Железный голод: почему ИИ съедает GPU и память
Потихоньку приближается 2026 год, который принесет много интересных событий в сфере ИИ (по крайней мере, так думаю я). Но и за 2025-й мы получили огромное количество отличных моделей в свое распоряжение. С одной стороны, здорово, что теперь можно легко создать текст, программу, изображение, видео и звук. С другой же стороны, такой стремительный прогресс в области искусственного интеллекта существенно повлиял и на аппаратное обеспечение - особенно на видеокарты и память.
Открываем в один клик ИИ, которому не нужно объяснять, что у тебя на экране
Advisor - это Windows-приложение, которое позволяет одним нажатием Win+C сделать скриншот текущего экрана и задать ИИ вопрос
От голосовых к тексту: делаем Telegram-бота для расшифровки аудио на модели от СБЕР — GigaAM-v3
Привет, Хабр! Недавно Сбер выкатил новые модели распознавания речи (speech-to-text, STT), и мне захотелось проверить их не в абстрактном демо, а в реальном сценарии. В этой статье я расскажу о практическом кейсе – разработке Telegram-бота, который преобразует голосовые сообщения в текст. Посмотрим, на что способна новая отечественная модель GigaAM-v3, и соберём на её основе расширяемого Telegram-бота.
Топовая китайская модель MiniMax M2.1 уже доступна бесплатно в Koda для VS Code и CLI
Команда MiniMax представила обновление своей модели — MiniMax M2.1, сделав основной упор на производительность в реальных сложных задачах, с которыми ежедневно сталкиваются разработчики и команды.Если в M2 ключевой фокус был на стоимости и доступности модели, то в M2.1 разработчики целенаправленно прокачали практическую применимость: мульти-язычное программирование, агентные сценарии и офисные workflow.Модель демонстрирует лидирующие результаты в:Rust, Java, Go, C++Kotlin, Objective-C
Понимание работы сознания невозможно без нового типа вычислений
Речь идет о концепции «биологического вычислительного подхода». Согласно с ней, нейронные вычисления неотделимы от физической, гибридной и энергетически ограниченной динамики мозга. И свести все это к абстрактному алгоритму, работающему на аппаратном обеспечении, технически невозможно. В этой концепции дискретные нейронные события и непрерывные физические процессы образуют единую систему, которую нельзя свести лишь к символической обработке информации.
Как построить идеальную «песочницу» для ML-моделей
Привет, Хабр! Я Даниил Салман, техлид по контейнеризации. Эта статья написана по мотивам моего доклада для конференции DevOops. Разберёмся, как сделать такую ML-«песочницу», где Data Scientist пишет код, а всё остальное (установка драйверов, выделение ресурсов, деплой и тренировка модели, сбор метрик) уже настроено на бэкенде. Написали максимально просто и доступно, чтобы понять смог даже человек с минимальным погружением в тему. Идеи из этой статьи можно применять в любой инфраструктуре — важно лишь понимать основы: как работает k8s-кластер, Docker и python-фреймворки. Итак, поехали!
