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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #989 · 3.06

Ух какая жесть, показывающая затянувшееся отсутствие централизованного управления у VK. Потому что весь отдел продвижения и взаимоотношений с аудиторией на этом месте нужно увольнять. Присутствие знаменитостей и лидеров мнений — одна из важнейших ценностей любой публичной площадки. Во-первых, потому что это повышает уровень доверия у простых людей. Во-вторых, потому что лидеры мнений приводят за собой толпы фанатов. У VK с этим в основном было плохо. Когда-то всё держалось на Дурове, который сам по себе притягивал аудиторию. Но всё равно писатели и журналисты тусовались в Фейсбуке, актёры и музыканты — в Инстаграме. Даже предельно пророссийские люди вроде Сергея Лукьяненко и Тёмы Лебедева после смерти ЖЖ ушли в американский Фейсбук, который во всём без исключения омерзителен, кроме ровно одной черты — ауры московского снобизма, притягивавшей туда элиты. Но сейчас, когда оговнение Фейсбука достигло терминального состояния, приведя к блокировкам, для VK наступила золотая лихорадка — знай себе лови авторов. В некоторых ситуациях даже что-то попытались — вот Лебедева к себе перетащили, хотя хвалит он VK очень неубедительно, Инсту свою рекламирует до сих пор, а вместо ведения паблика его редакторы просто копипастят древние записи. В некоторых ситуациях, наоборот, проявили удивительную небрежность — почему российский политик Медведев ведёт текстовый блог в де-факто иностранном Телеграме, а не в VK? Но вот с этими верификациями это просто стыд и позор. В комментариях другой известный русский писатель — Алексей Пехов — тоже указывает на аналогичную проблему. Ладно, допустим в VK нет достаточно разумного топа, который настучит по голове тем, кто систематически пытается искусственно поднять счётчики у мертворождённых историй. Но хотя бы для реальных знаменитостей могли бы сделать исключение. #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