TGINSIGHT SIMILAR POSTS
Изворен канал @pythonotes · Post #173 · 28 окт.
Для тех кто пишет расширения на PyQt/PySide для CG-софтов. Когда я только начинал писать тулзы под Maya (тогда еще версия 2010-2011) мне приходилось ручками ставить PyQt4 под Maya. Даже написал мануалы по установке на своём сайте. Но потом стал доступен из коробки PySide и позже он обновится до PySide2. Для некоторых систем была поддержка PyQt5. И как простому разработчику поддерживать этот зоопарк? Ведь хочется чтобы тул работал на любой версии (вы тоже делали модуль что-то типа import_qt.py?😁) На помощь приходит проект Qt.py который поставил себе цель унифицировать использование Qt-биндингов вне зависимости от среды где запускается код. Те, кто давно пишут на Qt, скорее всего знают этот проект. Он стал стандартом для CG-индустрии и используется в топовых студиях и проектах. Qt․py помогает запускать один и тот же код на разных платформах с разными вариантами Qt-библиотек. Это может быть как интеграция в CG-софт, так и переносимость стендалонов между разными платформами с разными версиями Python. Я решил рассказать о некоторых особенностях работы с этой библиотекой. Сегодня о том, как установить и использовать Qt․py и что это вам даёт. Установка pip install Qt.py Чтобы начать использовать Qt․py в коде достаточно заменить импорт вашего варианта Qt-биндинга на Qt․py from [PySide|PyQt4|PySide2|PyQt5] import QtWidgets => from Qt import QtWidgets Теперь ваш код будет поддерживать любой вариант биндинга Qt в Python. При этом не потребуется использовать if-else конструкции под разные версии. Все вызовы теперь одинаковы. Всё что нужно сделать, это написать его по правилам PySide2. Именно эта версия была взята за основу. Приоритет импорта такой: 1. PySide2 2. PyQt5 3. PySide 4. PyQt4 Что именно загрузилось можно посмотреть в переменной __binding__ >>> import Qt >>> Qt.__binding__ 'PySide2' Приоритет имопрта можно изменить через переменные QT_PREFERRED_BINDING и QT_PREFERRED_BINDING_JSON. Причем под каждый проект оверрайды можно настраивать индивидеально. #qt#libs
Пребарај: #lpu
@eco_cn · Post #30006 · 18.03.2026 г., 03:41
在GTC 2026主题演讲结束后，英伟达CEO黄仁勋接受了Stratechery创始人Ben Thompson的专访： AI在过去一年跨越了一个关键门槛——推理能力的提升使模型首次开始产生真实的经济价值，而编程代理的爆发则是这一转变最清晰的体现。 生成式AI早期因幻觉问题难以商业化，而推理能力的引入使模型得以通过反思、检索与搜索实现"落地"，进而从提供信息跃升为真正完成任务。"搜索是一项没有人付费的服务，原因在于获取信息的门槛不足以让人掏钱。 在技术层面，由Vera Rubin GPU处理高FLOP的注意力计算，由Groq的 #LPU 架构承担需要极高token速率与极低延迟的部分。 黄仁勋将AI代理的工具使用分为两类： 一类是结构化工具，包括CLI、API和数据库查询； 另一类是非结构化工具，包括需要模型通过多模态感知操作网页界面的PC端应用。#英伟达 在两条路径上均有布局。
@eco_cn · Post #29990 · 18.03.2026 г., 01:25
华尔街点评GTC： #英伟达 GTC大会释放核心信号：AI算力的商业逻辑正在发生根本性重构——Token已成为新的大宗商品，而算力即收入。 美银认为，Blackwell系统相较上一代Hopper已实现每Token成本降低高达35倍，即将推出的Rubin系列有望在此基础上再降低2至35倍，这种持续压缩的Token成本曲线，是驱动需求规模化扩张的根本动力。 高盛快评，价值高达1万亿美元的数据中心 #AIDC 营收订单，远超市场普遍预期，有助于消除投资者对于AI资本开支可能已达“峰值”的担忧。其次，英伟达推出了Groq的LPX机架系统，此举进一步巩固了对推理市场的战略承诺。 郭明錤：2026至2027年 #LPU 出货量预计达400至500万台，较历史年产量暴增10倍。机架密度从64跃至256单元，背后的 #PCB 供应链同步迎来新周期——WUS印制电路或成最大赢家。