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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #782 · 17.03

Начал по чуть-чуть смотреть на русскоязычные видеоплощадки, чтобы понять, а существует ли какая-то вменяемая альтернатива, которую, например, могли бы использовать русскоязычные блогеры для доступа к своей аудитории. Как сейчас, после демонстрации Ютубом своей идеологической однобокости, так и в потенциале, если, например, в России Ютуб таки заблокируют. Бывает, что у человека есть какие-то субъективные пожелания к интерфейсу — он считает удобным то, к чему лично он привык, и что лично он использует. Но существуют и вполне объективные фундаментальные вещи. Например, видеосервис должен давать вам навигацию между роликами: возможность отличать просмотренное от непросмотренного, возможность видеть новые выпуски. Не менее важна навигация внутри видео: чтобы сервис запоминал, где вы остановились, и чтобы по ролику можно было перемещаться. Нельзя, например, сказать, что пожелание "Запомнить, на каком месте в видео ты остановился" — личный каприз, вызванный моим собственным паттерном просмотра, который отличается от такового для других людей. Это абсолютно точно одна из фундаментальных функций. Она есть у всех стримингов, и она является определяющей для базового удобства использования сервиса, а её отсутствие способно сделать сервис почти буквально неюзабельным. Я рассмотрел основных претендентов на замену Ютуба: VK с трёх источников (приложение, полный сайт, мобильный сайт), Дзен и RuTube. Главным образом оценивал работу на телефоне, потому что, например, с перемоткой на десктопе проблем никогда не бывает — любой даже самый старый примитивный видеоплеер ещё 20 лет назад позволял мышкой мотать видео, и разработчики сервиса в эту функцию ничего своего не вкладывали. А вкладывали, например, авторы Ютуба, создав функцию перемотки двойным тапом по краю видео на 15 секунд вперёд/назад. Но это нюансы. В таблице есть и не нюансы, а вполне себе базовые вещи, отсутствие которых, честно говоря, повергло меня в шок. #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