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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #938 · 6.01

Поиграли, наконец, в Гегемонию — это такая асимметричная настольная политико-экономическая стратегия. Асимметрия проявляется в том, что разные игроки играют за разные фракции: рабочий класс, средний класс, капиталисты, государство. При этом возможные действия у всех разные: например, рабочий класс может наниматься на работу к капиталистам, а может, скажем, устраивать забастовки и блокировать производство. Капиталисты при этом могут строить предприятия, лоббировать разные политические курсы и так далее. Кстати, политика и система голосования в игре мне очень понравилась: от неё много зависит, и на неё можно и нужно влиять. Условия победы тоже разные: одним важно преумножить капитал, другим иметь блага вроде медицины и образования, для государства целью является легитимность и так далее. Пока что по первым впечатлениям кажется, что мы только сверху поскребли присутствующую в настолке глубину. По крайней мере, зависимость между действиями разных игроков довольно высока — сильно выше, чем обычно в стратегических играх. И ещё меня порадовало, как работает симуляция: капиталисты хотят платить мало налогов, рабочие хотят высокие зарплаты, в итоге государство оказывается банкротом, и может рухнуть вообще вся экономика. В этой игре твои интересы с одной стороны противоречат интересам остальных, а с другой стороны вы все друг другу помогаете и вообще существуете в рамках одной системы. Но и недостатки тоже есть: во-первых, правила очень сложны и тяжеловесны. Я читал их два дня, и всё равно мы постоянно в них смотрели. Во-вторых, средний класс это просто смешение рабочего класса и капиталистов, почти никаких уникальных механик у него нет. В-третьих, кажется, что эффективная стратегия за каждый класс единственная, но это не точно, нужно больше партий. Надеюсь, удастся ещё в этом году собрать людей на такую масштабную настолку. #games

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