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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #766 · 22.02

Тёму Лебедева заблочили на ютубе с концами. До этого отключали на 2-3 недели, а сейчас удалили основной и резервный каналы. Он давно говорил о такой возможности, так что ни для него, ни для его аудитории особо никакой катастрофы не случилось (все ролики всё время дублировались в несколько соцсетей). Интересно тут другое. Я, как вы помните, уже около года регулярно его смотрю. И вся риторика там сводится к: "Я люблю жить в России". Никаких призывов к насилию, например, никогда не было: более того, он прямым текстом много раз подчёркивал, что против любого проявления насилия, что войну надо называть войной и так далее. Если детально разобрать любой его ролик за последний год, то там будет не более чем выражение личного мнения, пусть и с матом и местами грубо и прямолинейно. Я в значительной степени уверен, что Ютуб забанил Тёму не за содержание его видео, потому что тогда нужно перебанить всё, кроме каналов для младенцев. Думаю, что Ютуб забанил Тёму просто за количество страйков, которые на него регулярно уже много времени массово кидают идеологические противники. Ну, то есть, скорее всего достаточно большой толпой можно закрыть практически любой канал. Косвенно эту гипотезу подтверждает и тот факт, что в тот же день забанили канал блогера Камикадзе Д (помните такого?), который как раз вёл, наоборот, крайне антироссийскую риторику. Да, Ютуб принадлежит Гуглу, а про Гугл понятно, что он ангажирован. И, всё-таки, скорее всего просто не особо хотели разбираться, а с миллионом страйков делать что-то надо. Тёме конечно пофиг, у него бизнес не зависит от видеоблога. Но есть люди, которые прям сильно пострадали из-за таких блокировок (например Стас Ай как просто). Казалось бы — нужно не строить своё дело в такой значительной зависимости от какой-либо корпорации. Но капитализм и монополии зачастую не дают никакого выбора: попробуй, например, выпусти мобильное приложение без зависимости от Эпла или Гугла. #web

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