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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #603 · 20.10

Многим наверняка известно, как наши родители иронично называли словом "недвижимость" пришедший в негодность соседский автомобиль, который мог стоять во дворе месяцами и годами, занимая одно и то же место. Он ржавел, колеса спускались, и в итоге он прирастал к своему месту. Я еще всегда думал, что формально с этим ничего не сделаешь — это ведь по идее просто припаркованная машина, нет в законе упоминания о том, как часто она должна приходить в движение. Оказывается — есть, но с оговорками. Существует понятие "разукомплектованное транспортное средство" — это такое, "у которого отсутствуют одна или несколько кузовных деталей (предусмотренные конструкцией капот, дверь, замок двери кузова или кабины, запор горловин цистерн, пробки топливного бака и (или) отсутствуют одно или несколько стекол, внешних световых приборов, колес, шин), а также сгоревшее транспортное средство." Если такое транспортное средство находится на общественной территории, владельцу направляется уведомление о необходимости его убрать, на что дается 30 дней, после чего убирается эвакуатором, а владельцу выписывают штраф до 5000 рублей. Более того — что особенно смешно — чиновник, ответственный за благоустройство какой-либо общественной территории, под угрозой административки и штрафа обязан уведомлять владельцев разукомплектованных транспортных средств о необходимости их убрать. Представьте, как круто было бы, если бы законы в России работали? Однако, дьявол в деталях. Просто ржавое корыто со спущенными шинами не попадает в эту категорию. Начнет попадать, если у него нет стекла или, например, фары. Так что в принципе, если кто-то у вас во дворе припарковал "недвижимость", месяцами прирастающую к месту, можно случайно (!) выбить ему задний ходовой огонь и потом уже фотографировать и отправлять в службы. Вряд ли владелец, который буквально бросил гнить свой автомобиль, станет его ремонтировать. Сфоткал сегодня по пути. Вообще, штуки три видел за полчаса ходьбы по району. #life

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