Учебные материалы
Infini-Attention: когда LLM жульничают с памятью и почему это гениально
Полный технический разбор Infini-Attention: как LLM обрабатывают миллионы токенов с конечной памятью. Архитектура, алгоритмы, практическая реализация.
Cursor AI умер, да здравствуют локальные альтернативы: VS Code расширения и CLI-инструменты с LSP и авто-исправлением
Обзор open-source альтернатив Cursor AI для VS Code и CLI с поддержкой LSP, авто-исправлением кода и локальными LLM. Работает без облака в 2026 году.
Почему open-source модели проваливаются в бою, пока лидируют в гонках: разрыв между цифрами и реальностью
Глубокий разбор: почему open-source модели показывают отличные результаты на тестах, но проваливаются в реальных задачах. Сравнение Claude, DeepSeek, Grok, анал
Твой личный собеседник в кармане: настраиваем AI-тренера речи на слабом железе
Полный гайд по настройке локального AI-тренера для практики речи и собеседований на Ryzen 5 с 16GB RAM и 4GB VRAM. Выбор моделей, ПО, оптимизация.
Локальный мультимодальный ассистент на Android: как собрать стек из Gemma 3N, RAG и TTS для работы оффлайн
Пошаговый гайд по сборке локального мультимодального ассистента на Android с Gemma 3N, RAG и TTS. Работает полностью оффлайн, не требует интернета.
Оптимизация Kimi 2.5 на vLLM: как выжать 1500 TPS из кластера на 8xRTX 6000 Blackwell
Пошаговый гайд по настройке tensor-parallel для Kimi 2.5 на vLLM. Увеличиваем TPS до 1500 на кластере из 8 RTX 6000 Blackwell.
GPT-OSS 120B: старый добрый монстр, который до сих пор рвет всех в локальном запуске
Архитектура A3B, нативное 4-битное обучение и 120 млрд параметров. Почему GPT-OSS 120B до сих пор быстрее и качественнее новых моделей на домашнем железе.
Kimi K2.5: бенчмарк производительности на железе энтузиастов — Epyc, RTX PRO 6000, SGLang
Подробный бенчмарк Kimi K2.5 на Epyc 9374F и RTX PRO 6000: 497 t/s prefill, сравнение SGLang и vLLM, настройка llmperf-rs. Актуально на январь 2026.
GGUF-файлы Kimi-K2.5 весят больше INT4: парадокс или техническая необходимость?
Глубокий анализ форматов квантования Kimi-K2.5. Почему GGUF весит больше INT4, как получить полную точность при размере <600 ГБ. Решение проблемы.
Когда SQL и векторный поиск дерутся за ваши данные: архитектура локального RAG-пайплайна
Пошаговый гайд по созданию локального RAG-пайплайна, объединяющего текстовый SQL и векторный поиск. Архитектура, инструменты, код на 2026 год.
Что такое n-gram mod в llama.cpp и как он ускоряет вывод моделей (анализ PR от ggerganov)
Разбираем pull request ggerganov в llama.cpp: как n-gram мод ускоряет генерацию текста. Объяснение работы, настройка и сравнение с другими оптимизациями.
Как на самом деле работают чат-боты: разоблачение мифа о диалоге и почему каждый запрос — это новая генерация
Техническое объяснение работы нейросетей: почему каждый запрос к чат-боту — это новая генерация, а не продолжение диалога. Архитектура LLM, перегенерация контек