Тематическая лента
Подборка материалов
Публикации, объединённые общей практической задачей.
5488
материалов
01
Создание AI research assistant с AWS Strands: туториал за 30 строк кода
Пошаговое руководство по созданию AI-агента-исследователя с AWS Strands и Kiro IDE. Минимум кода, максимум пользы. Реальный пример за 30 строк Python.
02
Как приручить недетерминизм LLM-агентов с помощью Event Sourcing: практическое руководство
Практическое руководство по приручению недетерминизма в AI-агентах с помощью Event Sourcing. Шаги, код, нюансы и ссылки на актуальные исследования.
03
Как собрать локальный второй мозг на Codex, Markdown и Obsidian: от GTD к AI-агенту
Как собрать AI-агента на Codex и Obsidian для GTD. Пошаговая настройка с примерами, ошибками и советами. Актуально на 2026 год.
04
Как запустить локальную речевую систему на Reachy Mini: пошаговое руководство с Gemma 4 и llama.cpp
Полный гайд по созданию офлайн-речевой системы на Reachy Mini: VAD, STT, Gemma 4 через llama.cpp, TTS. Команды, квантование, оптимизация. Работает без облаков.
05
Сколько стоит владеть локальным LLM-сервером за $6400? Сравнение с API и полный финансовый анализ
Детальный финансовый анализ локального LLM-сервера за $6400: CAPEX, OPEX, амортизация, стоимость электроэнергии. Сравнение с GPT-4.5, Claude 4 и Gemini 2.5. Ког
06
Как я обучил LLM для азербайджанского языка на SageMaker и сэкономил 58% памяти: гайд с Liger Kernels
Пошаговое руководство по обучению LLM для низкоресурсного азербайджанского языка: кастомный токенизатор, Liger Kernels на ml.p5.48xlarge, результаты: +23% throu
07
Mixture of Experts в Transformers: полное руководство по внедрению и оптимизации
Полный гайд по Mixture of Experts: как работает MoE, код на Hugging Face, балансировка нагрузки, инференс и дообучение. Практические советы инженера.
08
Сравнение характеристик GPU для локального LLM: почему пропускная способность — не всё (реалити-чек)
Разбираем мифы о выборе GPU для локальных LLM. Почему пропускная способность памяти — не единственный критерий, и как не попасться на маркетинговые уловки. Реал
09
М1 Max 64GB: какой движок инференции реально быстрее в 2026? Бенчмарк MLX, llama.cpp и RunAnywhere.ai
Сравнение производительности MLX, llama.cpp, RunAnywhere.ai и vLLM-MLX на M1 Max 64GB. Результаты тестов с MLX-Chronos, анализ скорости, контекста и квантования
10
Почему стоит хостить не только инференс, но и тулинг вокруг локальных LLM: гайд по полной инфраструктуре
Гайд по построению полноценной инфраструктуры для локальных LLM: мониторинг, оркестрация, управление версиями, CI/CD. Почему одного инференса мало и как не прог
11
Запуск Qwen 3.6 35B MoE на Mac M1 Max: локальный AI-помощник для кода с Zoo Code
Пошаговый гайд по установке Qwen 3.6 35B MoE на Mac M1 Max через Zoo Code. Настройка локального AI-ассистента для кода без облачных затрат.
12
Бюджетный ИИ-сервер своими руками: сборка на 2× Tesla V100 32GB за 200 000 ₽ (бенчмарки 108 моделей)
Пошаговое руководство по сборке дешевого локального сервера на двух Tesla V100 32GB. Цены, комплектуха, грабли, сравнение с облаком и реальные тесты 108 LLM.