Перейти к содержанию
Ctrl K
Telegram MAX
Тематическая лента

Подборка материалов

Публикации, объединённые общей практической задачей.

5467 материалов
01 Gemini в деле: практический опыт использования ИИ-ассистента для работы, учёбы и творчества Честный разбор Google Gemini: реальные кейсы использования для работы, учёбы и творчества. Автор показывает, где ИИ-ассистент экономит часы, а где — создаёт рис 10 мин чтения 02 DWARF-55M-Base: почти полностью разрежённое внимание с O(1) декодированием DWARF-55M-Base заменяет полное внимание на динамический разрежённый сбор запросов (DSQG) почти во всех слоях, снижая затраты на декодирование до O(1). Разбираем 6 мин чтения 03 Судебный прецедент и правовая неопределённость: разбор иска Anthropic на $1.5 млрд и его влияние на будущее обучения ИИ Федеральный суд утвердил мировое соглашение Anthropic на $1.5 млрд: обучение ИИ признано fair use, но получение книг — незаконным. Разбираем правовую неопределё 9 мин чтения 04 Motif 3 Beta: разбор 314B-A13B модели и её роль в южнокорейском K-AI проекте Детальный разбор Motif 3 Beta — разреженной модели 314B-A13B от Motif Technologies. Сравнение с DeepSeek V4 Pro и MiniMax-M3, участие в госпроекте K-AI с бюджет 7 мин чтения 05 Perseus: как Т-Банк объединил гетерогенные данные в единый фреймворк персонализации и получил прирост до 17% Разбор открытого фреймворка Perseus от Т-Банка: как объединение транзакций, кликов и поисковых запросов в единую последовательность через трансформер даёт приро 1 мин чтения 06 Бенчмарк спекулятивного декодирования: DFlash 4.6× на математике, MTP 2.8×, EAGLE3 и ngram на Qwen3.6-27B с vLLM и SGLang Коротко: DFlash ускоряет инференс до 4.6× на математике, а MTP стабильно держит 2.2–2.8× без патчей. Разбираем, какой метод спекулятивного декодирования выбрать 9 мин чтения 07 Как отличить полезный дашборд от опасного: разбор на реальном кейсе Красивый дашборд создаёт иллюзию контроля, но может систематически подталкивать к неверным решениям. На реальном кейсе разбираем три главные опасности: субъекти 9 мин чтения 08 Почему AI-бум ударил по мейнфреймам IBM: временный кризис или смена эпохи? Продажи мейнфреймов IBM рухнули на 42%, акции — на 25%. Разбираем причины удара: как бум AI-инфраструктуры перекроил корпоративные бюджеты и что это значит для 4 мин чтения 09 Оптимизация хранения датасетов: как упаковка файлов в сжатые блобы ускорила обучение ML-модели на 30% Практический кейс: упаковка мелких файлов датасета в сжатые блобы (TAR, Parquet, WebDataset) ускорила обучение ML-модели с 36 до 47 шагов в минуту. Разбор форма 9 мин чтения 10 Теневая сторона ИИ-агентов: почему красивое демо разбивается о реальные данные и безопасность ИИ-агенты проваливают пилоты не из-за слабых моделей, а из-за грязных данных и отсутствия архитектуры безопасности. Разбираем AI Gateway, разделение контуров, з 12 мин чтения 11 MTP на MoE: тесты производительности Gemma4 и Qwen3 в llama.cpp Практические тесты Multi-Token Prediction на MoE-моделях в llama.cpp: Gemma4-26B разогнана с 88 до 132 t/s TG, Qwen3.6-27B — с 61 до 94 t/s TG. Готовые конфигур 8 мин чтения 12 DavidAU и Qwen 3.6 27B: совместная доработка, которая работает — тест на агентных задачах Сборка Qwen 3.6 27B от DavidAU прошла агентный тест с 0 ошибок на 10 запусках — стоковая Unsloth ошибалась 2 раза. Разбираем бенчмарки, структуру рассуждения и 5 мин чтения