Тематическая лента
Подборка материалов
Публикации, объединённые общей практической задачей.
2253
материалов
01
dSpark, dFlash, MTP, QAT: спасут ли новые технологии диск от spillover?
Как технологии dSpark, dFlash, MTP и QAT решают проблему падения скорости при offload моделей на диск. Обзор методов и бенчмарки на июль 2026.
02
AI-инженерия 2026: ключевые тренды с конференции AI Engineer World's Fair — харнесс, эвалы и песочницы
Глубокий разбор 560 сессий конференции AI Engineer World's Fair 2026: харнессы, эвалы, песочницы и смещение фокуса с моделей на инфраструктуру.
03
Обзор AI-браузеров 2026: Comet от Perplexity и другие альтернативы Chrome и Safari
Разбираем главные AI-браузеры 2026 года: Comet от Perplexity, Arc, SigmaOS, Opera Aria и Brave Leo. Стоит ли менять Chrome на агентный браузер?
04
MXFP4 в DeepSeek-V4-Flash: путаница форматов и что это значит для пользователей
Разбираем несоответствие заявленного формата MXFP4 на странице bartowski и реального состояния тензоров в DeepSeek-V4-Flash. Без паники, но с пониманием.
05
ELDR — новый метод декодирования для MoE: как локальность экспертов меняет правила игры
Разбираемся, как Expert Locality-aware Decoding Routing (ELDR) ускоряет инференс MoE-моделей, снижает latency и повышает эффективность. Без кода, но с идеями.
06
Кожевенная мастерская в квартире: как ИИ помогает проектировать аксессуары дома
Как использовать ИИ для проектирования кожаных аксессуаров дома: эскизы, промпты, лекала, фурнитура, инструменты и организация мастерской в квартире.
07
GLM5.2 на 5x Pro 6000s и 5090: тест производительности, квантование и стоимость запуска
Тест GLM5.2 (744B) на пяти AMD Radeon Pro 6000 и одиночной RTX 5090: скорость токенов, качество квантования, стоимость электричества и железа. Реальные цифры дл
08
Фиктивная AI-трансформация: почему 90% корпоративных внедрений — пустая трата денег
Почему 90% корпоративных AI-проектов в 2026 году — пустая трата денег? Анализ хайпа, метрик adoption и реальных результатов.
09
AI-агенты в SDLC: гонка вооружений, которую разработчики проигрывают
Инсайты CTO: почему AI-агенты не ускорили SDLC, а создали новое узкое место. Разбор парадокса автоматизации, кейс AWS и дисциплина Agent Engineering.
10
Как обойти региональные ограничения Claude Code с локальными моделями: механизм ANTHROPIC_BASE_URL
Переменная окружения ANTHROPIC_BASE_URL позволяет перенаправить Claude Code на локальные модели и обойти региональные ограничения. Риски и практика.
11
Почему AI-агенты не оправдали ожиданий Meta: анализ слов Цукерберга и последствия для индустрии
Марк Цукерберг признал медленный прогресс AI-агентов. Разбираем причины провала Meta: сокращения, технические ограничения, упущенная сделка с Manus. Как это мен
12
Самовоспроизводящийся AI-червь: почему ваша локальная модель может стать заразной
Ученые создали AI-червя, реплицирующегося через локальные open-source LLM. Как это работает и почему ваша модель под угрозой — разбор инцидента безопасности 202