Тематическая лента
Подборка материалов
Публикации, объединённые общей практической задачей.
5477
материалов
01
Выбор AMD EPYC для инференса LLM: 9374F vs 9135 — что скрывают цифры CCD?
Сравнение EPYC 9374F и 9135 в llama.cpp. Как количество CCD и потоков влияет на скорость инференса LLM. Оптимальная конфигурация для CPU-инференса.
02
Как избежать LLM-говнокода: архитектурные практики и deptrac для Symfony-проектов
LLM генерирует удобный код, но нарушает слои. Узнайте, как deptrac и контракты держат архитектуру в рамках. Пошаговый гайд для Symfony + CI.
03
MCP-сервер для Яндекс.Метрики: OAuth без секрета и боевой хук с LLM
Пошаговый гайд по созданию MCP-сервера для Яндекс.Метрики с Device OAuth (без клиентского секрета). Интеграция с LLM-агентами, код и нюансы.
04
10 вопросов, которые нужно решить до запуска LLM-проекта: чек-лист для CTO и продакт-менеджеров
Как не провалить LLM-проект: 10 ключевых вопросов для CTO и продакт-менеджеров. Метрики, бюджет, галлюцинации, выбор модели — полный чек-лист с примерами.
05
Ходьба робота через RL: от падений до рекорда за 48 часов на одной видеокарте. Рецепт с GitHub, GPU и инцидент с ножницами
Научите двуногого робота ходить за 48 часов с помощью RL и GPU. Реальный код из GitHub, кейсы Boston Dynamics, Unitree, и инцидент с ножницами. Полный гайд для
06
Голосовой ассистент без GPU: Qwen3-ASR + Kokoro-TTS на CPU с ONNX
Полный гайд по запуску голосового ассистента без видеокарты: Qwen3-ASR (ONNX) и Kokoro-TTS (82M) на CPU. Бенчмарки, код, частые ошибки.
07
Профилирование Attention в PyTorch: от наивной реализации до SDPA и кастомных ядер
Глубокое руководство по профилированию механизма внимания в PyTorch. Сравнение наивной реализации, SDPA, Flash Attention 3 и кастомных ядер на Triton. Практичес
08
Локальный RAG для API CAD Smart3D: как автоматизировать проектирование без дорогих разработчиков
Пошаговый гайд по созданию локального RAG-ассистента для COM API Smart3D. Как инженеру с нуля генерировать скрипты автоматизации с помощью LLM, экономя бюджет и
09
Как заставить LLM генерировать строгий JSON: обзор методов констрейнта (constrained sampling)
Глубокий обзор грамматических констрейнтов, Outlines, Guidance, XGrammar и других методов гарантированного получения валидного JSON от LLM. Код, сравнение, ошиб
10
Как построить AI-агента для анализа вредоносов: связка песочницы, Ghidra и LLM
Пошаговый гайд по созданию AI-агента на базе GPT-5 для автоматического анализа вредоносного ПО. Используем VirtualBox, Ghidra 11.2 и ReAct паттерн. Реальная эко
11
Как квантование влияет на математику, код и логику: разбор по тестам GSM8K, HumanEval и ARC-Challenge
Сравнение квантований Q2-Q8 на задачах математики, кода и логики. Какие способности страдают сильнее всего? Реальные цифры и методология тестирования.
12
GLM-5.2 (744B MoE) на 25 ГБ ОЗУ: рекордное квантование, которое переписывает правила игры
Запустите GLM-5.2 (744B MoE) всего на 25 ГБ ОЗУ. Пошаговый гайд с квантованием IQ1_M и оффлоадом на SSD. Реальные тесты, скорость и качество.