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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #755 · 2.02

Досмотрел Mr. Robot — сериал про хакера, который борется с корпорациями. Я начинал когда-то давно, несколько лет назад. Но потом бросил, потому что мне показалось, что от хакерства авторы слишком далеко ушли в другие темы. Однако недавно возобновил и не пожалел. Классный закрученный сюжет, своеобразная концовка (хотя на мой взгляд закончить стоило на три серии раньше), интересные персонажи, в том числе второстепенные. Но самое главное: это, кажется, единственный в своём роде фильм, где хакерство показано по-настоящему, а не как обычно в кино. Ну, вы знаете, любят авторы фильмов изображать бешено стучащего по клавиатуре чувака, а на экране при этом какой-нибудь случайный HTML. Это ещё в лучшем случае. Бывают прям супер кринжовые вещи, не просто не соответствующие действительности, но и с трудом поддающиеся описанию с точки зрения здравого смысла. Причём особенно нелепо это как раз смотрится в фильмах и сериалах про хакеров (Пароль "Рыба-меч", CSI: Cyber, Person Of Interest итд, много их). Предыдущее исключение, которое я помню, это Silicon Valley — там всё весьма похоже на действительность, и есть даже специфические шутки, понятные только программистам. Но мир всё равно вымышленный и несколько гротескный. "Мистер Робот" пошёл существенно дальше. Консультанты по айти у этого сериала сделали свою работу превосходно — практически всё, что показано — это реально существующие методы взлома. Персонажи делают осмысленные вещи, которые сработали бы и в жизни, а на экранах выводится адекватный код, никсовая консоль, логи и прочее подобное. Показан и прямой взлом через поиск уязвимостей, и социальная инженерия, и взлом железа, подделка прошивки, эксплойты, руткиты, брутфорс... Выходит, всё это время можно было сделать фильм с нормальным программированием, и при этом сохранить его популярным и интересным для зрителя (рейтинг на IMDB 8.6). Кто бы мог подумать, почему-то раньше никто особо не пытался, даже обидно. #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