Перейти к содержанию
Ctrl K
Telegram MAX
Тематическая лента

Подборка материалов

Публикации, объединённые общей практической задачей.

5444 материалов
01 Как оценивать LLM на уязвимость к фальшивым источникам во время агентного поиска Высокая точность LLM не гарантирует устойчивость к фальшивым источникам в агентном поиске. Разбираем логику EchoNet, различия между одиночной ложью, копипаст-эх 16 мин чтения 02 GLM-5.3-Flash: почему TensorSharp сравнялся с llama.cpp на prefill и вдвое обогнал его на decode Сравнение GLM-5.3-Flash в GGUF: TensorSharp и llama.cpp идут вровень на prefill, но на decode TensorSharp примерно вдвое быстрее за счёт CUDA capture и повторно 11 мин чтения 03 Почему open-weight AI-компании стали главной целью для крупных сделок в 2026 году Почему Nvidia, Stripe и другие крупные игроки интересуются open-weight AI-компаниями? Разбираем экономику открытых весов, роль хостинга, маршрутизации AI запрос 11 мин чтения 04 Как автоматические AI-исследователи улучшают alignment-модели без постоянного участия человека Anthropic запустила девять Automated Alignment Researchers на базе Claude Opus 4.6, чтобы автоматизировать поиск и проверку методов alignment. Разбираем устройс 11 мин чтения 05 Breeze-TTS-2: что известно о новой TTS-модели и как попробовать её локально Breeze-TTS-2 позиционируется как перспективная TTS-модель для playground и локального запуска, но ее характеристики и требование около 7 ГБ требуют проверки. Ра 11 мин чтения 06 Арабские AI-бенчмарки: что показывают Arabic IFEval и обновлённый AraGen Arabic-Leaderboards объединил обновлённый AraGen-03-25 и первый публичный Arabic IFEval для оценки арабских LLM. Разбираем результаты o1, GPT-4o и Claude, разни 8 мин чтения 07 Почему Gradio стал стандартом UI для AI: 5 уроков роста до миллиона пользователей По данным проекта на момент публикации, Gradio преодолел отметку в 1 миллион ежемесячных разработчиков. Разбираем пять решений, которые к этому привели, критери 10 мин чтения 08 Llama 4 Scout и Maverick: архитектура MoE, контекст до 10M токенов и запуск через Hugging Face Разбираем Llama 4 Scout и Maverick: сравниваем MoE-архитектуру, 17B активных параметров, контекст до 10M токенов и мультимодальные возможности. В статье есть пр 12 мин чтения 09 Как справедливая очередь и приоритеты улучшают скорость ответов LLM Разбираем, почему FIFO-очередь в vLLM и TGI задерживает интерактивные запросы, как настроить fair scheduling через отдельные очереди и round-robin, а также заче 11 мин чтения 10 Xet на Hugging Face Hub: как работает новая система хранения моделей и датасетов Разбираем Xet на Hugging Face Hub: как чанки около 64 КБ заменяют файловую дедупликацию Git LFS, почему добавление 1 МБ в 5 ГБ SQLite-базу может занимать 0,1 се 9 мин чтения 11 Обновлённая аналитика в Hugging Face Inference Endpoints: что изменилось и как использовать Hugging Face обновила аналитику Inference Endpoints: метрики задержки, времени ответа и ошибок теперь доступны практически в реальном времени. Разбираем временн 6 мин чтения 12 Как запустить LLM на смартфоне: React Native, llama.rn и GGUF-модели в 2026 году Практическое руководство по запуску локальной LLM на Android и iOS через React Native, llama.rn и GGUF. Разберите выбор Q4, K и I-квантизаций, загрузку моделей, 12 мин чтения