Тематическая лента
Подборка материалов
Публикации, объединённые общей практической задачей.
5444
материалов
01
IBM watsonx.ai: открытая платформа для корпоративного AI на базе Hugging Face — что это значит для разработчиков в 2026 году
IBM watsonx.ai объединяет Hugging Face и Red Hat OpenShift в enterprise-платформе для обучения и развертывания AI. Узнайте, как открытые библиотеки ускоряют пер
02
SmoothQuant: квантование LLM для запуска чат-моделей на CPU Xeon
SmoothQuant решает проблему выбросов в активациях и позволяет запускать LLM на CPU Xeon. Практический пример с Q8-Chat на Intel Sapphire Rapids, двукратное умен
03
Запуск Vicuna-13B на одном AMD GPU с ROCm: практическое руководство по квантованию и инференсу
Запустите Vicuna-13B на одной AMD Radeon RX 6900 XT: GPTQ-квантование снижает VRAM с 28 ГБ до 7,52 ГБ без потери качества. Пошаговый гайд по ROCm, Docker, FastC
04
Создание собственного AI-ассистента для кода на базе StarCoder: пошаговое руководство
Пошаговое руководство по созданию персонального coding-ассистента на базе StarCoder: методы промптинга, формат ChatML, fine-tuning с DeepSpeed ZeRO-3, примеры г
05
Hugging Face в программе CNIL: как экосистема открытых моделей адаптируется к GDPR
Hugging Face в программе CNIL: какие практики защиты данных из BigScience и BigCode становятся стандартом GDPR-комплаенса и что перенять русскоязычным ML-инжене
06
Assisted Generation: как ускорить генерацию текста до 10 раз без потери качества
Как ускорить генерацию текста LLM до 10 раз без потери качества: разбираем assisted generation из Hugging Face Transformers. Принцип работы, примеры кода, реаль
07
RWKV: Гибридная архитектура, объединяющая преимущества RNN и Transformer для эффективной обработки длинных контекстов
RWKV объединяет линейную сложность RNN и качество Transformer. Разбираем архитектуру, версии от 169M до 14B, интеграцию через Transformers и выигрыш в памяти на
08
От плана до результата: почему большие тексты лучше генерировать с ИИ поэтапно
Как создавать большие тексты с нейросетью поэтапно: сформировать план, генерировать отдельные разделы, сохранять контекст, проверять факты и редактировать резул
09
Text-to-Video модели в 2026: эволюция, вызовы и практическое применение
Разбираем text-to-video генерацию в 2026: эволюция от GAN и VAE к диффузионным моделям, ключевые вызовы, сравнение ModelScope, Text2Video-Zero и Video LDM, прак
10
StarCoder: открытая модель для кода, которая бросает вызов закрытым аналогам
StarCoder: открытая LLM для кода с 15B параметров, обученная на 80+ языках. Бенчмарки против LLaMA, CodeGen и code-cushman-001, техника промптинга для 40.8% на
11
Запуск IF на бесплатном Google Colab: полное руководство
Запустите DeepFloyd IF на бесплатном Google Colab: 8-битное квантование T5, модульная загрузка компонентов и все три этапа генерации до 1024x1024. Готовый код д
12
Как тренировать языковые модели на TPU с помощью TensorFlow: полный гайд по масштабированию
Пошаговый гайд по тренировке RoBERTa на TPU с TensorFlow и Transformers: подготовка данных в TFRecord, загрузка в GCS, настройка TPUStrategy и запуск обучения с