Перейти к содержанию
Ctrl K
Telegram MAX
Тематическая лента

Подборка материалов

Публикации, объединённые общей практической задачей.

4377 материалов
01 Четыре кита Context Engineering: почему RAG галлюцинирует, даже если промпт идеален Разбираем четыре этапа пайплайна RAG, где рождаются галлюцинации: парсинг, обработка запроса, поиск и генерация. Практические кейсы на документах Всемирного бан 10 мин чтения 02 Путеводитель по локальным AI-моделям: TTS, STT, аудио и vision для офлайн-среды Исчерпывающий обзор малых AI-моделей для синтеза речи, распознавания, аудиоаналитики и компьютерного зрения, которые работают полностью офлайн. Практические при 7 мин чтения 03 20B Looping Model: 10-кратная эффективность обучения LLM и путь к демократизации 20B Looping Model обучается в 10 раз эффективнее Qwen3 Coder 30B, используя 3.5 трлн токенов вместо 35 трлн. Стоимость обучения падает с миллионов до сотен тыся 6 мин чтения 04 Gemini 3.5 Pro не вышел: почему Google откладывает флагмана и что это значит для рынка AI Google DeepMind анонсировала Gemini 3.6 Flash, 3.5 Flash-Lite и Flash Cyber, но флагманский Gemini 3.5 Pro так и не появился. Разбираем причины задержки, сравни 7 мин чтения 05 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 06 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 07 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 08 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 09 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 10 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 11 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 12 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