Используем HTTP API Gemini 2.0 бесплатно

https://habr.com/ru/articles/876566/

Основы компьютерного зрения

https://yashshahh.notion.site/CV-Basics-1-163464be31028096bad4ffa3aca9851e

Beyond Jupyter — это сборник материалов для самостоятельного изучения проектирования программного обеспечения, в котором особое внимание уделяется приложениям машинного обучения. Он демонстрирует, как грамотное проектирование программного обеспечения может ускорить как разработку, так и эксперименты. https://transferlab.ai/trainings/beyond-jupyter

Как использовать DeepSeek R1 бесплатно в Visual Studio Code с Cline или Roo Code

https://dev.to/dwtoledo/how-to-use-deepseek-r1-for-free-in-visual-studio-code-with-cline-or-roo-code-3an9

Масштабирование во время тестирования — это многообещающий новый подход к языковому моделированию, который использует дополнительные вычисления во время тестирования для повышения производительности. Недавно модель OpenAI o1 продемонстрировала эту возможность, но не поделилась своей методологией публично, что привело к многочисленным попыткам репликации. Мы ищем самый простой подход для достижения масштабирования во время тестирования и высокой производительности рассуждений.

https://github.com/simplescaling/s1

Kimi k1.5: Масштабирование обучения с подкреплением с LLM

https://github.com/MoonshotAI/Kimi-k1.5

DeepSeek-R1 для чайников

https://habr.com/ru/companies/airi/articles/879178/

Все, что вам нужно знать для создания собственного приложения RAG

https://github.com/bRAGAI/bRAG-langchain

Ваша машина, ваш искусственный интеллект — наилучший локальный пакет производительности с Ollama

https://blog.det.life/your-machine-your-ai-the-ultimate-local-productivity-stack-with-ollama-7a118f271479

Vision Search Assistant: Расширьте возможности моделей Vision-Language в качестве мультимодальных поисковых систем

https://cnzzx.github.io/VSA

Изучите пять шаблонов проектирования агентского ИИ, которые повышают эффективность агентов ИИ

https://blog.dailydoseofds.com/p/5-agentic-ai-design-patterns

Агентские и RAG-системы обычно испытывают трудности с обновлением знаний в режиме реального времени и быстрым поиском данных.

Сегодня давайте обсудим недавнюю статью Zep , в которой представлена ​​интересная архитектура графа знаний с учетом времени, призванная решить эту проблему. https://blog.dailydoseofds.com/p/build-human-like-memory-for-your

Обнаружение аномалий в машинном обучении с использованием Python

https://blog.jetbrains.com/pycharm/2025/01/anomaly-detection-in-machine-learning

20 важных статистических подходов, которые знает каждый специалист по данным🐱‍🚀

https://medium.com/@sarowar.saurav10/20-advanced-statistical-approaches-every-data-scientist-should-know-ccc70ae4df28

Какой лучший PDF Extractor для RAG? Я пробовал LlamaParse, Unstructured и Vectorize

https://levelup.gitconnected.com/whats-the-best-pdf-extractor-for-rag-i-tried-llamaparse-unstructured-and-vectorize-4abbd57b06e0

Новые тенденции в создании продуктов GenAI

По мере того, как мы перемещаем программные продукты, использующие технологию генеративного ИИ, из проверки концепций в производственные системы, мы обнаруживаем ряд общих шаблонов. Оценки играют центральную роль в обеспечении того, чтобы эти недетерминированные системы работали в разумных границах. Большие языковые модели нуждаются в улучшении, чтобы предоставлять информацию за пределами общего и статического обучающего набора. В большинстве случаев мы можем сделать это с помощью Retrieval Augmented Generation (RAG), хотя базовый подход RAG требует нескольких шаблонов для преодоления своих ограничений. Когда RAG недостаточно, становится полезной тонкая настройка.

https://martinfowler.com/articles/gen-ai-patterns

olmOCR: разблокировка триллионов токенов в PDF-файлах с помощью моделей Vision Language

https://github.com/allenai/olmocr

Понимание внимания в LLM
Существует множество отличных статей и руководств по ИИ, которые объясняют модель внимания в больших языковых моделях. Но эта по сути простая модель часто затемняется деталями реализации и оптимизациями. В этом посте я постараюсь перейти к сути.

https://bartoszmilewski.com/2025/03/06/understanding-attention-in-llms

AMD побеждает в открытом исходном коде, GNOME завершает поддержку Wayland Новости Linux и Open Source

https://www.youtube.com/watch?v=3d65Mnr8onE

Создайте своего помощника с искусственным интеллектом Second Brain
Использование агентов, систем RAG, LLMOps и LLM

https://decodingml.substack.com/p/build-your-second-brain-ai-assistant