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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #631 · 5.11

Британцы любят снимать сериалы в своего рода театральном стиле — небольшой набор сцен, где находится мало персонажей с минимумом движения и ведут длинные монологи/диалоги. Всё повествование и передача авторского замысла строится на расзговорах. За последний год я частично посмотрел Alan Bennett's Talking Heads (люди монологом рассказывают свои истории на больные темы) и State of Union (женатая пара на грани разрыва, выясняют отношения в баре после сеансов у психолога). И ещё на днях полностью досмотрел After Life — у мужчины умирает жена, он теряет вкус к жизни и начинает говорить всё что думает. Затравка звучит интересно, но на деле это быстро уходит в довольно классическую драму о потере и поиске себя. Есть ощущение, что такие произведения отходят как раз к британскому театру с его давней и сильной историей. Мне такой жанр нравится, но есть один нюанс: британцы просто жесть какие извращенцы. Не знаю, будто бы они годами были чопорными и высококультурными, сдерживали себя, а потом проникновение европейских "ценностей" сорвало какие-то пломбы. Это проявляется вообще во многих проектах, даже в каком-нибудь "Докторе Кто" можно увидеть эпизоды с шутками не просто ниже пояса, а прям отвратительную пошлятину. В коротких диалоговых драматических сериалах такого ещё больше. Герои могут пять минут обсуждать прямым текстом супер мерзкие интимные подробности. А в обычном диалоге на отвлечённую тему будут вставлять комментарии ниже пояса так, будто бы это абсолютно обычная естественная часть общения. Не знаю, взаимодействуют ли люди у них так в реальной жизни. Возможно, это современная инкарнация своеобразного британского юмора: в конце-концов у Дугласа Адамса тоже было всякие неожиданное. В книге. Американский фильм оставил гэги, но убрал совсем трэшатину. #fiction

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