Тематическая лента
Подборка материалов
Публикации, объединённые общей практической задачей.
4365
материалов
01
Qwen3.8 27B на 12GB VRAM: реальные тесты Q2 и Q3 против Qwen3.6 35B-A3B MoE
Реальные тесты Qwen3.8 27B в Q2 и Q3 против Qwen3.6 35B-A3B MoE на RTX 5070 Ti 12GB. Конкретные цифры скорости, примеры ошибок и рекомендации для владельцев вид
02
Оптимизация инференса Qwen3.8-27B на RTX 3090: разбор рекордных 82 tps и 672 tps peak
Как достичь 82 токенов/с на RTX 3090 с Qwen3.8-27B: W4A16, fp8 KV-кэш, int8 для lm_head и embed_tokens. Сравнение с ninfer, потери качества, инструкции по внедр
03
Социальный рейтинг и ИИ: как алгоритмы оценивают наше поведение в 2026 году
Как алгоритмы ИИ оценивают поведение пользователей в 2026 году: технический разбор систем скоринга, реальные кейсы Wildberries и китайского социального кредита,
04
Qwen 3.8 27B: Наблюдения за «мышлением» модели при решении реальных задач отладки кода
Кейс: Qwen 3.8 27B при отладке кода сначала рассуждает логически, затем сама предлагает эмпирическую проверку. Разбираем технические причины, ограничения и прак
05
Оптимизация запуска Qwen 3.8 27B в 24 ГБ VRAM: детальный разбор конфигурации llama.cpp для максимального контекста
Запускаем Qwen 3.8 27B на RTX 4090 с 24 ГБ VRAM: контекст до 194 048 токенов без MTP или скорость 65-80 токенов/с с MTP. Готовые команды llama.cpp, разбор batch
06
Qwen 3.8 27B против GPT-5.6 Sol high: практический тест генерации сложных SVG-анимаций
Qwen 3.8 27B в 4-битной квантизации обошёл GPT-5.6 Sol high в трёх задачах генерации сложных SVG-анимаций. Разбор методологии, ошибки Sol, сильные стороны Qwen
07
Практические кейсы внедрения SOFROS AI/ML: как сокращение дублей на 95% трансформирует управление НСИ
Реальные кейсы внедрения SOFROS AI/ML: гибридные модели и семантический поиск сокращают дубли в НСИ до 95%, ускоряют закупки и повышают качество справочников. И
08
RAG-системы: как измерить качество и избежать галлюцинаций в 2026 году
Практическое руководство по созданию надёжных RAG-систем: метрики качества, тестовый набор, борьба с галлюцинациями и реальный кейс на PostgreSQL и pgvector.
09
Loop Engineering: как спроектировать самоуправляемый цикл для кодинг-агентов и не разориться
Loop Engineering: как спроектировать самоуправляемый цикл для кодинг-агентов, настроить надёжные оракулы и жёсткие стоп-лимиты. Разбор реализации в Claude Code
10
Китайские LLM на практике: результаты тестирования флагманов и критерии выбора
Прогнали Kimi K3, GLM-5.2, DeepSeek V4 Pro и Qwen 3.8 Max через 12 практических задач. Разбираем стабильность, тарификацию и даём чёткие рекомендации по выбору
11
Qwen3.8-27B: реальная скорость инференса на практике — сколько токенов в секунду выдают конфигурации разных пользователей?
Реальные цифры скорости генерации Qwen3.8-27B: тесты на RTX 3090 с 64 ГБ DDR4 и AMD 7950x, настройка llama.cpp, сравнение квантований, оптимизация для продакшен
12
От кодера к архитектору: как ИИ-агенты и платформенные решения меняют роль разработчика в 2026 году
ИИ-агенты с доступом к файлам и тестам меняют роль разработчика: рутина уходит, фокус на архитектуру. Разбираем три кейса с митапа MWS, новые компетенции и плат