Akasha Terminal: dev🍃
921 subscribers
1.58K photos
63 videos
42 files
789 links
图频: @NahidaGallery / @Nahida_AI(被拿下了, 正在转生

友链/关于/About Me/Friends
https://t.me/HyacineGallery/1

大概是一些碎碎念,吐槽和日常的乐子。
Download Telegram
Forwarded from 笨蛋 的 碎碎念
唉 小米
Akasha Terminal: dev🍃 pinned «#拼车 #Office E5 挂了懒得再申请了,反正按现在这个形势,白嫖大概会越来越难吧… 所以正在找人拼个 Microsoft (Office) 365 的车,家庭版 ¥299 / 6 人。 尤其欢迎同一批挂掉的 E5 难民 目前已满,上车联系频道主 @NahidaBuer 捏 感谢感谢»
奇怪了,这半年刷机怎么 miflash fastboot 老翻车,最后都是敲 fastboot 命令才好用…

好几台不同机器和不同电脑都这样
接上条,提高刷机成功率:
1. 使用优质的数据线(原装线插拔太久可能会影响)
2. 使用主板后面的 USB 接口,USB 3.x 的供电一般比 USB 2.0 更强
3. 使用笔记本或者迷你主机,似乎比台式机更稳定(大概由于布线比较短/大部分是 CPU 直出)
4. Win 10 比 Win 11 稳定
5. Intel/Apple 的平台比 AMD 稳定

不要怕 MiFlash 中断,从哪断的,可以手动从断的地方继续敲命令,不用从头再来一遍。
热知识,B 站为了节省 CDN 费用,现在 web 端默认使用 av1 编码。对于绝大多数没有硬件解码支持的平台,会极大增加设备解码功耗。实测在 M1 Macbook Air 上,使用 HEVC 编码能节省 75% ~ 90% 的 CPU 占用。

对于移动端(特指笔记本?)的续航非常重要。真·移动端倒是大概用的 HEVC 吧(

印象里 B 站还专门发博客吹过一波自己的 WASM 解码器,但是现在好像看不到 wasmplayer 了,不知道为什么
想起来了,就在 B 站发这个之后不久,字节的一个 Chromium 的 PR 合并了 HEVC 硬解,这个解决方案生不逢时了属于是
突然想到,之前那个 ASM2464 的盒子遇到了诡异的兼容性问题,搭配我的 BC711 插到 M1 MacBook Air 的雷电3(USB4)接口上的时候,会无响应(一开始好像有一次是有一点响应,然后卡住就再起不能了)。就是直接开机之后把雷电4主控给卡死那种,必须重启才能恢复。然而强制使用转接或者其他方式让它工作在 USB 3.1(USB 10Gbps)下就没问题,此前在 Windows 下面也一直是在 10G 速率下工作的。

这个时候我就差没找客服保修了,但是我偏偏翻出来了一块一年多之前买的给 PVE 当系统盘的梵想 256G NVME,插上之后就什么奇怪的事都没有了,一切正常的不得了。

……

所以问题是出在哪呢,硬盘盒,BC711,MacBook Air?

手边其实还有个支持雷电3 / USB 4 的设备,是 iPad Pro M1,但是大概是出了一样的问题,加上残废的文件系统和权限,更难搞清楚发生了什么。身边倒是有朋友用 MacBook Pro with TB4 and USB4 的,但是一方面咱硬盘忘带了,另一方面感觉是不是找个带雷电的 WinPC 对排障更有益一些?

#赛博疑难杂症 #SSD #硬盘盒 #USB #雷电
在 macOS 上打工
iCloud, 小子,很神奇吧
久 等 了
非恶意猜测:
为了推广微软电脑管家(中国区做的)收集用户数据
IT之家 (全文)
Photo
只说骁龙 8 系,该不会是那个新的坑爹玩意儿 8s 系列吧…
Forwarded from IT之家 (全文)
“硅仙人”吐槽英伟达 CUDA:是树沼,而非护城河

IT之家 2 月 20 日消息,有“硅仙人”称号的吉姆・凯勒近日发布推文,表示“CUDA 是树沼,而非护城河,X86 也是树沼”。

凯勒在后续推文中表示:

CUDA 毫无美感,只是粗暴地堆砌而成。

基本上没有人会写 CUDA,即便是写了相关代码,其执行速度也不快。

这也是为何 Triton、Tensor RT、Neon、Mojo 孕育而出的原因。
IT之家注:CUDA 工具包是 NVIDIA 为开发人员提供的一个软件套件,它让开发人员使用 NVIDIA 的图形处理单元(GPU)来运行通用计算任务,特别是那些需要大量并行处理能力的任务。

凯勒认为 CUDA 像 X86 一样,英伟达为了确保软件和硬件的向后兼容性,逐步增加功能的过程中拖慢了性能,增加了程序开发的难度。与此同时,许多开源软件开发框架可以比 CUDA 更高效地使用。

就连 Nvidia 本身也有不完全依赖 CUDA 的工具。

例如,Triton Inference Server 是 Nvidia 的一款开源工具,可简化人工智能模型的大规模部署,支持 TensorFlow、PyTorch 和 ONNX 等框架。

Triton 还提供模型版本化、多模型服务和并发模型执行等功能,以优化 GPU 和 CPU 资源的利用率。