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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #50 · 15.06

В основном с друзьями играем в евро-настолки (стратегии на менеджмент ресурсов), но тут захотелось чего-то нового, и мне посоветовали Звёздные Войны: Внешнее Кольцо. Я, признаться, не фанат мифологии SW при всей своей любви к фантастике. Мне гораздо больше заходят вселенные вроде Startrek и Battlestar Galactica. А Star Wars делают мало акцента на вещах, традиционно любимых гиками — наука, технологии, особенности устройства общества будущего. Вообще это фентези-сага о магии и пиратах, просто в космосе. Однако, сюжетная настолка мне понравилась. Вы с другими игроками перемещаетесь на кораблях по космосу (который здесь представлен полукольцом) и попадаете в различные приключения. Плюс игры, в отличие от евро, в том, что ситуации действительно разные, неожиданные, каждая со своим сюжетным описанием. Минус ровно в этом же — после некоторого количества партий ты просто будешь знать все существующие карточки. Понятно, что такие игры выпускают под будущие дополнения. Но мы играем не очень часто и не всегда именно в неё, так что конкретно в моей компании хватит надолго. В остальном классическая система навыков персонажа — прокачиваешь себе, например, силу, и дальше попадаешь в заварушку в духе: «На вас напали разбойники. Вы пытаетесь свалить огромный ящик, чтобы защититься от выстрелов. Пройдите проверку на силу, при провале получите 2 повреждения». Чем выше прокачал — тем выше шанс пройти проверку (это бросок кубиков), но всегда есть вероятность провала, даже если ты очень сильный. Всё как в жизни. Очень легко представить себе, что ящик оказался тяжелее, чем ты думал, или, например, развалился от первого попадания. Сюжетные тексты + воображение + компания друзей = классное интерактивное времяпрепровождение, нередко интереснее, чем видеоигры. В первой партии я смог купить Сокол Тысячелетия и даже взять себе в экипаж Чубакку, но игру всё равно не выиграл. Уже хочется попробовать ещё. #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