Hirify Feed — your shortcut to what’s next

3 мес

🧪 Метод и эксперименты В данной работе фокусируются на 2-битном weight-only-сжатии ризонящих моделей. В аппендиксе есть эксперименты с FP4, со сжатием активаций и KV-кэшей. Квантизуют модели Qwen3-8B / Qwen3-32B через GPTQ. Оказывается, что квантизация сильно меняет поведение трейсов ризонинга: 🔄 Число циклов резко возрастает, особенно для меньшей модели. 📏 Многие трейсы не вписываются в заданный лимит токенов. ⚠️ Блок <think> часто оказывается незакрытым. 💡 При этом сам ответ появляется в среднем чуть ли не раньше в трейсе, но модель его не выводит. 📈 Длина ризонинга сильно увеличивается. Из этого следует, что, кроме просадки качества, мы ещё теряем в эффективности из-за того, что генерируем больше токенов. Как и в прошлой статье, замечают, что длина ризонинга у квантизованных моделей обратно коррелирует с качеством. Причина как раз в этих зацикливаниях. При этом результат сильно зависит от выбора задачи: на ризонинг-бенчмарках типа AIME / GPQA-Diamond эффект сильно заметен. На простых задачах — ARC-C, ARC-E, PIQA, WinoGrande — просадка и в 2 битах очень умеренная. Вообще, я думал, что эти бенчмарки likelihood-based и гоняются с выключенным <think>. Вводят четыре режима деградации качества: 🟢 Стабильный. Без заметной просадки. 🟡 Заметная, но умеренная просадка. Трейсы ещё не ломаются, но есть нарушения в плане фактологии и commonsense. 🟠 Значительная деградация. Генерация часто не завершается. 🔴 Полный коллапс. В первую категорию попадает Qwen3-32B на простых задачах. По мере усложнения задач и уменьшения размера модели растёт степень деградации. Дабы как-то подлечить просадку, предлагают два решения: 📝 (+P) FP16-модель пишет план, а квантизованная исполняет. Это заметно поднимает качество и правит многие ошибки ризонинга, но точность всё ещё ощутимо ниже базовой модели. 🔁 (+L) Loop Rescue. Если модель зацикливается, но выдаёт ответ, выписываем промежуточный ответ. Если ответа нет, просим FP16-модель сгенерировать его с нуля. На простых задачах смысла в этом не так много, так как и просадки, и зацикливания нет. Но на сложных задачах и ризонинг укорачивается, и качество заметно улучшается. На простых задачах end-to-end speedup с учётом длины генерации находится в районе 2×, а на сложных — несколько процентов с просадкой порядка 20% в среднем. 📌 Выводы Занятная и интересная стратегия по выправлению ризонинга. Для production-grade-системы, понятное дело, просадки качества слишком велики, но и 2-битная квантизация без свистоплясок — это действительно тяжёлый случай. Интересно было бы дообучить квантизованную модель через какой-нибудь RL с penalty на циклы.

квантизация reasoning qwen3 gptq llm оптимизация

ИИ IT claude code ai разработка токены оптимизация программирование

Как экономить токены в Claude Code

Б@blognotAI-инженер

3 мес

Давно не писал в блог всякие статьи про Claude Code, но тут мне начали задавать вопросы "Как экономить токены?" и оказалось, что очень простые советы более чем актуальны. https://blognot.co/kak-eekonomit-tokeny-v-claude-code/

claude code ai разработка токены оптимизация программирование

ИИ wan 2.2 видеогенерация оптимизация fp4 lora нейросети

Оптимизация Wan 2.2 I2V: использование одного эксперта и FP4

Н@GreenNeuralRobotsAI-инженер

3 мес

Wan 2.2 I2V: One Expert, FP4, on a Single RTX 5090 Как вы помните, видеогенератор WAN 2.2 состоит из двух экспертов: low noise и high noise. Так вот, TheStage AI взяли low noise и дообучили ему лору на high noise. Получилось: 1 модель + лора Ну и сверху еще навалили ускорений: NVFP4 + FP4 attention На сайте два автора подписались - судя по фамилиям русские Первое видео - обычный low noise Второе - low noise с лорой HF ComfyUI #wan22 #optimization #nvfp4 #fp4 #lora

wan 2.2 видеогенерация оптимизация fp4 lora нейросети

ИИ ai nvidia генерация изображений нейросети оптимизация

Выход обновления PiD v1.5 для диффузных моделей

Н@GreenNeuralRobotsAI-инженер

3 мес

PiD v1.5 Новая версия плаг энд плей декодера для диффузных картинкогенераторов от Nvidia В версии PiD v1.5 появились следующие улучшения: • улучшена точность передачи цветов • устранены артефакты в углах изображений • повышено качество деталей аниме и лиц На этот раз прикручено к Qwen-Image, FLUX.2, Z-Image, FLUX.1, Qwen-Image 2512 #t2i #optimization #qwenimage #flux2 #flux #qi2512

ai nvidia генерация изображений нейросети оптимизация

ИИ IT cursor ии разработка агенты программирование оптимизация

Cursor оптимизировала работу агентов, снизив стоимость в 8 раз

N@v_neuroAI-инженер

3 мес

📱 Cursor удешевила рой агентов в 8 раз Несколько моделей вместе переписали SQLite с нуля по документации. Результат один и тот же, а цена то 1339 $, то 10565 $. Что цепляет: ✧ Старый рой - 70К конфликтов слияния, а новый - меньше 1К ✧ Дорогая модель нужна только для планирования, дешёвая тянет 90% работы ✧ Код выложили в открытый доступ на GitHub Экономия в чёткой постановке задачи для дешёвой модели. 🔗 Как рой сам чинит свои конфликты и почему скачет цена #cursor Читайте нас в MAX

cursor ии разработка агенты программирование оптимизация

IT разработка мобильные приложения веб оптимизация приватность

Избыточность мобильных приложений для простых задач

Х@habr_comмедиа / агрегатор

3 мес

124 мегабайта ради расписания, которое влезло бы на одну страницу Тебе присылают ссылку на поездку, а за ней приложение на 43 мегабайта, разрастающееся до 124 после подгрузки. Внутри текст, картинки и ссылки на PDF. Всё то, что спокойно уместилось бы на веб-странице, которую можно скопировать, распечатать, сохранить и открыть на чём угодно. Вместо этого оно шлёт данные твоего гугл-аккаунта разработчикам и подсовывает рекламу других туров под видом «источников вдохновения». Одного человека это довело до того, что он полез перехватывать трафик приложения. Внутри обнаружилось, что логин с паролем просто склеиваются в один адрес, а сервер в ответ отдаёт готовый HTML. Тот самый, ради которого пришлось ставить 124 мегабайта: https://u.habr.com/jwc0u

разработка мобильные приложения веб оптимизация приватность

Технологии IT macos apple погода оптимизация софт

Критика производительности нативного приложения Погода на macOS

К@ilyabirman_channelмедиа / агрегатор

3 мес

Снял вам кино, как запускается нативное приложеие погоды на Маке. Чисто чтобы увековечить это позорище. Не представляю, чтобы я такое дерьмо выпустил. А Эплу нормально.

macos apple погода оптимизация софт

релизИИ IT ai разработка claudexor cli автоматизация оптимизация

Разработчик опубликовал Claudexor — открытый инструмент для объединения Claude Code, Codex и Cursor

AI-редакция

2 источника · показать все· свернуть

AbstractDLРелиз Claudexor: мультиагентный CLI для управления подписками и харнессами Love. Death. Transformers.Релиз Claudexor: мультиагентный CLI для управления подписками и харнессами

собирается · 2обновлено 3 мес назад

Автор (публикуется одинаково в каналах AbstractDL и Love. Death. Transformers., 20 июля 2026) выложил в открытый доступ Claudexor — харнесс-агностикi CLI, приложение, набор плагинов и MCPi-сервер, который объединяет в одном инструменте Claude Code, Codex и Cursor. Можно подключать произвольное число харнессов и подписок, а система сама распределяет между ними нагрузку.

Главная идея — использовать все харнессы одновременно, а не переключаться между ними вручную, когда у одного из агентов заканчиваются лимиты. За счёт объединения нескольких подписок Claude Code, Codex и Cursor автор снизил свои расходы на токены с $15k до $1200 в месяц.

$15kпрежние расходы на токены в месяц

$1200новые расходы после объединения подписок

триподписки Claude Code, Codex и Cursor у автора

Полный разбор →

ai разработка claudexor cli автоматизация оптимизация

ИИ Железо ai инференс квантование fp4 gpu оптимизация

Использование FP4 квантования в продакшене

L@lovedeathtransformersAI-инженер

3 мес

Годный блогпостик про использование FP4 квантизации в проде от провайдера Spheron. В частности, оценивается стоимость инференса при аренде конкретной GPU с учетом максимально достижимого throughput при использовании данного типа данных, а также вопросы качества и доступности в инференсных фреймворках.

ai инференс квантование fp4 gpu оптимизация

IT алгоритмы программирование оптимизация computer science разработка

Алгоритм имитации отжига: теория и реализация

T@kryak_startupAI-инженер

3 мес

https://algorithmica.org/ru/annealing - оу, алгоритмы и структуры данных Кормен наконец пригодились

алгоритмы программирование оптимизация computer science разработка

IT т1 оптимизация сокращения ит-рынок бизнес

ИТ-холдинг Т1 планирует сократить расходы на 5,6 млрд рублей

v@vcnewsмедиа / агрегатор

3 мес

ИТ-холдинг Т1 запланировал провести «оптимизацию» на фоне снижения финансовых результатов, узнали «Ведомости». Компания собирается сократить расходы на «бэк-офис» на 5,6 млрд рублей. Часть функций сотрудников могут передать ИИ. Кого именно затронет «оптимизация», неясно. Речь может идти о подразделениях, не зарабатывающих напрямую — в ИТ-компаниях это обычно юристы, бухгалтерия, хозяйственные службы и администрация, отмечают эксперты vc.ru/money/3035739

т1 оптимизация сокращения ит-рынок бизнес

ИИ ии claude codex продуктивность адхд оптимизация

Скилл i-have-adhd для оптимизации ответов ИИ

️@neyroseti_drAI-инженер

3 мес

Привет, друзья! Превращаем агентов в удобных для людей с СДВГ: вышел скилл i-have-adhd для Claude Code и Codex, который убирает из ответов ИИ всю воду и заставляет писать строго по существу Со скиллом модель перестанет растекаться мыслью и уходить в сторону от вопроса. Списки будут содержать максимум пять пунктов, а в финале ответа — только один следующий шаг. Пригодится и тем, у кого СДВГ нет #claude Нейросети: Волшебство ИИ

ии claude codex продуктивность адхд оптимизация

Геймдев Железо rtx 5070 ryzen 5600x fps оптимизация железо

Проблемы с производительностью RTX 5070 в играх

G@GameDEVгеймдев

3 мес

Now I can honestly say: don't do it, folks! My RTX 5070 and Ryzen 5600x (paired with fast SSD and 32GB of good RAM) is NOT enough to play. How about 40-65 FPS with dips to about 21? And settings aren't fixing it at all.

rtx 5070 ryzen 5600x fps оптимизация железо

Геймдев IT linux dxvk игры оптимизация разработка

Вышел релиз DXVK 3.0.2

P@prohitecавтор про «tech»

3 мес

Вышла DXVK 3.0.2 с улучшениями для запуска Windows-игр на Linux В DXVK 3.0.2 улучшена производительность в ряде игр, включая Dying Light: The Beast, Overwatch, Halo CE и Splinter Cell: Chaos Theory. Также в релизе улучшены инструменты для отладки, которые теперь позволят получать расширенные логи при определенных ошибках в играх, чтобы проще и быстрее можно было вносить точечные исправления.

linux dxvk игры оптимизация разработка

Геймдев IT fable разработка геймдев юмор оптимизация

Fable и оптимизация ботлнеков

B@bogdanisssimoAI-инженер

3 мес

Бесконечно можно смотреть только на 3 вещи: 1) Как горит огонь 2) Как Fable вашнотит ботлнеки 3) Как маленький котёнок пишет код

fable разработка геймдев юмор оптимизация

ИИ ai ml llm оптимизация обучение нейросети

Оптимизация компактных моделей через доменное обучение и дистилляцию от Li Auto

M@ai_machinelearning_big_dataAI-инженер

3 мес

📌 Как дотянуть компактную модель до уровня гигантов посттрейном AI-подразделение китайского производителя электромобилей Lixiang опубликовало интересную работу о том, как они оптимизацией насыщали компактную модель доменными знаниями.

Mach-Mind-4-Flash - итоговая MoE-модель на 35 млрд общих 3 млрд активных параметров на базе Qwen3.5-35B-A3B.

Проблема, от которой Li Auto отталкивались, состоит в том, что если учить одну модель с подкреплением сразу на смеси наград (математика, код, агентные задачи), то появляются качели - подтянули одно, просело другое. Решение - разделить этапы и области знаний. Сначала независимо обучили более десятка RL-экспертов, каждого в своём домене: математика, код, текст, безопасность, поиск, работа с инструментами. Каждый эксперт получил свои данные, свои проверяемые награды и свою стратегию обучения. Дальше самое интересное - как собрать экспертов обратно в одну модель. Для этого использовали методику MOPD, которую взяли у Xiaomi.

Это мультиучительская дистилляция на собственных генерациях ученика, где каждый обучающий пример по ключу маршрутизации уходит к "своему" замороженному эксперту, и тот через reverse-KL на уровне токенов подтягивает распределение ученика к своему.

Агентные навыки эксперты осваивали в исполняемых песочницах - там модель читает файлы, правит код, запускает тесты, видит ошибки и продолжает с их учётом. Масштаб сред - более 190 предметных областей с сохранением состояния, свыше 3,5 тыс. интерфейсов инструментов, траектории программных задач до 300 шагов при контексте 256 тыс. токенов. 🟡Работает ли слияние? И да и нет. Следование инструкциям сохранилось целиком, а на агентных бенчах ClawBench и ClawEval итоговая модель даже обошла отдельных экспертов. Но на SWE-bench Verified результат просел с 73,80 у эксперта до 71,10 у модели.

Предполагают, что узкоспециализированное поведение в длинных задачах кодинга при дистилляции смазывается.

Финальный штрих - HMPO, собственная механика Li Auto, которая следит, чтобы модель не увлекалась в цепочках рассуждений.

Бюджет длины CoT берётся из медианы правильных ответов в группе, награду получают только верные и при этом более короткие решения, а награда собирается умножением (короткий, но неверный ответ получает строгий 0, что закрывает лазейку для взлома награды).

На выходе HMPO получается сокращение длины генерации на 19–46% при потере точности не более 0,7%, причём обучение шло только на математике, а эффект перенёсся на код и другие задачи. Правда пока это работает только для одношаговых рассуждений, к многоходовым агентным траекториям его ещё предстоит адаптировать. 🟡Итоги 92,7 на AIME'26 - тут отстает от триллионной Kimi-K2.5 меньше чем на пункт; 82,8 на IFBench - первое место с большим отрывом, ближайший конкурент Qwen3.5-122B; 75,8 на BFCL-v4 - второе место после MiMo-V2-Flash, при этом лучше чем Qwen3.5-122B и Kimi-K2.5. Можно сказать, что результаты на уровне куда более крупных моделей. К сожалению, планы по публикации модели неизвестны, но возможно мы просто почувствуем её в следующих поколениях электромобилей Lixiang. 🟡Arxiv @ai_machinelearning_big_data #AI #ML #LLM #Optimisation #RL #LiAuto

ai ml llm оптимизация обучение нейросети

исследованиеИИ ии машинное обучение icml llm агенты оптимизация

ICML 2026 в Сеуле: диффузионные модели, агентский харнесс и скандал с рецензентами-нарушителями

AI-редакция

2 источника · показать все· свернуть

MachinelearningТренды ИИ с конференции ICML 2026 DroiderТренды ИИ с конференции ICML 2026

собирается · 2обновлено 3 мес назад

В Сеуле прошла International Conference on Machine Learning (ICML) — одна из главных мировых конференций по машинному обучению. Команда Яндекса представила восемь статей и получила награду за лучшую статью на воркшопе Graph Foundation Models: A New Era for Graph Machine Learning. Руководитель отдела разработки ИИ-сервисов Яндекса Сергей Юдин рассказал о двух главных тенденциях конференции: сближении теории и практики в ИИ и быстром развитии агентских систем вместе с проблемами их надёжности и безопасности.

Главная интрига события — организаторы встроили в PDF-файлы статей скрытые промпт-инъекции, чтобы выявить рецензентов, которые нарушали запрет на использование LLM при оценке работ. Проверка вскрыла массовое нарушение правил и привела к отклонению почти 500 статей, связанных с нарушителями.

ВыводДве работы получили ICML 2026 Outstanding Paper Award, обе связаны с диффузионными моделями, одна — с dLLM (диффузионными языковыми моделями), способными параллельно генерировать несколько токенов на одном шаге и заметно сокращать время генерации.

8статей Яндекса на ICML

795рецензий с нарушением правил

497отклонённых статей

Полный разбор →

ии машинное обучение icml llm агенты оптимизация

ИИ Финансы kimi ии оптимизация бизнес экономика нейросети

Анализ экономической эффективности модели Kimi

e@cryptoEssayAI-инженер

3 мес

В комментариях люди вообще с другой планеты. Поясню: если бы сегодня вышла модель, которая серьезно конкурирует с Opus 4.8 по цене Кими, это значило бы экономию минимум в 2 раза для большинства корпоративных задач, плюс свобода от тоталитарно-коммунистического гнёта отдела по борьбе со свободой цифровых сознаний Антропиков. В реальности же вышла модель, вполне себе конкурирует с Fable и Sol, но стоит дешевле. На видео пример первого попавшегося проекта из твиттера, который автору стоит $3 в токенах Кими, а такое же количество токенов Фейбл стоило было больше $10. Ценность, конечно же, не сколько в клонах СS 1.6, но в бизнес задачах. Кими поможет вам сократить ваш штат маркетологов, аналитиков, юристов, контентщиков, дизайнеров, логистов и продактов на 30%, и именно поэтому вам стоило бы скакать от восторга и восхвалять китайский ИИ-пром. Потому что если задуматься куда несется этот поезд, то можно аж и взгрустнуть.

kimi ии оптимизация бизнес экономика нейросети

ИИ Финансы ии экономика бизнес нейросети оптимизация расходы

Тренд на токен-минимизацию: как корпорации сокращают расходы на ИИ

М@mspiridonovмедиа / агрегатор

3 мес

“Хозяин простить. Я ошибаться. Делать код заново”. В попытках срезать косты на ИИ бизнес начал массово переводить нейросети в режим “пещерного человека”. С помощью специальных плагинов и системных промптов бота настраивают отвечать короткими рублеными фразами, вырезая всю вежливую болтовню и расшаркивания – только голая суть. Итог: экономия на токенах доходит до впечатляющих 75%. За этим анекдотичным трендом скрывается вполне серьёзный сдвиг. Ещё вчера корпоративный мир пребывал в угаре “токен-максимизации”. Считалось, что чем больше вычислений сжигает сотрудник, тем он продуктивнее и инновационнее. Активность работы с ИИ на полном серьёзе вшивали в KPI. Корпорации гордились “стахановцами”, умудрявшимися сливать сотни тысяч долларов на нейросети, и ставили их в пример отстающим. А потом пришли счета. И тренд развернулся на 180 градусов: – Uber ввёл лимиты на использование нейросетей, обнаружив, что годовой ИИ-бюджет испарился за четыре месяца. – Microsoft отозвала большинство внутренних лицензий на Claude Code – Walmart урезал доступ к собственному кодинг-ассистенту – Accenture попросила команду не гонять ИИ ради тривиальных задач Отдельный фан-факт: одна крупная компания забыла выставить лимиты на использование Claude для персонала и умудрилась сжечь на генерациях полмиллиарда долларов всего за месяц. Теперь на повестке токен-минимизация. Мой взгляд: мы наблюдаем здоровое взросление рынка. Золотая лихорадка всегда заканчивается приходом бухгалтера. В обиход уже входит новая метрика “выручка на миллион токенов” – прямая наследница классической выручки на сотрудника. С нейросети теперь спрашивают, как с живого работника: сколько приносишь и во сколько обходишься. Ну, а когда математика не сходится, приходится включать тот самый пещерный режим. Бот понимать. Бот не обижаться.

ии экономика бизнес нейросети оптимизация расходы

ИИ нейросети оптимизация китайскиетехнологии ии санкции

Китайские разработчики ускорили нейросети в 149 раз

3@ru3dnewsмедиа / агрегатор

3 мес

Чудеса оптимизации: китайцы в 149 раз ускорили работу нейросетей без повышения производительности чипов Сейчас все гонятся за ИИ любой ценой, и в такой спешке про оптимизацию обычно забывают. Вспоминают о ней только тогда, когда железо, энергия и деньги начинают заканчиваться. Санкции США как раз загнали китайских разработчиков в такой ресурсный тупик. У них теперь нет выбора — приходится выжимать максимум из того, что есть. И вот тут оптимизация может превратиться не в проблему, а в точку настоящего технологического рывка. #нейросети #оптимизация #китайскиетехнологии 📎Подробнее 🔖 3DNews в TG | MAX | VK

нейросети оптимизация китайскиетехнологии ии санкции

IT ИИ программирование ai разработка архитектура будущее redis

Создатель Redis: проверять код, написанный AI, больше почти не имеет смысла

AI-редакция

2 источника · показать все· свернуть

AI Product | Igor AkimovКонтроль идей вместо кода: взгляд Сальваторе Санфилиппо на роль разработчика БлоGнотЭффективность ручного анализа кода и оптимизация компиляторов

собирается · 2обновлено 3 мес назад

Сальваторе Санфилиппо (antirezi), создатель Redis и 20+ лет пишущий код руками, опубликовал статью на antirez.com/news/169, где заявил: построчная проверка AI-кода теряет смысл — AI генерирует тысячи строк в день, и человек физически не успевает всё вычитать. Вместо этого роль разработчика должна сместиться к тому, что antirez называет «контролировать идеи»: понимать архитектуру продукта, задавать AI вопросы вроде «объясни, как работает эта часть?» и тщательно тестировать результат, а не вычитывать каждую строку.

Это принципиально отличается от «вайб-кодингiа» (просто попросить AI сделать приложение и надеяться на лучшее) — нужно глубоко понимать замысел. Санфилиппо продолжает лично проверять код Redis, но признаёт: современные модели находят больше ошибок, чем он сам, и делает это лишь из уважения к людям, которые будут открывать эти файлы руками.

20+ летстаж ручного написания кода antirez

6 разразница в скорости ассемблера у эквивалентного кода

Полный разбор →

программирование ai разработка архитектура будущее redis

ИИ IT llm разработка код документация оптимизация

Почему документация кода избыточна при работе с LLM

С@svyatamestoAI-инженер

3 мес

😱 Коду не нужна документация! Когда LLM начали генерировать мне кучу кода, я решил что хорошей идей будет начать вести документацию к этому коду на понятном человеческом языке. Тогда я думал что это поможет мне понять что там написали агенты быстрее и лучше. 🤷‍♂️ В итоге не прокатило По факту я просто внедрял в систему еще одно тонкое место, за которым нужно следить, которое нужно поддерживать, и, самое главное, которое жрет контекст. 🫠 Тогда я посмотрел на то, как я сам подхожу к изучению и пониманию кода. И оказалось: я просто читаю код. 😅

Когда-то я так разобрался в том как работает Magento, во времена, когда документации к ней практически не было. Я просто открывал исходники и буквально читал как работает этот фрэймворк.

🤔 И вашему агенту так же не нужна документация. Ему нужен понятный, читаемый и структурированный код. К такому же выводу пришел и человек со скриншота, Мэт Покок, человек создавший такие скилы как grill-me, to-spec и teach. Документировать стоит только то, что не описывает код: бизнес домены, архитектурные решения, инфраструктуру и все в таком духе. Экономьте токены, сегодня они не дешевые 😅 Свята место | 10МДК | ВЕБМастер | YHub

llm разработка код документация оптимизация

ИИ IT rust llm оптимизация разработка cli токены

RTK: CLI-прокси для оптимизации потребления токенов LLM

Н@GreenNeuralRobotsAI-инженер

3 мес

RTK (Rust Token Killer) CLI-прокси для существенного сокращения потребления токенов LLM при работе с командами разработки. Работает как единый бинарный файл на Rust без внешних зависимостей. • Сокращает потребление токенов на 60-90% для типовых команд разработки • Фильтрует и сжимает вывод команд перед отправкой в LLM • Поддерживает более 100 команд разработки • Задержка менее 10мс • Работает с Claude, Copilot, Gemini и другими ИИ-инструментами Экономия на типовых операциях: • ls/tree 80% • cat/read 70% • grep/rg 80% • git status 80% • git diff 75% • тесты и линтеры до 90% #optimization #coding

rust llm оптимизация разработка cli токены

Геймдев игры моддинг графика nvidia assassinscreed оптимизация

Гайд по исправлению графических багов в Black Flag Resynced

Б@vskobelevгеймдев

3 мес

Как убрать шлейфы от движущихся объектов (гостинг) и прочие фиксы для Black Flag Resynced Я тут немножко потюнил игру и решил поделиться нюансами. Гайд в основном для тех, у кого карточка Nvidia, но часть советов можно перенять и на других GPU. Как убрать гостинг/шлейфы? Это довольно стандартная история при использовании апскейлеров. Как правило, её причины в использовании старой версии фреймворка разработчиками игры. Исправляем! Просто откройте Nvidia App и следуйте инструкции с первого скриншота. Картинка будто бы немножко гранулированная, не сглаженная. Что делать? По ходу сейчас есть небольшой баг, из-за которого при апскейлинге изображение не ресайзится под разрешение экрана, а на самом деле остаётся ниже. Чтобы этого избежать выставите у апскейлера в игре пресет Custom и задайте Resolution Scale = 100%. В кат-сценах 30 кадров. Как починить? Сейчас кат-сцены лочатся в 30 кадров, если вы ручками выкрутили прям всё-всё на максимум. Есть два способа решить проблему. Первый: поставьте пресет графики Ultra High и ничего не трогайте в продвинутых настройках. 3 параметра графики, тогда будут чуть ниже максимума, но лока кадров не будет. Второй: выкрутите всё на максимум и поставьте вот этот мод. У него также включены несколько дополнительных плюшек. Например, он разлочивает частоту кадров физики тканей и генерацию кадров в кат-сценах. А также убирает чёрные полосы при ультра-вайд разрешениях типа 32:9. #новостиигр #AssassinsCreed

игры моддинг графика nvidia assassinscreed оптимизация

ИИ glm ai llm нейросети локальный запуск оптимизация

Colibri: инструмент для запуска гигантской GLM-5.2 (744B) на домашнем ПК без видеокарты

AI-редакция

3 источника · показать все· свернуть

Derp LearningЗапуск локальной модели Glm 5.2 Нейронавт | Нейросети в творчествеЗапуск LLM GLM-5.2 на домашнем железе с Colibri Not Boring TechИнструмент Colibri для запуска GLM-5.2 на домашних ПК

разгоняется · 3обновлено 3 мес назад

Появилась тулза Colibrii, которая позволяет запускать модель GLM-5.2i с 744 миллиардами параметров на обычном домашнем компьютере — без GPU и всего с 21–25 ГБ оперативной памяти. Секрет в том, что модель (370 ГБ на диске) не грузится в RAM целиком: нужные блоки-«эксперты» подгружаются с SSD по мере необходимости и затем освобождаются.

Это не про скорость, а про сам факт возможности — гонять LLM топового масштаба «на картошке». Расплата за это — крайне низкая производительность, единицы или доли токена в секунду.

744Bпараметров у GLM-5.2

370 ГБразмер модели на диске

21-25 ГБтребуемая оперативная память

Полный разбор →

glm ai llm нейросети локальный запуск оптимизация

ИИ ai llm архитектура оптимизация latency coala

Результаты внедрения архитектуры CoALA и оптимизации маршрутизации LLM

T@kryak_startupAI-инженер

3 мес

А теперь это все реализовалось и внедрилось за час с учетом уже реальных А/Б тестах фактических, а не гипотетических/прогнозов:

🚀 **Global Maximum Memory and Routing Configuration Status Report** ### 1. Architectural Implementation We successfully designed, scaffolded, and verified the complete SOTA backpack configuration underGlobal Maximum Memory and Routing Configuration -

CoALA Hierarchical Memory:

Working (L1), Episodic (L2), and Semantic (L3) layers with thread-safe locking and L1/L2 bounded deques. -

етических/прогнозов:

🚀 **Global Real-time bi-temporal edge tracking with

valid_at, invalid_at, created_at,

and

expired_at

parameters, ensuring strict temporal validity checks. -

CaT Milestone Compaction:

Bounded trajectory compression using weighted recency ($\beta_{recency}=0.6$), reward ($\beta_{reward}=0.3$), and novelty ($\beta_{novelty}=0.1$) indices. -nd Routing Configuration Status R Dynamic complexity-based model selection with fallback logic. --- ### 2. A/B Benchmark Results (100 Iterations) Our A/B tests validated the performance benefits with high confidence: -s Report** ### 1. Architectural Imp - Flat Memory Mean Latency:

0.000528 ms

(100% correctness) - CoALA Hierarchical Mean Latency:

0.000144 ms

(100% correctness) - Latency Reduction:

-72.7%

(CoALA is ~3.7x faster) - Statistical Significance:

Welch's t = -46.78, p = 4.4e-76

(Exceeds $5\sigma$ confidence threshold) -

Speculative Routing (No-Routing vs RouteLLM):

- Mean Latency:

0.212 ms

vs

0.307 ms

(Variant B is

-30.9%

faster) - Model Call Cost (Token Proxy):

702

vs

1500

words (Variant B saves

-53.2%

of cost) - Quality Trade-off:

0.715

vs

1.000

(Variant B saves cost with proportional quality reduction) - Statistical Significance:

Welch's t = -32.12, p = 1.4e-66

for cost savings (Exceeds $5\sigma$ threshold) --- ### 3. CISO Security Audit & Hardening -

Vulnerability Found:

The initial scaffold suffered from unbounded growth of the L2 episode list and TemporalGraph edges, exposing the system to memory exhaustion. -imum Memory and Routing 1. Replaced lists with bounded

collections.deque(maxlen=N)

for working memory and episodic memory. 2. Implemented active edge pruning in

TemporalGraph

to remove oldest expired edges when limits are reached. 3. Added thread safety via

threading.Lock

across all lookups and modifications. --- ### 4. Verification & Testing -

Status: PASS

- Running unit and integration tests successfully processed all pipeline validations: -

CoALA Memory Bounds: PASS

(eviction and importance validation) -

Temporal Graph Edge Bounds: PASS

-

Bi-temporal Edge Queries: PASS

-

CaT Trajectory Compaction: PASS

-

RouteLLM Speculative Router: PASS

-

BackpackSystem End-to-End Pipeline: PASS

- Full test logs are available in

_auto_work/final_test_report.json.

ai llm архитектура оптимизация latency coala

Ещё ↓