मुख्य ख़बर

सबसे ज़्यादा देखी गई पोस्ट
🔥 सबसे लोकप्रिय
F
futureinside_innovation
@futureinside_innovation
123K

GIGABYTE представила большой и тонкий ноутбук GAMING A18 PRO

В основе ноутбука лежит производительная платформа, рассчитанная на ресурсоёмкие задачи. Устройство оснащается процессором Intel Core 7 240H и видеокартой вплоть до NVIDIA GeForce RTX 5080 Laptop GPU. Такая конфигурация позволяет уверенно справляться с современными играми, рабочими нагрузками и ИИ-сценариями даже при высокой загрузке и в многозадачном режиме.

Поддержка TGP на уровне 115 Вт должна обеспечивать стабильную графическую производительность во время продолжительных игровых сессий. За охлаждение отвечает интеллектуальная система WINDFORCE INFINITY EX с двумя вентиляторами и технологией 3D VortX, которая отвечает за трёхмерное распределение воздушных потоков. При невысокой нагрузке активируется полностью бесшумный режим 0 дБ. Кроме того, зона Icy Touch в области клавиш WASD помогает сохранять комфорт при длительной игре.

Ноутбук получил 18-дюймовый дисплей с разрешением 2.5K, частотой обновления 165 Гц и временем отклика 3 мс. Это должно обеспечить плавную картинку, быстрый отклик и больше пространства для работы и развлечений.

Несмотря на крупный экран, толщина корпуса составляет всего 20 мм, поэтому модель остаётся сравнительно удобной для переноски. Среди дополнительных достоинств производитель выделяет эргономичную клавиатуру с дизайном Golden Curvature, увеличенными клавишами и ходом 1,7 мм, что должно положительно сказаться на комфорте и точности ввода.

अन्य चैनलों से और

कुल 12 पोस्ट
G
gamedcommunity
@gamedcommunity
933

📊 Latest Summary News

We’ve gathered the most interesting highlights from recent days:

🟠 Time to start making games on Source 2! The sandbox and spiritual successor to Garry's Mod — s&box — has officially launched. It’s currently available on PC only. In s&box, you can explore games created by the community or build your own using built-in tools. Looks like we finally got Garry’s Mod 2…

🟠 A guy from a forum baked his broken GeForce GTX 1080 in the oven… and it worked! No, seriously, after struggling for 8 years to fix artifacting on his own, he decided there was no better moment to try something bold. The result? A “baked” GPU that ran for 20 seconds… and then died again.

🟠 Warcraft III is now playable in the browser, fully ported to WebGL! Players can already access the campaign and offline matches against bots. The developer обещает to add online multiplayer soon. You can now load up your meat wagons straight from your favorite browser tab.

🟠 ARC Raiders is banning disabled players. The system mistakenly flags devices like the Xbox Adaptive Controller and Sony Access Controller as cheat tools or third-party software, affecting players who rely on them. At this point, the anti-cheat seems to be fighting accessibility more than actual cheating.

📬 Caught up on the news? Don’t forget to hop into GAMED and check your dailies

O
oh_my_zen
@oh_my_zen
1.5K

👋🏻 Привет, появилась возможность вернуться к вам.

Чуть больше месяца назад родился второй ребёнок, поэтому я просто решил отложить многие свои дела, чтобы совсем не выгореть.

Кроме того, уверен, что многие, как и я, последние 2–3 месяца словили сильнейший за последние 4 года FOMO, когда Codex и Claude Code стали настолько хороши, что при желании можно было бы делать по 1 проекту в день.

И в Твиттере/Ютубе/Телеграме только и было, что какой-то очередной сударь вышел на MRR $70k.

В США B2B SaaS наплыв, на Product Hunt и Product Radar в 2–3 раза вырос поток заявок стартапов.

И на фоне роста себестоимости GPU, возможного глобального кризиса из-за конфликта на Ближнем Востоке и кучи других факторов кажется, что если не сейчас, то никогда.

Но в какой-то момент мне стало немного спокойнее — не на 100%, но лучше точно. И я сфокусировался на меньшем количестве проектов, а если и делал что-то совсем новое, то только если оно было в орбите фокусного продукта и усиливало его, было гипотезой, но не было бы вообще отдельным продуктом.

И также я заметил, что и некоторые другие ребята, кто не только ловили FOMO, но и действовали соответствующе, запуская 7–10 проектов одновременно, успокаивались и фокусировались на 1–2.

Страх говорит максимально диверсифицироваться и пробовать сразу много, но ценность в глубине, и обеспечивать глубину в 10 продуктах может только огромная команда или же корпорат. А когда ты стартап-команда или же вообще солопренёр — то велик риск, что стратегия дробовика только приведёт к выгоранию.

Как у вас с этим?

Кстати, на прошлой неделе мы на Product Radar запустили один больше даже социальный продукт, который делали для себя, а решили поделиться с другими, и скорее всего сделаем его open-source.

Про него расскажу подробнее чуть позже, а пока можно посмотреть тут— там ещё можно проголосовать за него до 12 по мск.

Это как раз пример того, что продукт тоже был отдельный от основного, но в его орбите и созданный для основного.

@oh_my_zen

P
pythonfreebootcamp
@pythonfreebootcamp
4.9K

Essential Python Libraries to build your career in Data Science 📊👇

1. NumPy: - Efficient numerical operations and array manipulation.

2. Pandas: - Data manipulation and analysis with powerful data structures (DataFrame, Series).

3. Matplotlib: - 2D plotting library for creating visualizations.

4. Seaborn: - Statistical data visualization built on top of Matplotlib.

5. Scikit-learn: - Machine learning toolkit for classification, regression, clustering, etc.

6. TensorFlow: - Open-source machine learning framework for building and deploying ML models.

7. PyTorch: - Deep learning library, particularly popular for neural network research.

8. SciPy: - Library for scientific and technical computing.

9. Statsmodels: - Statistical modeling and econometrics in Python.

10. NLTK (Natural Language Toolkit): - Tools for working with human language data (text).

11. Gensim: - Topic modeling and document similarity analysis.

12. Keras: - High-level neural networks API, running on top of TensorFlow.

13. Plotly: - Interactive graphing library for making interactive plots.

14. Beautiful Soup: - Web scraping library for pulling data out of HTML and XML files.

15. OpenCV: - Library for computer vision tasks.

As a beginner, you can start with Pandas and NumPy for data manipulation and analysis. For data visualization, Matplotlib and Seaborn are great starting points. As you progress, you can explore machine learning with Scikit-learn, TensorFlow, and PyTorch.

Free Notes & Books to learn Data Science: https://t.me/datasciencefree

Python Project Ideas: https://t.me/dsabooks/85

Best Resources to learn Python & Data Science 👇👇

Python Tutorial

Data Science Course by Kaggle

Machine Learning Course by Google

Best Data Science & Machine Learning Resources

Interview Process for Data Science Role at Amazon

Python Interview Resources

Join @free4unow_backup for more free courses

Like for more ❤️

ENJOY LEARNING👍👍

A
AI Nova Sapiens
@ainovasapiens
14.2K

Как удалить sparkle-ватермарку Nano Banana бесплатно

Бесит, что платишь подписку, а там еще водяные знаки на картинках. По АПИ то кстати их нет. Короче, сначала я пробовал убирать ватермарку Gemini обычным Python+OpenCV — inpainting через cv2.inpaint() с алгоритмом Telea. Тормозит, оставляет видимое размытое пятно на любом текстурном фоне (кожа, ткань, плитка — всё хуже), и чем крупнее маска, тем заметнее следы.

Переключился на нейросетку LaMa (Large Mask Inpainting) от Samsung AI. Она специально обучена на больших дырах и использует свёртки в частотной области (FFC) — видит всё изображение сразу и честно дорисовывает содержимое под ватермаркой, глядя на соседние пиксели. Работает локально - 10 секунд на картинку 2K, никакого GPU не надо.

Полностью меняет результат: теперь на выходе нет следов правки даже при 100% кропе в угол.

GitHub: https://github.com/advimman/lama Paper: https://arxiv.org/abs/2109.07161 (WACV 2022)

Для внутренних нужд собрал утилиту, которая снимает эту фирменную sparkle-ватермарку Google Nano Banana с сгенерированных картинок.

Работает оффлайн, в полном разрешении, на любой Windows — без подписок, лимитов и облака. Установка 3-5 минут:

Распаковать архив install.bat — скачает модель (~200 МБ) Бросить картинки в water_in/ REMOVE_WATERMARKS.bat — чистые в water_out/ 👉 Забрать бесплатно у бота: https://t.me/NovaSapiensUserLogin_bot?start=free_wmremover

V
vikulin_ai
@vikulin_ai
5.2K

Развернуть свою LLM или на API-шке заведется?

В прошлом посте считали стоимость инференса своей LLM. Может, ну его нафиг, и будем просто OpenAI за токены платить? Вопрос не простой. Правильный ответ зависит от того, на какой стадии проект и от его ограничений. Стадий всего две. Ограничений — поболее. Теперь по порядку.

Две стадии AI-проекта: MVP и масштабирование

1) MVP. Цель — получить сигнал, что продукт реально решает проблему и растит бизнес-метрику. Опросы пользователей, оффлайн-метрики, A/B-тесты — отсюда получаете сигнал.

2) Масштабирование. Сигнал получили, теперь раскатываем решение в прод. Здесь уже думаем про железо, стоимость, безопасность, SLA — всё то, на что было плевать вчера.

Это две разные задачи с разными рисками. И модели под них нужны разные (подробнее про стадии проекта в статье).

MVP: только API, только хардкор

Главный риск на старте — закопать месяцы в проект, который вообще не надо было делать. Поэтому на стадии MVP запрещено думать про стоимость инференса, скорость работы и безопасность. Главная метрика — скорость проверки гипотезы. Каждая инвестиция в AI-инфраструктуру — бездарно потраченное время.

Отсюда правило: берём самую толстую API-модель, которая есть на рынке. Если уж она задачу не вытянет, можно честно закрывать проект и идти делать следующий.

Масштабирование: когда API может не тянуть

Сигнал получили, продукт нужен, начинаем думать, стоит ли слезать с API. Причины для слезания:

1. Безопасность данных. 99% реальных причин ухода с API. Регуляторка, персональные данные, банковская тайна, корпоративные секреты и тд.

2. Медленно. Редкая история. Современные провайдеры используют много примочек и сильно разогнали инференс. У вас, скорее всего, сильно быстрее не получится.

3. Дорого. Тоже редкий случай. Платите за GPU вы постоянно, но нагрузка у вас пикообразная. Ночью пользователи спят. Днём работают. В ваш сервис реально ходят несколько часов в день, а карты постоянно в вашем P&L. В API вы платите строго за токены, что использовали. И не забудьте про команду, которая должна инференс поднять и поддерживать. Опенсорс становится дешевле если: (а) у вас реально большой трафик (б) вы умеете грамотно утилизировать железо в провалах — сдувать ночью, поднимать днём, шарить между задачами. Вывод: в 99% кейсов API дешевле, чем свой инференс. Если вам кажется иначе — посчитайте ещё раз.

Как делать Масштабирование на опенсорсе

1) Пробуем самый большой опенсорс. Да, он хуже топовых API-моделей. Но разрыв меньше, чем принято думать. Если экономика сходится — вы восхитительны, можно больше ничего не делать.

2) Если экономика не сходится — дистиллируем. Учим маленькую модель на ответах большой. Это вот ровно тот кейс, где оправданно обучать свои модели. Маленькая модель запоминает паттерны большой, теряет широту (на задачах за пределами вашего домена она будет тупить), зато выигрывает порядок по железу. Но на широту вам обычно пофиг, лишь бы конкретно вашу задачу более менее решала. При правильной дистилляции реально сжать модель на порядок.

Резюме: итоговый алгоритм

1. MVP → самая большая API-модель. Ищем сигнал, что продукт решает проблему.

2. Сигнал получили + с безопасностью ок + скорость норм + экономика сходится → остаёмся на API.

3. Данные отправлять нельзя → разворачиваем самый толстый опенсорс.

4. Опенсорс не лезет в экономику → дистилляция под ваш домен.

5. Всё остальное (дообучаем модель, чтобы она поумнела; поднимаем свой инференс, чтобы сэкономить на API; перебираем опенсорсы на MVP) — от лукавого.

F
faangjob
@faangjob
5.7K

Master Artificial Intelligence in 10 days with free resources 😄👇

Day 1: Introduction to AI - Start with an overview of what AI is and its various applications. - Read articles or watch videos explaining the basics of AI.

Day 2-3: Machine Learning Fundamentals - Learn the basics of machine learning, including supervised and unsupervised learning. - Study concepts like data, features, labels, and algorithms.

Day 4-5: Deep Learning - Dive into deep learning, understanding neural networks and their architecture. - Learn about popular deep learning frameworks like TensorFlow or PyTorch.

Day 6: Natural Language Processing (NLP) - Explore the basics of NLP, including tokenization, sentiment analysis, and named entity recognition.

Day 7: Computer Vision - Study computer vision, including image recognition, object detection, and convolutional neural networks.

Day 8: AI Ethics and Bias - Explore the ethical considerations in AI and the issue of bias in AI algorithms.

Day 9: AI Tools and Resources - Familiarize yourself with AI development tools and platforms. - Learn how to access and use AI datasets and APIs.

Day 10: AI Project - Work on a small AI project. For example, build a basic chatbot, create an image classifier, or analyze a dataset using AI techniques.

Here are 5 amazing AI projects with free datasets: https://bit.ly/3ZVDjR1

Throughout the 10 days, it's important to practice what you learn through coding and practical exercises. Additionally, consider reading AI-related books and articles, watching online courses, and participating in AI communities and forums to enhance your learning experience.

Free Books and Courses to Learn Artificial Intelligence 👇👇

Introduction to AI Free Udacity Course

Introduction to Prolog programming for artificial intelligence Free Book

Introduction to AI for Business Free Course

Artificial Intelligence: Foundations of Computational Agents Free Book

Learn Basics about AI Free Udemy Course (4.4 Star ratings out of 5)

Amazing AI Reverse Image Search (4.7 Star ratings out of 5)

13 AI Tools to improve your productivity: https://t.me/crackingthecodinginterview/619

4 AI Certifications for Developers: https://t.me/datasciencefun/1375

Join @free4unow_backup for more free courses

ENJOY LEARNING👍👍

M
Mad Bots | News, updates, etc...
@mad_bots
121K

🔈 Good news, everyone! Especially for @voice_remover_bot users!

Time to remind you about our insanely useful audio separation bot. After a couple months of testing premium models, we're ready to make it official. Plus there's a bunch of other goodies.

So, the bot now has a premium plan with a free 3-day trial. Why? Requests have grown massively, the server couldn't keep up, so we had to rent an additional GPU server which is far from cheap. We're hoping premium subscriptions will cover these costs, and now we can offer significantly better results for subscribers. Here's what you get:

— Premium quality processing model — Track separation: 2 / 4 / 6 tracks — Export formats: MP3, M4A, WAV — Bitrate up to 320 kbps with lossless quality — Unlimited duration — High queue priority

Second big change: premium plans now have unlimited generations, go wild. The free plan stays too with slightly updated logic: 20 minutes of free audio separation per week. According to our stats, that's more than enough for 99% of users.

Beyond the paid plan, we optimized everything and fixed a ton of things:

— Audio artwork was broken for a while in the mini app and inline search. Fixed. — A reminder: we have over 2.5 million already processed tracks in our system that you can instantly download via inline search or the mini app. — The system was unstable for a couple days after getting flooded with requests. Fixed, obviously. — The mini app player was broken: it was downloading all three files at once just to render the audio waveform (it just looks nicer with it), but this was eating your data and causing lag. — Several users asked to be able to hide their recordings from the public catalog since some of them can be private. We've added the ability to hide and unhide your uploaded recordings in the mini app. Hidden tracks won't appear in search or the catalog.

Need help? Ask any questions you like in our support group: @madbots_talk. ——————————— 🔈 Отличные новости! Особенно для пользователей @voice_remover_bot!

Пора бы напомнить про нашего мега полезного бота по разделению аудио. После пары месяцев тестирования премиум-моделей решили сделать официальный анонс. Ну и помимо этого есть масса всякого интересного.

Итак, в боте появился премиум-план с бесплатным пробным периодом на три дня. Зачем он нужен? Запросов стало очень много, сервер перестал справляться, так что пришлось арендовать ещё один с GPU, что далеко не бесплатно. Надеемся премиумами эти затраты закрыть, плюс теперь можем предложить в разы более качественный результат для подписчиков. Бонусов прям много:

— Премиум-модель обработки (качество в разы лучше) — Разделение на 2 / 4 / 6 треков — Форматы экспорта: MP3, M4A, WAV — Битрейт до 320 kbps с поддержкой lossless — Без лимита на длительность — Высокий приоритет в очереди

Второе важное изменение: для премиум-планов теперь анлим на генерации, развлекайтесь. Бесплатный план тоже оставили: 20 минут разделения аудио в неделю бесплатно. По нашей статистике этого более чем достаточно 99% пользователей.

Ну и помимо платного плана всё оптимизировали и исправили кучу мелочей:

— На какое-то время ломались картинки для аудио в мини-аппе и инлайн-поиске. Починили. — Напоминаем, что у нас в системе более 2.5 миллионов уже обработанных треков, которые можно мгновенно скачать через инлайн-поиск и мини-приложение. — Пару дней система работала нестабильно, завалили запросами. Само собой починили. — В мини-приложении криво работал плеер: качал сразу все три файла чтобы нарисовать звуковую волну (с ней просто красивее), но эта всё жрало ваш трафик и тормозило. Исправили, плеер теперь грузится мгновенно. — Несколько пользователей попросили возможность скрыть свои записи из общего каталога, так как иногда они могут быть приватными. Добавили в мини-приложении возможность скрывать и открывать всем загруженные вами записи. Скрытые треки не будут отображаться в поиске и каталоге.

Проверяем, тестируем. Если обнаружились проблемы, пишите в @madbots_talk.

О
Объявления Чита
@kupiprodai75
3.8K

Продам Игровой компьютер в сборе

ВОЗМОЖНА ДОСТАВКА ПО ГОРОДУ И КРАЮ

Продам  компьютер в сборе, справляется с рабочими задачами и играми на высоких настройках.

Монитор LG UltraGear 27 дюймов 144 Гц

Системный блок: Процессор AMD Ryzen 5 5600 Видеокарта MSI GeForce RTX 4060 Материнская плата MSI A520M-A PRO Оперативная память ADATA XPG GAMMIX 32 ГБ SSD ADATA LEGEND 900 512 Гб

Комплектующие еще на гарантии, покупались в DNS

Цена 99 999

89144712577

О
Объявления Чита
@kupiprodai75
805

Продам игровой ПК в хорошем состоянии. Корпус с прозрачной боковой панелью. На передней панели расположены порты для подключения периферии. В комплекте с ПК идут необходимые кабели. Продаю в связи с покупкой нового ПК!!!🔥🔥🔥

Технические характеристики:

Процессор: Intel Core i5-13600KF Видеокарта: Palit GeForce RTX 4070 Ti GamingPro 12GB Оперативная память: 32 ГБ Материнская плата: MSI PRO Z790-A WIFI Жоский диск на 2TB Ssd накопитель на 512GB Sad накопитель 1TB Компьютер готов к использованию. Cyberpunk 90 FPS с Dlss качество . RDR 2 78 FPS Horizon zero dawn 1 и 2 часть на ультрах летает . Resident evil Requiem на ультрах . 89962804161 Екатерина .

C
commonstragedy
@commonstragedy
366

1. Больше всех железа у Google 2. На 2025 мы тратим 13 гигават энергии на вычисления 3. ASML внезапно выросли в 2 раза и стали одной из 20 самых крупных компаний в мире 4. Google закупет чипы Nvidia 5. Из чего состоит видеокарта

C
commonstragedy
@commonstragedy
301

Ограничения постоянно разные.

(продолжение)

В 2023 все гонялись за видеокартами. А точнее у заводов TSMC не хватало мощностей для финальной сборки чипов в модули (CoWoS). В 2024 случился дефицит HBM памяти для тех же модулей. В 2025 с картами стало лучше, но для датацентров начало не хватать энергии. В 2026 стало понятно, что даже если энергия есть, электрическая сеть США не может ее доставлять в нужных обьемах до датацентров.

Дальше подробнее.

1. Память

Свременным моделям память нужна больше, чем раньше. Я в прошлом посте писал, что компании тратят сотни миллиардов в год на инфраструктуру. По прикидкам примерно 30% из них - это на память.

Причем им приходится закупать дорогую HBM вместо дешевой DDR. Потому что высокая пропускная способность помогает видеокартам не простаивать пока память обрабатывает свою часть. Дорогая память не такая уж и дорогая в сравнении с чипами.

Скорее всего цены на память будут расти, если не придумают как это обходить. Могут спокойно еще в 2-3 раза вырасти, потому что SK Hynix и Samsung контролируют 90% рынка. А спрос на память только растёт.

2. Энергия и датацентры

xAI показали, что датацентры можно строить довольно быстро.

Но большая инфраструктура не выдерживает, когда в каком нибудь регионе за полгода появляется штука жрущая электричество как небольшой город. Я уже привык к новостям, что технологические компании начали закупать старые электростанции.

Удивительно, что челик из Semianalysis за энергию особо не беспокоится. Новые электростанции, трансформаторные и банально вышки для проводов строить долго. Но пока электическая сеть адаптируется к новой нагрузке, питать датацентры можно от промышленных турбин на газу. Буквально подвозишь к датацентру десяток трейлеров с генераторами и всё.

Еще есть всякие поршневые двигатели, солнечные панели и батареи, химические реакторы на водороде, судовые двигаетли... Короче, что только не придумали за время существвни топливной индустрии. И в совокупности вместе с эффективным использованием электросети это может дать сотни гигаватт мощностей.

(см картинку)

Чтобы строить дата-центры и реакторы быстро, не хватает квалифицированной рабочей силы и банально электриков.

Дорого и трудоёмко, но оказывается все еще проще, чем цепочка поставок полупродневников.

3. Производство полупроводников

Есть заводы (в основном TSMC), собирающие видеокарты определённой эры (по чертежам Nvidia или Google). Напрмер, по 3-нанометровому процессу.

Ну и просто не построено достаточно заводов.

Быстро это не исправить, потому что это одни из самых сложных промышленных объектов на планете. Чтобы такой построить, нужно 2-3 года и куча специализированного оборудования и химических штук.

Самое сложное - это литографические машины (EUV scanner). Они нужны, чтобы отливать чипы на вафельницах. Которые потом соединяют в модули с памятью и получаются видеокарты.

Так вот эти машины стоят ~$350M за штуку. Делает такие только одна компания из Нидерландов - ASML. Где то по 50 машин в год.

Можно прикинуть, что к 2030 году в мире их будет в ~700. Это порядка 200 гигават вычислений на всех. На конец 2025 мы тратили 13.6 гигават. Это до бума агентов.

Короче, расти есть куда, но будет постоянный дефицит, ограниченный строительством заводов, ограниченный памятью и вафельницами, ограниченный машинами для литографии.

То есть это такие ограничения, которые нельзя залить деньгами в отличие от памяти и энергии для датацентров.

Это хорошо видно на поведении Google.

У них есть свой дизайн чипов. И при этом они четверть чипов закупают у Nvidia. Они бы с кайфом свои делали, вот только не могут.

Все чипы собирают заводы TSMC по чужим чертежам. А Google и Amazon (у них тоже есть свой дизайн) проспали момент когда Jensen Huang назаключал контрактов на производство аж на 70% мощностей 3-нм заводов. TSMC это супер выгодно, потому что они в конце производственной цепочки и им нужна стабильность.

Nvidia тоже кайфует, продавая карты в 6 раз дороже себестоимости.

А гугл еще и своих мощностей Антропикам через GCP напродавал. Удивительная компания.