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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #613 · 29.10

Вернулся в #satisfactory после длинного перерыва. Не отпускает меня эта игра, слишком залипательно, невозможно остановиться. Хотел соорудить универсальную фабрику под всё, даже разработал неплохую схему: основная шина из параллельных конвейеров с разными видами ресурсов, в нужных местах от лент ответвления к сборочным линиям, а от линий обратно в шину уже новый ресурс. На бумаге выглядело хорошо, на практике очень утомительно строить и поддерживать, а ещё место быстро заканчивается даже на воде, где максимально открытые большие участки. Пришёл к решению: отдельные специализированные фабрики под каждый вид деталей, а между ними железнодорожная сеть с нужными ресурсами. Лёгким движением руки игра превратилась в железнодорожный симулятор — стрелки, секционные и путевые светофоры, погрузочные станции. Поезда сделаны классно, с прикольной анимацией, по виду это футуристичный монорельс (на скринах не один путь, а два параллельных в разные стороны). Пока не открыл доставку дронами, там должно быть ещё попроще (но полностью заменить железку они не смогут — пропускная способность не та). Дошёл до производства алюминия через добычу боксита. Впервые поймал себя на мысли, что не хочу вырубать красивый лес под фабрику, пусть даже и виртуальный, очень уж приятно смотрится. Построил в сторонке. На таких масштабах уже проявляются недостатки игры: не автоматизируются рутинные операции при строительстве (в отличие от того же Factorio), вид от первого лица и трёхмерность усложняют аккуратное размещение конструкций, прокладка путей с некоторыми багами. Но всё равно очень круто. 140 часов общее игровое время, больше чем Ведьмак 3 со всеми сайдами и дополнениями. Впереди обработка кварца, а потом — атомная энергетика. Ух. #games

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