Тематическая лента
Подборка материалов
Публикации, объединённые общей практической задачей.
5464
материалов
01
Письмо без конкретики: 1100 сотрудников AI-гигантов просят правительство США «замедлить» фронтальные разработки
Более 1100 сотрудников OpenAI, Anthropic и Google подписали открытое письмо с призывом контролировать темпы фронтального ИИ. Разбираем, почему документ из трёх
02
Инвестиции в детекцию ботов: как Spur Intelligence борется с нечеловеческим трафиком, который к 2026 году обгонит людей
Spur Intelligence привлёк $200 млн на технологию детекции ботов, которая отличает людей от машин даже за VPN. Разбираем архитектуру ML-моделей, причины провала
03
Unsloth начал выпуск GGUFs для Kimi K3: MXFP4 и mmproj уже доступны
Сообщество Unsloth опубликовало первые GGUFs для Kimi K3: MXFP4-версия на 1.5 ТБ и mmproj-файл уже доступны для скачивания. Пошаговое руководство по локальному
04
Gemma 4: QAT vs Standard — Практические тесты и независимые бенчмарки quantized-моделей 26B/31B
QAT или стандартная квантизация для Gemma 4 26B/31B? Собрали независимые бенчмарки: таблицы перплексии, MMLU, HumanEval для Q4-Q8. Прямое сравнение Google vs Un
05
Бенчмарк Kimi-k3: тест на RTX 6000 PRO 96GB и перспективы RPC-кластеризации
Реальные цифры запуска Kimi-k3 на RTX 6000 PRO 96GB: 0.23 tok/s и 31 минута на 440 токенов. Разбираем, почему топовое железо не справляется с MoE-архитектурой,
06
LoRA и её скрытые требования к VRAM: разбираемся в потреблении памяти
Почему LoRA требует 40-50 ГБ VRAM для модели на 7B параметров? Разбираем реальное потребление памяти: веса базовой модели, градиенты, состояния AdamW и активаци
07
Падение акций SK Hynix на 40%: как обвал рынка памяти изменит цепочки поставок AI-оборудования
Акции SK Hynix рухнули на 40% за месяц, KOSPI обвалился на 10,8% за день. Разбираем причины: сомнения в окупаемости AI-инфраструктуры, китайский прорыв в DUV-ли
08
Mac mini M4 для локального ИИ: какую конфигурацию выбрать без переплаты
Разбираем Mac mini M4 для локального ИИ: сколько памяти и SSD нужно, когда брать M4 Pro и что проверить перед покупкой в Москве.
09
XYZ-Aquila: open-weight агенты глубинного поиска от XYZ AI Lab — архитектура, обучение и практика
Разбор open-weight агентов XYZ-Aquila для глубинного поиска: архитектура Aquila-mini (35B) и Aquila-pro (397B) на базе Qwen, инновационный пайплайн обучения AI4
10
Архитектура коллективного разума: как построить сеть ИИ-агентов, действующих как единая команда
Мультиагентные системы проваливают 41-87% новых задач не из-за моделей, а из-за отсутствия координации. Разбор стека Internet of Cognition от Outshift by Cisco:
11
Вышли веса модели KIMI K3: архитектура, бенчмарки и практическое применение для разработчиков
Moonshot AI открыла веса KIMI K3 — MoE-модели с 896 экспертами и контекстом до 1 млн токенов. Разбираем архитектуру KDA, бенчмарки, требования к GPU и практичес
12
Оптимизация разметки данных: практическое руководство по Active Learning с примерами на Python
Active Learning на Python: сократите затраты на разметку данных в 2–5 раз. Готовый код uncertainty sampling, diversity-based sampling и query by committee с виз