Тематическая лента
Подборка материалов
Публикации, объединённые общей практической задачей.
4377
материалов
01
Графы знаний для юридического RAG: полный гайд по LightRAG и фреймворкам
Полный гайд по построению юридического RAG на графах знаний. Разбор LightRAG, GraphRAG, HippoRAG и Ragex. Настройка, примеры кода, типичные ошибки.
02
Claude Code играет в OSU!: руководство по AI-взаимодействию с UI для автоматизации игр
Научитесь использовать Claude Code для автоматизации игры OSU! через AI UI взаимодействие. Пошаговое руководство с примерами, кодом и разбором ошибок.
03
Как дообучить NVIDIA Cosmos Predict 2.5 с LoRA/DoRA для генерации видео роботов: пошаговое руководство
Пошаговый гайд по fine-tuning NVIDIA Cosmos Predict 2.5 с LoRA/DoRA для синтеза видео роботов. Подготовка данных, конфигурация, инференс. Ссылки на HuggingFace
04
Как за 54 дня собрать ИИ-хаб в мессенджере MAX на n8n: полный гайд для старта
Реальный кейс: команда из 2 человек собрала чат-бота с 10+ моделями в MAX на n8n. Архитектура на 271 ноду, запуск подписки, 5900 пользователей. Пошаговый roadma
05
Сравнение русскоязычных LLM: бенчмарк спортивных знаний и выбор лучшей модели для RAG
Открытый бенчмарк из 655 спортивных вопросов на русском. Gemma 4 31B рвёт всех — 87% точности. Как тестировали, какие модели провалились и почему эта модель — в
06
3 архитектурных подхода к безопасному внедрению ИИ в корпорации: опыт Alpina Digital
Как обойти 152-ФЗ, не потерять данные и внедрить LLM. Три реальных архитектурных паттерна с разбором ошибок и FAQ. Опыт Alpina Digital.
07
Claude Code с DeepSeek V4: как сэкономить 54× на AI-кодинге — полный гайд по настройке и тестированию
Полный гайд по настройке Claude Code с DeepSeek V4 через cc-switch. Узнайте, как сэкономить в 54 раза на AI-кодинге, не теряя в качестве. Пошаговая инструкция,
08
Как создать кодинг-агента с 87% на бенчмарках, используя модель 4B параметров: пошаговое руководство
Пошаговое руководство по созданию локального coding agent с 87% точностью на SWE-bench, используя компактную LLM в 4 млрд параметров. Оптимизация агента, промпт
09
Техника TIME: как обучить Qwen3 думать короткими всплесками вместо длинных рассуждений
Техника TIME (Token Implicit and Mature Estimation) из ACL 2026: как дообучить Qwen3 думать короткими всплесками, сэкономить токены и избавиться от overthinking
10
Как обучить Gemma-3-270m управлять роботом в симуляции MuJoCo: пошаговое руководство
Пошаговое руководство по fine-tuning компактной LLM Gemma-3-270m для управления роботом-манипулятором в симуляторе MuJoCo. Код, скрипты, советы и типичные ошибк
11
M5 vs DGX Spark vs Strix Halo vs RTX 6000: кто выживет в локальном AI-забеге?
Четыре железных монстра для локального инференса LLM: Mac M5, NVIDIA DGX Spark, AMD Strix Halo и RTX 6000. Тесты памяти, скорости и цены. Кто реально тянет 70B+
12
Как ловить уверенные галлюцинации: разбор метрик attribution и specificity для LLM evals
Разбираем, почему одна метрика faithfulness не спасает. Attribution и specificity — как разделить оценку и поймать ложь с высокой уверенностью в RAG.