий люди больше опасаются писать в ВК что угодно, даже не связанное с политикой. Но навскидку мне кажется, что падение доли обсуждений тут началось раньше. Хотя в январе на старте их было больше. Ещё и канал в Телеграме растёт быстрее, чем подписчики ВК, даже если считать по абсолютным цифрам. По относительным Телеграм вообще на три порядка быстрее, чем ВК: в телеге прирост 96%, а в ВК только 0.2%. При этом удобство оформления и чтения до сих пор в ВК значительно выше, чем в Телеграме. А на фоне блокировок активность людей в ВК заметно повысилась — я вижу, что больше стало Историй, статистика сообществ тоже растёт. Пока выводы такие: какая-то аудитория в ВК есть, но целевой или нет, или соцсеть не умеет ей предлагать подходящий контент. Продолжаем наблюдения. #web P.S. Вот график из статистики ВК. Создаётся иллюзия, будто рост есть, но если внимательно посмотреть на цифры, станет всё понятно. Классический обман с масштабом оси Y.

Hashtags

Резултати

Намерени 1 подобни публикации

Търсене: #mdl

当前筛选 #mdl清除筛选
GitHub Trends

@githubtrending · Post #15271 · 05.11.2025 г., 12:30

#cplusplus#arm#baidu#deep_learning#embedded#fpga#mali#mdl#mobile#mobile_deep_learning#neural_network Paddle Lite is a lightweight, high-performance deep learning inference framework designed to run AI models efficiently on mobile, embedded, and edge devices. It supports multiple platforms like Android, iOS, Linux, Windows, and macOS, and languages including C++, Java, and Python. You can easily convert models from other frameworks to PaddlePaddle format, optimize them for faster and smaller deployment, and run them with ready-made examples. This helps you deploy AI applications quickly on various devices with low memory use and fast speed, making it ideal for real-time, resource-limited environments. It also supports many hardware accelerators for better performance. https://github.com/PaddlePaddle/Paddle-Lite