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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #404 · 30.06

На днях предъявили обвинение разработчику, который создавал и продавал бота для игры в World of Tanks. Собираются его посадить на 1.5 года. Программист из Екатеринбурга Андрей Кирсанов несколько лет назад написал бота, который сканирует экран и сам двигает мышкой так, чтобы целиться вместо игрока и увеличивать шансы попадания в уязвимые части брони в игре World of Tanks. Компания Wargaming обратилась в МВД, произвели контрольную закупку и установили, что продаётся якобы вредоносный софт. Начался суд, прокуратура предлагает посадить. Сходу кажется, что бот для игры не подходит под определение вредоносного софта: он не внедряется в память другой программы, не ворует деньги, не взламывает никакие пароли. Судят по статье 273 УК РФ за создание программы для «несанкционированного уничтожения, блокирования, модификации, копирования компьютерной информации». Но в комментариях на Хабре справедливо заметили, что информация о пользовательском вводе — это тоже информация, а бот её подделывает. Причем, читеры наносят ущерб внутренней экономике игры, а, значит, создают косвенные убытки для компании: игроки менее охотно захотят платить в игре, если в ней они постоянно проигрывают. В Корее, например, есть вполне официальная статья за читы. Они там помешаны на киберспорте, для них видеоигры это часть национальной идентичности, так что использование читов вполне серьёзно приравнивается к использованию допинга на крупных спортивных состязаниях, и может даже уголовно наказываться. То есть, вот непонятно. Вроде бы это всё игрушки и звучит смешно. А вроде бы всё сходится: подделка данных есть, экономический ущерб есть, да и вообще вред для большого количества людей. В 2022 странно было бы всерьёз считать игры какой-то несерьёзной детской забавой, не влияющей на рынок и взаимоотношения взрослых людей. #games

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