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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #980 · 5.05

В наш век высоких технологий религия почти не потеряла своего влияния. Думаю, дело в том, что людям нужны ритуалы и системы правил. А, если посмотреть со стороны, то ритуал это тоже система правил: набор некоторых заранее определённых действий, которые ты должен совершить. Мозгу легко работать по шаблону и сложно импровизировать и действовать нестандартно. Мы получаем удовольствие, когда точно знаем, какое действие следующее, что нужно делать вот прям сейчас. И испытываем негатив и раздражение, когда не знаем. Этот принцип используют все механизмы с религиозными признаками. Корпорации строят экосистемы не только ради монополизации, но и для создания наборов правил, от которых клиенты будут получать удовольствие. Именно поэтому условный Apple может продавать своим религиозным фанатам какую-нибудь подставку за тысячу баксов, хотя её настоящая цена в десять раз ниже: подставка от Apple это вещь, вписывающаяся в систему, и поэтому можно не переживать, что правила этой системы будут нарушены добавлением нового элемента. Если бы правила были нарушены, мозгу пришлось бы работать над тем, как этот элемент встроить, а он этого делать не хочет, так что лучше заплатим тысячу баксов. Ритуалы, при этом, упрочняют нашу приверженность правилам. Нам приятно и понятно выполнять ритуал, а он награждает нас эффектом укоренения в системе. Очередь в Apple Store за новыми айфонами в день выхода концептуально ничем не отличается от очереди в церковь на какой-нибудь религиозный праздник (Яблочный Спас, лол): и там и там люди потратят время и ресурсы, выполняя понятный им ритуал, чтобы обновить и укрепить свою связь с религией. И получат от этого много удовольствия, разумеется. С Пасхой всех, кто считает это поздравление приемлемым в свой адрес. Остальные же ждите ближайшего религиозного события из ваших систем и ваших ритуалов. #life

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