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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #305 · 16.04

Telegram запустил важное обновление для ботов, которое очень характерно сразу с нескольких сторон. Теперь боты могут формировать HTML-интерфейс любой сложности прямо внутри Телеграма. Раньше очень условно что-то такое было для игр, но криво, и требовало как бы выхода из приложения. А ещё там не было безопасной авторизации, не было поддержки на десктопах итд. Когда платформу ботов только запустили, у меня было много энтузиазма по её поводу. Я оценивал это, как возможность сделать приложение почти любой сложности внутри уже существующей экосистемы с пользователями, при этом только на бэкенде, не верстая интерфейс, не подгоняя ничего под нужные устройства, сразу кроссплатформенно итд. Но, к сожалению, чуда не произошло: ни в ВК, ни в Телеграме боты не выстрелили как некий широкий массовый и многофункциональный рынок. Это быстро заметила и сама команда Телеграма, поэтому платформу ботов забросили — не в техническом смысле, а, как бы сказать, в маркетинговом. Косвенно это привело, например, к очень неприятной истории с кидаловом участников конкурса по разработке ботов несколько лет назад. Поэтому обновление значимое, вот с каких позиций. Во-первых, платформу пытаются реанимировать. Это хорошо, и было бы здорово дать ей второй шанс. По крайней мере, этой проблеме дали хоть какой-то ход, а то она уже годами лежала пылилась. Во-вторых, нельзя не отметить, что и Телеграм подхватил общий тренд на суперприложения. Это наша новая реальность — все крупные бизнесы стремятся стать экосистемами. В-третьих, это шанс для Телеграма начать зарабатывать. Не секрет, что с бизнес-моделью у них беда. Введение рекламной площадки не сработало — для рекламы банально нет нужных данных о пользователях. Телеграм работает в минус, и деньги кончаются. Дурову удалось оставить себе деньги инвесторов после отзыва TON, но эта сумма тоже конечная. Непонятно, реанимирует ли это площадку в целом, но посмотреть будет интересно. #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