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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #503 · 14.08

14 августа 2013 года, ровно 9 лет назад, я впервые установил Telegram. Вот такой скриншот был в промо-материалах: акцент на технологии, а про рюшечки для блондинок упомянуто вскользь с шуткой. Позавчера Telegram выкатил анимированные эмодзи и кастомные реакции. Перед этим Павел Дуров написал пост о том, что Apple очередной раз задерживает обновление, в котором будет революционный способ самовыражения. Обновление вышло, а революции что-то не видно: анимированные колобки были ещё в Qip десять лет назад, кастомные реакции есть в Slack и Discord. Ну да ладно. Меня больше удивляет фиксация команды Telegram на рюшечках: огромные силы тратятся на все эти стикеры, анимации, реакции, эмодзи. И среди последнего десятка крупных обновлений, кажется, не было ни одного без этой фигни. Почему так происходит? Некоторые говорят, это потому, что Телеграм уже полностью доделан, и в него банально нечего добавить. Но это не так: до сих пор нет средств дискавери для каналов, до сих пор нельзя адекватно прикреплять картинку к тексту, сжатие фотографий всё ещё очень шакальное, полноценно редактировать альбом невозможно, посты в каналах по интерфейсу всё ещё чат-монолог на 60% от ширины экрана, на главной странице всё ещё вперемешку сущности из всех папок, и вообще управление папками сделано через одно место. В общем, много всего ещё нужно править. Думаю, дело в другом: команда Telegram очень круто умеет в UI/UX и фичи, лучше всех на рынке. Но почти не умеет в бизнес и маркетинг. Она, как и Дуров, не понимают, как продавать свой продукт. Им сейчас надо привлечь широкие массы и, видимо, внутренняя статистика показывает рост активности и вовлечённости от всех этих рюшечек. А, значит, надо ещё больше рюшечек. Но это примерно как в продуктовом магазине обнаружить, что люди покупают алкоголь, и начать очень активно развивать это направление, подзабив на всё остальное. Расширять полки с бухлом, рекламировать его, ставить прямо на входе, заслонять спиртягой хлеб и другие продукты. Покупателей, возможно, станет больше, но они будут алкашами. #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