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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #576 · 30.09

Google объявила о закрытии проекта Google Stadia — своего облачного игрового сервиса. Кто не знает, идея у этих вещей такая: где-то далеко ставят мощный компьютер, а ты со своего слабого компьютера через интернет к нему подключаешься и можешь играть в требовательные игры, за что платишь деньги (но меньше, чем при покупке мощного компьютера себе). Хотя несколько таких сервисов продолжают существовать, кажется, глобально модель не завелась. Во-первых, я слышал инсайды о том, что мало где распространён достаточно быстрый и стабильный интернет, делающий подобную игру комфортной. Это мы с вами в России привыкли к 500 Мбит оптоволокну за 200 рублей в месяц. Не секрет, что в США и Европе в среднем ситуация с интернетом хуже, в основном с мобильным, но и стационарный зачастую оставляет желать лучшего. Во-вторых, так и не возникла в медиа среде какая-то популярность у облачного гейминга. У меня абсолютно никто из знакомых, даже заядлых геймеров, не пользуется такими сервисами систематически (максимум — пробовали непродолжительное время). А ведь у меня даже есть знакомые, которые всерьёз сидят на виаре или, например, играют в нинтендо. В-третьих, думаю, экспансия игровых приставок внесла свой вклад в уменьшение количества людей, которые играют на компьютере. В-четвёртых, сейчас купить мощное железо, способное сносно тянуть 99% игр, не слишком накладно даже в России под санкциями. Ну и, в-пятых, игровая индустрия в кризисе идей. Идёт агрессивная монополизация: крупные студии скупают мелкие десятками и сотнями. В монополиях ради прибыли делают много штампованных однообразных продуктов, поэтому и геймеры тоже заскучали. Во-всяком случае, у людей стало меньше желания покупать в момент выхода супер новый ААА-тайтл, требующий видеокарты по цене самолёта. Мне интуитивно сразу казалось, что облачный гейминг — мертворождённая тема. Впрочем, я и про виар так думаю, а вон Цукерберг свою вселенную строит. #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