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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #484 · 4.08

Екатеринбург мне совсем не понравился, да простят меня его жители, если кто-нибудь из вас читает этот блог. Во-первых, у города будто бы не хватает идентичности. Вот Петрозаводск это урбанистический центр карельского колорита, наполнен связанными с этим мелочами. Салехард — оазис в ледяной пустыне, очень красивый и новенький, потому что нетронутый массами. Казань славится своей особенной архитектурой, храмами. В Нижнем Новгороде интересный рельеф и бинарное деление. В общем, почти везде, где я был, чувствовал особенный дух города. Про столицы и говорить нечего. А Екатеринбург выглядит так, будто бы толпа людей понастроила в разное время здесь всего подряд, кто во что горазд. Никакой единой архитектурной мысли: треугольные ларьки рядом с промышленной советской застройкой, а между ними дом с лепниной, завешенной строительной сеткой. Во-вторых, и это куда неприятнее — за городом совсем не следят, не приводят его в порядок. Очень много исписанных стен. Не какой-нибудь красивый стритарт (такой встречается, но очень очень редко), а просто мазня и грязь, даже на центральных улицах. Очень много разрухи: отколотые углы, обвалившиеся стены, трещины, выбитая брусчатка. Да, много строек, и это значит, что какое-то развитие идёт. Но часть строек заброшены. Некоторые инициативы совсем странные: в куче мест вырвиглазной краской на тротуаре нанесена разметка, как мы поняли, чтобы сделать вид, будто там есть велодорожка. Но смотрится это не лучше, чем вышеупомянутый вандализм с надписями на стенах. Бывает нанесено прямо по брусчатке как попало или, например, в десяти сантиметрах от бордюра, потому что, видимо, задание нарисовать линию дали, а о наличии пространства под это никто не задумался. Конечно, в центре есть места, которые сделаны очень хорошо: чисто, красиво, интересно с точки зрения архитектуры и урбанистики. Но на город с населением почти полтора миллиона одна крутая набережная и один крутой микрорайон это довольно мало. Обидно для четвёртого по величине города в стране. #travel

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