Перейти к содержанию
Ctrl K
Telegram
Все выпуски

Архив публикаций

Все материалы AiManual в единой хронологической ленте.

325 119B параметров, но мозгов — на 6B: честный тест Mistral Leanstral 1.5 и его запуск у вас дома Разбираем Mistral Leanstral 1.5 — MoE-модель 119B с 6B активных параметров. Сравнение с DeepSeek V3.2 и Qwen3. Как запустить на домашнем сервере, квантование, р 1 мин чтения 326 ELDR — новый метод декодирования для MoE: как локальность экспертов меняет правила игры Разбираемся, как Expert Locality-aware Decoding Routing (ELDR) ускоряет инференс MoE-моделей, снижает latency и повышает эффективность. Без кода, но с идеями. 3 мин чтения 327 Робот-дворецкий за $100: инструкция по сборке (сделай сам) Пошаговое руководство: как из Raspberry Pi и пары моторов собрать робота с голосовым управлением и локальным ИИ за $100. Комплектующие, сборка, софт, частые оши 6 мин чтения 328 Кожевенная мастерская в квартире: как ИИ помогает проектировать аксессуары дома Как использовать ИИ для проектирования кожаных аксессуаров дома: эскизы, промпты, лекала, фурнитура, инструменты и организация мастерской в квартире. 8 мин чтения 329 GLM5.2 на 5x Pro 6000s и 5090: тест производительности, квантование и стоимость запуска Тест GLM5.2 (744B) на пяти AMD Radeon Pro 6000 и одиночной RTX 5090: скорость токенов, качество квантования, стоимость электричества и железа. Реальные цифры дл 6 мин чтения 330 Шесть нерассказанных уроков RAG: почему косинус не основа, и как строить retrieval на SQL-фильтрации Критика стандартного RAG pipeline. Почему косинус не решает семантику, как SQL-фильтрация делает retrieval точным и быстрым. Практические примеры и код. 7 мин чтения 331 Детерминированный RAG: инструмент памяти с recall 1.0 без вызовов LLM — разбор подхода Разбор подхода к RAG, который дает 100% recall и не требует обращения к языковой модели. Как работает, где применить и почему это дешевле традиционных решений. 5 мин чтения 332 Фиктивная AI-трансформация: почему 90% корпоративных внедрений — пустая трата денег Почему 90% корпоративных AI-проектов в 2026 году — пустая трата денег? Анализ хайпа, метрик adoption и реальных результатов. 4 мин чтения 333 AI-агенты в SDLC: гонка вооружений, которую разработчики проигрывают Инсайты CTO: почему AI-агенты не ускорили SDLC, а создали новое узкое место. Разбор парадокса автоматизации, кейс AWS и дисциплина Agent Engineering. 6 мин чтения 334 Как обойти региональные ограничения Claude Code с локальными моделями: механизм ANTHROPIC_BASE_URL Переменная окружения ANTHROPIC_BASE_URL позволяет перенаправить Claude Code на локальные модели и обойти региональные ограничения. Риски и практика. 4 мин чтения 335 Почему AI-агенты не оправдали ожиданий Meta: анализ слов Цукерберга и последствия для индустрии Марк Цукерберг признал медленный прогресс AI-агентов. Разбираем причины провала Meta: сокращения, технические ограничения, упущенная сделка с Manus. Как это мен 3 мин чтения 336 Экономика инференса LLM: почему дорогие модели стоят дорого и как это влияет на лимиты Глубокий разбор факторов стоимости вывода LLM: от архитектуры Dense vs MoE до KV-cache и reasoning-токенов. Как это формирует лимиты API и как оптимизировать за 8 мин чтения