ai.
Тест Qwen3.5 9b, Gemma 4 12b и Bonsai 27b на легенде пенсионного возраста GTX 1080 ti
Все началось вообще не с идеи написать очередной бенчмарк. Мне нужно было собрать локальный пайплайн для длинных подкастов: получить транскрипт, найти в нем интересные куски, выбрать несколько сильных фрагментов и уже из них делать короткие вертикальные ролики.Облачные модели с этой задачей справляются, но постоянно гонять туда длинные расшифровки не очень хотелось. Плюс было интересно понять, насколько далеко сейчас можно уехать на железе.Под рукой была GTX 1080 Ti на 11 ГБ. Карта 2017 года, архитектура Pascal, никаких Tensor Cores.
Серьёзные проблемы разработки с помощью AI, о которых никто не говорит
Вчера я наткнулся на Хабре на прекрасную статью "Помешательство вокруг ИИ парализовало принятие решений"
Grok Imagine Image 2.0 — ставка на редактирование, а не на генерацию
xAI выпустила Imagine Image 2.0 — обновление своего генератора изображений, которое позиционируется не как «ещё одна красивая генерация», а как инструмент для реальной итеративной работы с картинками.Ниже — что реально изменилось, где модель стоит в бенчмарках и имеет ли смысл смотреть в её сторону, если вы уже сидите на Nano Banano / GPT-Image.Коротко: в чём суть релизаПредыдущие image-модели Grok в основном конкурировали на поле «нарисуй по промпту». Image 2.0 явно заточен под другой сценарий:Первая генерация почти никогда не финальная — нужна точечная правка, а не перегенерация всего кадра.
Как устроен нейропрофиль пользователя в рекомендациях VK
Привет! Меня зовут Михаил Трапезников, я руководитель группы рекомендательных технологий в AI VK.
Приручить цифровых чертей: как я собрал тренажёр по софт-скиллам на LLM
Рандом жульничал, ведущий жалел игрока, а сцены скучали — рассказываю, как строил MVP и почему теперь прошу вас его сломать.
Где нейросети уже могут забрать часть работы руководителя IT‑проекта
Паспорт проекта, RACI, декомпозиция работ, планы коммуникаций, обработка требований — значительная часть работы руководителя IT‑проекта связана со сбором и структурированием информации. Нейросети уже могут ускорить эти задачи. Вопрос скорее в том, что именно им можно делегировать и как проверять результат.
Масштабирование LLM: от одного чипа до ЦОДа. Глава 4. Тренировка трансформера
Предыдущая главаНаконец-то мы добрались непосредственно до того, как тренировать трансформер, и не просто тренировать, а делать это эффективно и масштабируемо.
Из софтварного инженера в AI рисерч или история 413 «нет»
Воронеж, аутсорс и стартапы, веб, конференции. Лондон, Meta, инфра, опен-сорс. Москва, Сколтех, вторая магистратура, первые публикации. Обратно в Лондон, Mistral AI и Revolut, индустриальный AI рисерч, постоянное чувство собственной тупости и предвкушение кучи приключений впереди. Впрочем, обо всем по порядку.
