Тематическая лента
Подборка материалов
Публикации, объединённые общей практической задачей.
5511
материалов
01
Cache-aware prefill–decode disaggregation: как ускорить обработку длинного контекста в LLM на 40%
Новая методика оптимизации инференса LLM с длинным контекстом: 40% QPS, снижение TTFT, принцип разделения нагрузки
02
Как собрать бюджетную систему для локальных AI-агентов: 2x AMD R9700, 64GB VRAM и Clojure-разработка
Как собрать систему с 2x AMD R9700, 64GB VRAM для локальных AI-агентов и разработки на Clojure. Пошаговый гайд по железу и софту на 2026 год.
03
Когда JTAG становится красной чертой: как GLM-5 думает о взломе и говорит "нет"
Полный разбор работы guardrails в GLM-5 на примере запроса о JTAG. Как модель анализирует намерения, использует reasoning traces и принимает решение о блокировк
04
GLM-5 захватывает трон: как июньский CLI проиграл китайской модели
Сравнительный анализ GLM-5, Minimax M2.5 и GPT-5.3-Codex с агентами Droid и CLI. Какая связка модель+агент сейчас лучшая для разработки.
05
GLM-5 против Claude и Codex: кейс по обратной инженерии USB-протокола и автоматическому исправлению кода
Практический бенчмарк AI-моделей для реверс-инжиниринга USB. Сравнение GLM-5, Claude Sonnet и GPT-5.2 Codex в анализе трафика tshark и автоматическом исправлени
06
AI-автосекретарь на своём сервере: как собрать систему с субсекундной задержкой и не сойти с ума от выбора моделей
Пошаговый гайд по сборке автономного AI-автосекретаря на локальном железе. Сравнение Llama 3.3 70B vs Qwen2.5 72B, выбор STT/TTS стека, деплой с vLLM, оптимизац
07
Реальные кейсы использования локальных моделей 30-100B: war stories по кодингу на Go, Python и агентским задачам
War stories использования локальных LLM 30-100B для кодинга на Go (Libp2p, BubbleTea), Python-скриптов на Raspberry Pi и агентских задач. Актуально на 2026.
08
GLM 5 против GPT-5.2: почему китайская модель оказалась умнее в бытовом вопросе
Анализ реального кейса: GLM 5 правильно ответил на бытовой вопрос, где GPT-5.2 провалился. Разбираем, почему здравый смысл важнее параметров.
09
Swann против уведомлений: как Amazon Bedrock превращает миллионы IoT-оповещений в осмысленные сигналы
Архитектурный кейс Swann: как обрабатывать миллионы IoT-оповещений с помощью Claude 4.5 и Amazon Bedrock, снижая усталость от уведомлений на 87%.
10
Когда Bedrock говорит «нет»: как не сломать продакшн при ошибках 429 и 503
Практическое руководство по обработке ThrottlingException и ServiceUnavailableException в Amazon Bedrock на Python с boto3. Стратегии ретраев, экспоненциальные
11
Как создать AI-агент для обнаружения и обработки аномалий во временных рядах: пошаговый гайд
Полное руководство по созданию AI-агента для автоматического обнаружения и обработки аномалий в данных временных рядов. Комбинация статистических методов, ML и
12
Три агента вместо одного: как я перестал тушить продакшен по ночам
Настройте автономный конвейер из трех специализированных ИИ-агентов: разработчик, ревьюер, деплойер. Архитектура, промпты, интеграции. Решение реальной проблемы