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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #536 · 5.09

Сегодня впервые попробовал Nazgul 5. Очень страшно, но очень круто. О впечатлениях от полета я расскажу завтра, когда будет готово видео. А пока повосхищаюсь самим аппаратом. Nazgul 5 это пятидюймовый гоночно-фристайловый квадрокоптер от китайской компании iFlight. "Пять дюймов" в обозначении класса дронов — это диаметр окружности, описанной вокруг пропеллера. Ещё у меня лежит нераспакованный 7" коптер и идёт по почте 3.5". Такие дроны делаются совсем не так, как у DJI. Здесь всё принесено в жертву эффективности и модульности: рама из листового карбона, распространенный полётный контроллер с open source прошивкой, и, что меня особенно поразило — первый в моей жизни коммерческий серийный продукт, где всерьёз используются 3D-печатные детали. Знаю, что подобное встречается у самих 3D-принтеров, но там скорее некоторая дань моде, а здесь буквально уместное применение: компания предоставляет модели для самостоятельной печати, если ты после падения что-то сломаешь. При этом сборка очень добротная, качество высокое, есть претензия на дизайн. Девайс приятно вертеть в руках, он ощущается эдакой выжимкой "всё нужное и ничего лишнего". Но, конечно, здесь не будет как у DJI: достал из коробки и пошёл летать. Сначала я потратил вечер на всякие настройки прошивки через компьютер и связывание этого всего с пультом и очками. Очки кстати подходят от DJI, а вот пульт нужен специальный, который я разбирал в одном из предыдущих постов. Аккумулятор у такого дрона покупается отдельно и крепится к раме обычными ремнями-липучками. Он даже не ощущается частью общей конструкции, а скорее некоторым грузом, который коптер везёт на себе. В общем, по-своему красивая и гармоничная вещица. А уж в полёте... Но об этом завтра :) #drone#gadgets

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