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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #336 · 6.05

Останкино закрыли из-за постоянных угроз минирования. Мне кажется, такие угрозы могут исходить от людей, которые подобным образом хотят устранить источник пропаганды. Что, конечно, очень наивно и глупо. Так что из-за каких-то идиотов не удалось попасть в этот раз. Несколько новых для меня наблюдений про Москву. 1. Я попытался оценить движение, как автомобилист, и, мне показалось, что это жесть. В Питере конечно есть отдельные места, которые и плохо спроектированы, и пользуются большой популярностью у автомобилистов, из-за чего проезжать их — невероятное страдание и почти вечные муки на Земле. Например, Светлановская площадь. Но в Москве водители просто живут в Аду. Чудовищно частая многополосность, толкотня, разметка неочевидной сложности, многоуровневые развязки — я бы в таких условиях автомобиль купил с куда меньшей вероятностью. Хотя, наверное, те, кто живёт тут постоянно, банально привыкли. 2. С парковками, наоборот, какая-то магия. Куда люди девают свои машины? В Москве больше автомобилей, чем в Питере. Но Питер по сравнению с Москвой просто вусмерть запаркованная свалка железа. На Питер в этом отношении буквально невозможно смотреть, причем, как в центре, так и на окраинах. Но в Москве каким-то непостижимым образом этой проблемы нет: улицы чистые и в центре, и в спальных районах. Всегда знал, что нытьё водителей "А где ещё парковаться?" это фейк. Где-то, видимо, можно, если городская администрация имеет волю этим вопросом заниматься. 3. Почти нет каких-то кафешек и подобных бизнесов, вообще нижние этажи зданий очень не развиты. У нас в Питере практически в любой части города нельзя пройти и 20 минут, не наткнувшись на едальню, кондитерскую итд. Здесь же под это могут быть отдельные улицы, но в целом в обычных местах всё очень туго. Мы жили недалеко от ВДНХ, и там на огромный район полтора ноунейм-ресторана, в которых официанты банально не справляются с потоком людей. Интересно, связано ли это с какими-то запретами со стороны города? Гулять по Москве конечно очень круто и приятно, Питеру далеко до такого уровня урбанистики. Но жить в Москве всё ещё не хотел бы. Слишком много всех тут. #travel#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