Перейти к содержанию
Ctrl K
Telegram MAX
Тематическая лента

Подборка материалов

Публикации, объединённые общей практической задачей.

5477 материалов
01 Разбор poolside Laguna-S-2.1: 120B MoE-модель для реальных задач на вашем железе Poolside Laguna-S-2.1: 120B MoE-модель для агентного кодирования запускается на Apple Silicon M5 Max со скоростью 33-44 ток/с. Разбор архитектуры, бенчмарков и 8 мин чтения 02 Self-Distilled Reasoning (SDR): как сохранить рассуждения при SFT-кастомизации и не потерять точность SDR предотвращает падение точности с 70% до 0% при SFT-кастомизации. Пошаговое руководство: генерация reasoning-трейсов, выбор учителя между Nova 2 Lite и Pro, 8 мин чтения 03 Laguna S 2.1: Детальный разбор и сравнение с DeepSeek V4 Flash/Pro по реальным бенчмаркам Laguna S 2.1 (118B-A8B) обходит DeepSeek V4 Flash на Terminal-Bench 2.1 (70.2%), SWE-bench Multilingual (78.5%) и SWE-Bench Pro (59.4%) при меньшей стоимости ин 9 мин чтения 04 Энергетический кризис AI: как дата-центры меняют мировое энергопотребление К 2035 году дата-центры будут потреблять 20% электроэнергии США. Разбираем причины, влияние AI на энергосети, рост цен на 76% в ключевых хабах и технологические 8 мин чтения 05 Gemma-4-26B-a4B против Qwen3.6-MoE: новый лидер в локальных LLM? Детальный разбор Gemma-4-26B-a4B против Qwen3.6-MoE: прямое сравнение инференса, reasoning и дообучения Hermes. Узнайте, почему 4B активных параметров побеждают MoE в логических 8 мин чтения 06 Как Apollo перестроил AI-ассистента на Deep Agents и LangSmith для полного цикла GTM Apollo переписал AI-ассистента, заменив LangGraph на Deep Agents: скорость разработки выросла на 85%, а подтверждающие запросы к пользователю сократились. Шести 7 мин чтения 07 Коэффициент Джинни для AI: как измерить разрыв между просьбой пользователя и действием агента Бенчмарки врут: модель проходит тесты на 90%, а в реальности делает не то, что вы просили. Разбираем коэффициент Джинни — метрику, которая измеряет разрыв между 10 мин чтения 08 MAP-Elites и Quality-Diversity: как построить библиотеку лучших решений вместо поиска одного оптимума Разбираем MAP-Elites — первый алгоритм Quality-Diversity, который строит библиотеку лучших решений для каждой поведенческой ниши. Пошаговый разбор, код на Pytho 10 мин чтения 09 AI-сказки на ночь от Meta: как работает StoryKit и стоит ли доверять нейросети воспитание детей Meta тестирует StoryKit — приложение для генерации персонализированных детских сказок с помощью AI. Разбираем функционал, фильтры безопасности, этические риски 7 мин чтения 10 MCP-серверы на Go: семантический поиск по коду и браузерная автоматизация без Node.js Разбираем архитектуру GnostisMCP и KlyxarMCP — MCP-серверов на Go для агентов Windsurf/Cascade. Семантический поиск по коду через Ollama, браузерная автоматизац 6 мин чтения 11 Gigatoken: открытый токенизатор, который в 100 раз быстрее Tiktoken — разбор архитектуры и тесты Детальный разбор Gigatoken — open-source токенизатора, который обещает ускорение до 100x по сравнению с Tiktoken. Архитектура, бенчмарки, практическое применени 7 мин чтения 12 Динамическое управление слоями в LLM: как метод PoLar ускоряет инференс без потери качества Метод PoLar динамически выбирает слои LLM под каждый запрос, сокращая вычисления на 20-40% без потери точности. Разбор архитектуры предиктора, результаты на Lla 8 мин чтения