При разработке моделей важно не только обучить модель, но и уметь:

• отслеживать параметры обучения
• сохранять метрики (точность, F1 и др.)
• версионировать модели и датасеты
• воспроизводить эксперименты

Для этого используются инструменты вроде MLflow и DVC.

---

Зачем нужен трекинг

Допустим, вы обучили три модели с разными параметрами. Какая из них лучше? Сколько эпох было? Какой learning_rate? Где лежит файл модели?

Без трекинга это всё теряется в коде и папках. С трекингом — у вас есть история всех запусков и чёткая структура.

(далее…)

QLoRA — это метод, который позволяет дообучать большие языковые модели (LLM) в сжатом 4-битном виде, экономя память и ресурсы. Он позволяет запускать fine-tuning даже на одной видеокарте вроде RTX 3060 или 3090.

В этой статье разберёмся:

• Что такое QLoRA
• Как она работает
• Когда и зачем её использовать
• Как на практике дообучить свою модель с помощью QLoRA

---

Что такое QLoRA

QLoRA (Quantized LoRA) сочетает два подхода:

• Квантование — уменьшает размер модели, переводя её веса в 4-битный формат (вместо 16 или 32 бит)
• LoRA (Low-Rank Adapters) — позволяет добавлять к модели небольшие обучаемые адаптеры, не изменяя сами веса модели

(далее…)

vLLM — это фреймворк для высокоэффективного запуска больших языковых моделей (LLM), разработанный с нуля для максимальной скорости, параллельности и поддержки большого количества запросов одновременно.

Если вы используете LLaMA, Mistral, Falcon или другие большие модели в проде или прототипе — vLLM это то, что стоит попробовать.

---

Что делает vLLM особенным

vLLM оптимизирован для инференса LLM. В отличие от стандартного подхода через Hugging Face pipeline(), он:

• поддерживает OpenAI-совместимый API
• эффективно управляет памятью (через PagedAttention)
• обрабатывает десятки и сотни запросов одновременно
• совместим с популярными моделями

(далее…)

Transformers — это библиотека от Hugging Face, которая позволяет легко использовать мощные языковые модели вроде BERT, GPT, RoBERTa и многих других. Она содержит как сами модели, так и удобные инструменты для инференса, обучения и обработки текста.

В этом материале:

• Что такое pipeline и как быстро сделать инференс
• Как загружать модели и токенизаторы вручную
• Как обучить модель под свою задачу (fine-tuning)
• Как сохранить и использовать свою модель

(далее…)

PyTorch — это популярная библиотека для построения и обучения нейросетей. Она используется как в академии, так и в индустрии, потому что сочетает в себе мощь, гибкость и простоту.

В этом материале мы рассмотрим:

• Что такое тензоры и как с ними работать
• Как работает автодифференцирование
• Как писать собственные модели
• Как обучать модель шаг за шагом

(далее…)

Что это такое

Google выпустил новый инструмент под названием Firebase Studio — веб-приложение для программирования с интеграцией ИИ (на базе Gemini 2.5). Оно умеет:

• редактировать файлы;
• запускать команды;
• и, в целом, пытается быть полноценным агентом для разработки прямо в браузере.

На первый взгляд — это что-то вроде веб-версии VS Code с интеграцией ИИ от Google. Но есть нюансы.

Интерфейс и UX

Главное, что бросается в глаза — необычное расположение чата с ИИ. Вместо привычной правой панели он расположен в виде отдельной вкладки рядом с файлами. Это непривычно и сбивает с толку.

Интерфейс в целом оставляет желать лучшего: низкая отзывчивость, частые подвисания, неудобная навигация. Чтобы применить изменения, часто приходится перезапускать Android-эмулятор целиком — интерфейс сам не обновляется.

Тест-драйв: вайб-кодинг

Я решил протестировать Firebase Studio в стиле вайб-кодинга — использовать стек, в котором почти не разбираюсь. В качестве цели выбрал простое мобильное приложение на React Native.

Через 40 минут у меня так и не получилось собрать работающее приложение. Сначала оно падало с ошибкой 500. Как бы я ни просил ИИ «починить» проект, он ходил по кругу и не предлагал рабочее решение.

Пришлось самому прочитать ошибку, зайти в нужный файл и поправить код вручную. Ошибка оказалась несложной — я справился без опыта в React Native. Но для ИИ это оказалось непреодолимой задачей.

После исправления мы с агентом ещё около получаса дописывали логику, добавляли меню и кнопки. Но ощущение нативности так и не появилось — всё выглядело скорее как веб-приложение в эмуляторе, а не полноценный Android-интерфейс.

Проблемы с производительностью

Ещё один важный минус — общая медлительность. Интерфейс реагирует с задержками, некоторые кнопки не работают, а при падении приложения исправления не применяются без перезапуска эмулятора. Навигация по вкладкам помогает лишь частично.

Альтернатива: VS Code и Cursor

Пока что Firebase Studio — это больше эксперимент, чем готовый инструмент. Для целей вайб-кодинга он пока не годится.

Тем временем конкуренты не стоят на месте. Например, VS Code получил обновление: теперь он тоже умеет запускать команды через ИИ, как это делает Cursor. Таким образом, VS Code и Cursor становятся прямыми конкурентами — и это отличная новость для всех, кто интересуется AI-помощниками для разработки.

Вывод

Firebase Studio — интересный шаг от Google, но в текущем виде он скорее разочаровывает. У Google ещё есть время довести интерфейс до ума и улучшить работу ИИ. А пока — рекомендую продолжать использовать более зрелые решения.

Сегодня говорим о таком феномене, как frustration coding. Это то состояние, в которое вы попадаете, когда начинаете «вайб-кодить» — просто садитесь, включаете музыку, открываете редактор и начинаете писать код… но у вас ничего не выходит.

Почему вайб-кодинг не всегда работает?

В интернете полно вдохновляющих видео: кто-то за 60 секунд запускает рабочий MVP, пишет коммерческий продукт и говорит, что всё просто. Но это — ошибка выжившего. Мы видим только успехи, а не 9 неудачных попыток до них.

(далее…)

Оказывается, просто спросить у нейросети «Это бот или человек?» — уже не так эффективно. Есть способ надёжнее.

Вот как работает приём:

1. Сначала классический промпт:  

Оцени, написал это человек или бот.

2. Затем — ключевой шаг (в стиле промпт-чейнинга):  

Если вероятность того, что это бот, больше 50%, придумай и задай ему вопрос, по ответу на который мы с высокой точностью сможем понять, бот это или человек.

Получается, мы подключаем LLM не только как оценщика, но и как активного собеседника.  

Анализируем уже реакцию на вопрос, а не просто исходное сообщение. Это почти стопроцентное попадание.

Если вы проводите встречи в Zoom, Google Meet или Discord и хотите:

• записывать свой голос и собеседников;
• получить один чистый аудиофайл;
• превратить его в текст с разделением по ролям;
• и сделать всё это максимально просто —

этот гайд для вас.

Часть 1. Запись встречи (через Audio Hijack)

Цель: записать два источника — микрофон и системный звук — в один файл, но с разделением по каналам:

• вы — в левом канале;
• собеседники — в правом.

Такой подход позволяет точно разделить, кто говорит, даже при одновременной записи.

Что нужно сделать:

1. Установите Audio Hijack.
2. Создайте новую сессию.
3. Добавьте блоки:
   • Input Device — ваш микрофон;
   • Application или System Audio — звук от Zoom или браузера.
4. К каждому блоку подключите Channels:
   • микрофон → Left Only;
   • системный звук → Right Only.
5. Объедините их в один Recorder:
   • формат — WAV, стерео, 44.1 или 48 kHz.
6. Нажмите «Run» и начните встречу.

Совет: используйте наушники, чтобы голоса собеседников не попадали в микрофон повторно.

Часть 2. Расшифровка через noScribe

noScribe — это бесплатная оболочка над WhisperX с удобным интерфейсом. Она позволяет:

• превратить звук в текст;
• автоматически разделить спикеров;
• экспортировать в TXT, DOCX, SRT.

Как использовать:

1. Перейдите на noscribe и скачайте приложение.
2. Откройте свой WAV-файл.
3. Установите настройки:
   • язык — русский (или auto);
   • модель — medium или large;
   • включите опции Diarization и WhisperX.
4. Нажмите Start и дождитесь результата.

Вы получите текст с пометками, кто когда говорил.

Часть 3. Что делать с текстом

Теперь у вас есть полный расшифрованный диалог. Вы можете:

• очистить от слов-паразитов;
• структурировать по смыслу;
• сделать краткий конспект;
• вставить в Notion, отправить в Telegram или сохранить в архив.

Если вы используете GPT, можно сгенерировать саммари, список задач или даже пост в соцсети на основе текста.