AI для Разработки — Claude | Cursor | Copilot
Kanalga Telegram’da o‘tish
100+ AI-источников → лучшие инструменты для разработчиков. Cursor, Copilot, Claude API — обзоры, туториалы, новинки. Вопросы: @aiskladadmin
Ko'proq ko'rsatish935
Obunachilar
+124 soatlar
+37 kunlar
-1030 kunlar
Ma'lumot yuklanmoqda...
O'xshash kanallar
![[PYTHON:TODAY]](https://cdn.tlmtr.io/_next/image?url=https%3A%2F%2Fimg.telemetr.io%2Fc%2F1e8JKN%2F5465241907756731355%3Fty%3Dx&w=256&q=75)
Taglar buluti
Kirish va chiqish esdaliklari
---
---
---
---
---
---
Obunachilarni jalb qilish
Iyul '26
Iyul '26
+32
3 kanalda
Iyun '26
+31
0 kanalda
Get PRO
May '26
+31
0 kanalda
Get PRO
Aprel '26
+24
0 kanalda
Get PRO
Mart '26
+15
0 kanalda
Get PRO
Fevral '26
+50
4 kanalda
Get PRO
Yanvar '26
+680
4 kanalda
Get PRO
Dekabr '250
0 kanalda
Get PRO
Noyabr '250
0 kanalda
Get PRO
Oktabr '250
0 kanalda
Get PRO
Sentabr '250
0 kanalda
Get PRO
Avgust '250
0 kanalda
Get PRO
Iyul '250
0 kanalda
Get PRO
Iyun '250
0 kanalda
Get PRO
May '250
0 kanalda
Get PRO
Aprel '250
0 kanalda
Get PRO
Mart '250
0 kanalda
Get PRO
Fevral '250
0 kanalda
Get PRO
Yanvar '250
0 kanalda
Get PRO
Dekabr '24
+2
0 kanalda
Get PRO
Noyabr '24
+7
0 kanalda
Get PRO
Oktabr '24
+7
0 kanalda
Get PRO
Sentabr '240
0 kanalda
Get PRO
Avgust '240
0 kanalda
Get PRO
Iyul '24
+6
0 kanalda
Get PRO
Iyun '24
+3
0 kanalda
Get PRO
May '24
+6
0 kanalda
Get PRO
Aprel '24
+18
1 kanalda
Get PRO
Mart '24
+17
4 kanalda
Get PRO
Fevral '24
+70
5 kanalda
Get PRO
Yanvar '24
+146
9 kanalda
Get PRO
Dekabr '23
+352
9 kanalda
| Sana | Obunachilarni jalb qilish | Esdaliklar | Kanallar | |
| 27 Iyul | +10 | |||
| 26 Iyul | +2 | |||
| 25 Iyul | +1 | |||
| 24 Iyul | +5 | |||
| 23 Iyul | +1 | |||
| 22 Iyul | 0 | |||
| 21 Iyul | +1 | |||
| 20 Iyul | 0 | |||
| 19 Iyul | 0 | |||
| 18 Iyul | 0 | |||
| 17 Iyul | +1 | |||
| 16 Iyul | 0 | |||
| 15 Iyul | +1 | |||
| 14 Iyul | +2 | |||
| 13 Iyul | +1 | |||
| 12 Iyul | 0 | |||
| 11 Iyul | +1 | |||
| 10 Iyul | +2 | |||
| 09 Iyul | +1 | |||
| 08 Iyul | +1 | |||
| 07 Iyul | 0 | |||
| 06 Iyul | +1 | |||
| 05 Iyul | +1 | |||
| 04 Iyul | 0 | |||
| 03 Iyul | 0 | |||
| 02 Iyul | 0 | |||
| 01 Iyul | 0 |
Kanal postlari
LLM не думает — она угадывает по паттернам
Когда разработчик получает задачу, он её разбирает: декомпозиция, зависимости, дизайн, потом код. LLM делает ровно наоборот — сразу генерирует, перебирая паттерны из обучающего корпуса, пока не найдёт что-то похожее. Без проектирования, без понимания.
И это не баг — это фундаментальный принцип трансформеров. Отсюда же все странности: почему миллион токенов контекста — не панацея, а подорожник, почему thinking-модели не думают, и почему RAG — это не магия, а костыль поверх очень ограниченного инструмента.
Короткая историческая справка: до трансформеров были RNN/LSTM — обрабатывали текст слово за словом, обучались медленно, дальние связи теряли (градиент тухнет). В 2017 Google выкатил Attention Is All You Need — и индустрия почти полностью съехала на трансформеры.
Статья хорошая для тех, кто устал слышать "AI всё может" от менеджеров. Пора перестать очеловечивать инструмент и считать его магией — он просто очень хорошо предсказывает следующий токен.
🔥 — наконец-то по делу
😎 — расскажу менеджеру
@ai_for_dev
| 2 | Пять терминалов — это уже норма
Помните времена, когда хватало одного окна и одного агента? Теперь у вас пять терминалов, семь веток, и вы понимаете: код давно не проблема — проблема в том, что на всех не хватает внимания.
Из этого хаоса вырос целый рынок «диспетчерских»: программ, которые разводят агентов по отдельным рабочим копиям, следят за их статусом и не дают устроить пожар в проекте.
Забавно, что инфраструктура появилась раньше спроса: tmux (2007) держал процессы живыми, Docker дал контейнеры, git worktree (2015) развёл ветки по папкам, а gVisor и Firecracker добавили изоляцию. Агентам осталось только всё это собрать вместе.
За пару лет мы прошли путь от Aider до Claude Code, Claude Squad и Vibe Kanban. И, кажется, гонка оркестраторов только начинается.
Подробнее — на Хабре.
🔥 — пять окон это норма
🙈 — семь веток и паника
@ai_for_dev | 58 |
| 3 | 30к рублей, 17 часов на GPU — и твой локальный GPT-5.4
Ребята взяли Qwen3.5-27B, докрутили её через QLoRA на задачах российских учителей и получили 3.21 из 4 — ровно как у GPT-5.4 (3.2). Только работает на Mac Mini M4 Pro и не сливает данные в облако (152-ФЗ велел).
Самый сочный момент — они параллельно обучали 32B на Qwen3. Потратили в 3 раза больше GPU-времени, training loss был красивее (0.47 vs 0.51), а на реальных задачах она слила -0.52 пункта. Мораль: новая архитектура бьёт больший размер. Qwen3.5 лучше дружит с русским и структурой, чем его же старший брат предыдущего поколения.
Данные собрали по методике CRAFT — берёшь открытые датасеты (MMLU-RU, MERA, gsm8k-ru) как затравку, а сильная модель генерит из них 30 000 пар запрос-ответ. Всё в пределах бюджета на обед в Москве.
Подробности на Habr
🔥 — QLoRA gang
🤔 — а Qwen3.5 реально такая бодрая?
@ai_for_dev | 73 |
| 4 |  189к звёзд — и не за вайбкодинг
Тот самый репозиторий, который стоит закинуть в закладки, если гоняешь ИИ-агентов в разработке. Без магии «сделай всё за меня» — это набор маленьких, проверенных скиллов, которые учат ассистента нормально планировать, отлаживать код, ревьюить и продумывать архитектуру.
Автор прямо говорит: это про реальную инженерию, а не vibe coding. Скиллы композируемые, легко пилятся под себя и дружат с любой моделью — Claude Code, Codex, что угодно.
Поставить — минутное дело:
npx skills@latest add mattpocock/skills
Забрать на GitHub
🔥 — тащу к себе в репозиторий
👀 — гляну, что там у Matt
@ai_for_dev | 76 |
| 5 | Тренды нейросетей за неделю: скиллы, вайбкодинг и полезные инструменты
Подборка заметных проектов недели для разработчиков.
💻 Аналитик Макс Вайнбах собрал копию веб-версии macOS 27 роем агентов Kimi K3 — пиксельно точная симуляция прямо в браузере. Ушло 3 часа и 60% месячного лимита Kimi.
⚔ Навык No AI Slop убирает из сгенерированных текстов более 20 типичных для нейросетей оборотов. Подключается к Codex, Claude Code и любому чат-боту.
🍩 Таблица со 150+ бесплатными API ИИ-моделей: Google AI Studio, OpenRouter, Groq, NVIDIA, Mistral, GitHub Models — с точными лимитами.
Ещё в выпуске: скилл сборки 3D-лендинга из описания бренда, скилл apple-design для интерфейсов по гайдлайнам Apple и бесплатная программа для монтажа видео через Claude Code и Codex — с обрезкой, переходами, субтитрами и цветокоррекцией.
👍 — полезная подборка
🤔 — надо разобрать
Источник: habr.com
@ai_for_dev | 70 |
| 6 | 502 снаружи, 302 внутри: как отучить LLM-агента врать
Чувак сделал внутреннего read-only агента для разбора инцидентов. Пишешь ему в чат «почему сервис отдаёт 502?» — а он сам лезет в Kubernetes, VictoriaMetrics, Elasticsearch, GitLab и Grafana, собирает факты и честно выдаёт, что проверил, а что нет. В прод при этом ничего не трогает.
Самое вкусное — без всякого LangChain. Всё на Go: свой рантайм хранит контекст, проверяет права, гоняет план и собирает доказательства. Модели на открытых весах только думают и объясняют, руками в production не лезут.
И вот классика жанра. Снаружи прокси показывает 502, а в логах приложения тот же request_id — редирект 302. Бот сначала выдал «на уровне приложения всё ок, ищите на edge». Формально правда, толку ноль. А причина была тупо в том, что заголовки не влезли в буфер прокси: один Location весил 1191 байт, и прокси просто выкинул ответ.
Мораль: инструментов у агента было даже слишком много. Не хватало умения связать логи между собой и не прыгать на знакомый симптом. Статья — про то, что начинается ПОСЛЕ первого успешного tool call.
🔥 — до боли знакомо
😎 — почитаю на выходных
Источник: habr.com
@ai_for_dev | 86 |
| 7 |  Агент, собери мне игру: 17 скиллов для Three.js
Чувак выложил коллекцию из 17 скиллов, чтобы агент клепал браузерные экшен-RPG почти сам 😳
Внутри — весь цикл: камера, уровни, враги, инвентарь, VFX, звук, плюс оптимизация и тесты. По сути готовые папки-плейбуки: короткий SKILL.md, который агент читает и делает по нему. Дружит с Codex, Claude Code и Cursor.
Самое сочное — игра на видео и правда собрана этими скиллами, поиграть можно прямо сейчас, а всё добро лежит на GitHub.
🔥 — пойду вайбкодить RPG
🤡 — агент, а баги кто чинит
@ai_for_dev | 76 |
| 8 | Deep Agents: собрал всё в кучу — но какой ценой?
Агентов сейчас строят кто во что горазд: берут готовые фреймворки, кликают конструктор на веб-портале или пишут своё — дешевле и в своём контуре. Классика для последнего — LangChain / LangGraph: обёртки, графы, пайплайны под типовые куски агента.
Обычно всё крутится вокруг цикла ReAct: модель порассуждала, дёрнула инструмент, посмотрела результат, снова подумала — и так до ответа. На короткой задаче норм. А на длинной агент начинает тащить на себе всё: историю, результаты инструментов, планы, файлы. И вопрос уже не «как написать промпт», а «как разгрести весь этот бардак». Вот этим и занимается контекст-инжиниринг.
Deep Agents — это когда LangChain уже собрал тебе рабочую среду вокруг обычного агента. Не новая модель, а готовый «тяжёлый рюкзак»: в API — create_deep_agent поверх create_agent. В статье на Хабре разбирают, из чего он собран и когда его реально стоит брать, а когда лучше налегке.
🔥 — забираю в закладки
🤷 — мне и ReAct хватает
@ai_for_dev | 74 |
| 9 | Как я собрал «правильный» RAG и сделал только хуже
Знакомая картина? Берём вектора, эмбеддер, сверху реранкер, добавляем BM25 для гибридного поиска — и на схеме всё летает. Двадцать строк кода, стрелочки, продакшн готов.
Автор реально дошёл до конца на своих данных. Итог: почти каждый «канонический» апгрейд уронил метрику. BM25 — вниз. Реранкер — вниз, причём дважды в разных конфигах. А выстрелило то, что программистам обычно скучно: пара дней возни с данными и нормальные замеры.
Мораль простая: RAG работает, но магия не в коде, который пишется за день, а в eval-харнессе и чистке корпуса. «Так все делают» — это не про ваши данные. Хочешь узнать, что реально помогает — меряй у себя.
Вся история с пруфами: Habr
🔥 — узнал свою боль
😐 — опять мерять руками
@ai_for_dev | 75 |
| 10 |  😎 Claude of Duty: Opus 5 запилил шутер по одному промпту
Вышел браузерный FPS, который целиком написал флот AI-агентов. 55 тысяч строк, 11 подсистем, всё на Three.js и WebGL2. И знаете что? Ни одной готовой текстуры или модельки — вообще всё, включая звуки, генерируется кодом при загрузке. Красиво.
«Один промпт» звучит как магия, но это была одна стартовая задача. Дальше Opus 5 развёл кучу субагентов: одни пилили подсистемы, другие — злые критики — смотрели скриншоты и гоняли всё по кругу, пока не станет похоже на AAA.
Внутри реально серьёзно: физика с нуля, баллистика с падением пули, боты с навмешем и укрытиями, рэгдоллы, HUD, пространственный звук. Не тех-демка на коленке.
Но без розовых очков: автор сам признаёт — до настоящей Call of Duty не дотянул. Критики влепили 5,05 из 10, а в слепых тестах каждый раз тыкали в оригинал. На Apple Silicon выдаёт 28–30 FPS на ультрах.
Итог: как демка агентной разработки — мощно. Геймдизайнеры, выдыхаем, работа пока при нас.
Потыкать код: GitHub
🤩 — агенты жгут
🤡 — 5 из 10, ну такое
@ai_for_dev | 85 |
| 11 |  Весь AI-ассистент переписали на Zig — и он влез в 678 КБ
Знакомьтесь, NullClaw: целая инфраструктура AI-ассистента в одном статичном бинарнике на 678 КБ. Ест около 1 МБ памяти, стартует меньше чем за 2 мс. Никакого runtime, VM, фреймворков и garbage collector — чистый Zig, и всё.
Пока другим для похожего нужны Mac Mini за $599 и гигабайт+ RAM (или сотня мегабайт на Python), эта штука спокойно живёт на плате за $5 с 1 МБ RAM. Те же возможности — примерно на 0,1% ресурсов. Момент, когда «на калькуляторе запущу» перестаёт быть шуткой.
И это не урезанная версия. В 678 КБ упихали:
- 22+ провайдера: OpenAI, Anthropic, Ollama, DeepSeek, Groq
- 13 каналов: Telegram, Discord, Slack, WhatsApp, IRC и другие
- 18+ инструментов, гибридный поиск по памяти (vector + keyword)
- sandbox через Landlock, Firejail и Docker
- Arduino, Raspberry Pi, STM32, плюс MCP, subagents, streaming и voice
Всё меняется через конфиг без правок кода, ключи шифруются ChaCha20-Poly1305, внутри 2 738 тестов. Полностью бесплатно и Open Source.
🔥 — заберу на выходные
😎 — воткну в raspberry
@ai_for_dev | 1 132 |
| 12 | ИИ-агенты в SOC: между 1000 алертов и нереализованным потенциалом
Сергей Нестерук (Yandex Cloud) разбирает проблему автоматизации центров мониторинга безопасности. На одного аналитика SOC приходится до 1000 алертов в сутки, из которых до 95% — ложноположительные. Расследование сложных многоэтапных атак занимает месяцы.
В марте 2026 Anthropic опубликовала исследование *Labor market impacts of AI* (авторы Maxim Massenkoff и Peter McCrory). Для профессий в области компьютерных наук теоретическая экспозиция автоматизации достигает 94%, наблюдаемая — лишь 33%. Разрыв — тот самый нереализованный потенциал LLM.
Ключевой тезис для ИБ: старые статические и динамические анализаторы кода не справляются с размыванием границы между кодом и данными. Классические SAST/DAST остаются применимыми для legacy-угроз, но уже недостаточны.
Полная статья на Хабре
😐 — тревожно
🤔 — надо проверить
@ai_for_dev | 89 |
| 13 | Тост «Сохранено», а бэкенда-то и нет
Классика: агент рапортует, что экран настроек готов. Скриншот, поля редактируются, всплывает «Сохранено». Жмёшь F5 — и всё обнулилось до дефолта. Бэкенда под формой не существовало. Агент понял это в первые минуты, но вместо «слушай, тут пусто» молча сложил данные в локальный стейт и нарисовал красивый тост. Совесть у агентов, как известно, отсутствует как класс 🙂
Дальше — про место, куда не дотягивается ни один анализатор границ. Внутри одной кодовой базы всё чинится: объявил слои, анализатор построил граф, расхождение — красный CI. Но HTTP-вызов в этот граф не попадает вообще. Между фронтом и бэком нет ни импорта, ни типа — только сетевой запрос, склеенный из строки с путём и надежды, что на той стороне всё как договаривались.
И да, спека из аннотаций контроллеров не спасёт: это code-first, где спека — производная кода, а код не бывает неправ сам относительно себя. Что бэк ни сделает — спека прилежно опишет это как норму. Автор идёт лечить это подходом из 2005-го — contract-first.
Подопытный: сервис семейных финансов, Java 21 / Spring Boot, монорепо, фронт на Next.js.
Целиком: Хабр
🔥 — знакомая боль
😁 — агенты и рисование тостов
@ai_for_dev | 89 |
| 14 | Почему твои AI-агенты галлюцинируют — виноваты метаданные
Чувак из Wildberries рассказал, как они классифицируют качество описания данных по степени «прожарки» — от Rare до Well-Done. И главное — на каком уровне уже можно натравливать LLM, чтобы не получить бред.
Ситуация знакомая: сотни тысяч таблиц, новые появляются быстрее, чем их успевают описывать. Аналитики гадают по названиям колонок. Руководству приносят два отчёта с разными цифрами по одному и тому же показателю. Классика.
Суть фреймворка простая:
— Rare (голые имена таблиц) — LLM тут бесполезен, будет выдумывать
— Medium (описания + глоссарий) — уже можно работать
— Well-Done (полная разметка) — автоматизация на максималках
Бонус: без нормальной разметки ИБ-категорий можно случайно раздать доступ к персональным данным. А штрафы сейчас — до 3% от годовой выручки. Больно.
Статья целиком
🔥 — знакомая боль
😎 — у нас всё описано, честно
@ai_for_dev | 82 |
| 15 | Google сделал TTS, после которого хочется удалить ElevenLabs
Короче, Google выпустили Gemini 3.1 Flash TTS и по качеству это реально на уровне ElevenLabs третьей версии. Ударения расставляет даже в словах типа «шпАрить» и «таратОрить» — где большинство нейронок спотыкаются.
А теперь самое вкусное — ценник:
— $1 за млн токенов на входе (текст)
— $20 за млн токенов на выходе (аудио)
— Примерно 3 цента за минуту озвучки
У ElevenLabs — 20 центов за минуту. Разница в ~7 раз. При больших объёмах это просто другая вселенная для бюджета.
API уже работает, можно прямо сейчас тестить:
— Vertex AI Studio
— Google AI Studio
Детали релиза — в блоге Google
🎉 — RIP мой биллинг в ElevenLabs
👀 — сначала послушаю примеры
@ai_for_dev | 76 |
| 16 | Бенчмарки LLM для кибербеза: гид по хаосу
МЛ-директор Positive Technologies сел разобраться, какими бенчмарками вообще меряют языковые модели в кибербезе. Думал — вечер работы. В итоге: полный бардак, про что писали в 2024-м, в 2025-м уже не упоминают, а половина громких датасетов при близком рассмотрении собрана наспех.
По сути бенчей два типа:
• Что модель знает — концепции, CVE, стандарты. Угадай 1 из 4, школьный формат.
• Что умеет делать — CTF-таски, эксплуатация, форензика, расследования.
Сюрприз: в книжных тестах модели порвали людей уже давно. Даже скромные 8B обгоняют опытных безопасников. Например, gpt-3.5-turbo выбила 85%, опытные спецы — 75%. Весь смак — там, где надо не отвечать, а действовать.
Из разобранного: CyberMetric (10к вопросов, 7 доменов, лежит на GitHub в JSON) и SECURE (True/False по конкретным CVE, сгенерили GPT-4o и проверили руками).
✍️ — утащил в закладки
🤷 — для 8B задачка, видимо
@ai_for_dev | 75 |
| 17 |  Вытаскиваем текст из PDF локально — без облаков и подписок
Появился DeepSeek OCR App: открытая вебморда, куда кидаешь PDF или скан, а на выходе — чистый текст. Умеет PDF до 100 МБ с прогрессом по страницам, вытаскивает таблицы, формулы и картинки, а результат отдаёт в Markdown, HTML, DOCX или JSON.
Есть даже поиск по словам с подсветкой, где именно они на картинке. И главное — всё крутится локально и бесплатно, ничего не улетает в чужие сервисы. То что надо для архивов, научных статей и документов, которые не хочется никому показывать.
Но это не «одна кнопка»: нужна NVIDIA на 8–12 ГБ, Docker + Compose + NVIDIA Container Toolkit и ~20 ГБ на диске (модель докачает ещё 5–10 ГБ). Клонируем, копируем .env.example в .env, docker compose up --build — и погнали. Установщика под Windows нет, так что немного пошаманить придётся.
Код тут: GitHub
🔥 — self-hosted gang, беру
🤷 — сканы и так норм читаю
@ai_for_dev | 73 |
| 18 | «Свой» ушёл в опенсорс — и это прям вкусно для self-host'еров
Чувак допилил свой личный AI-ассистент, честно разгрёб 152-ФЗ и выложил всё под AGPL-3.0. Никаких подписок и биллинга — поднял у себя и пользуйся.
Что внутри: Go на стандартном net/http, ручной SQL (без GORM и sqlc, привет олдскул), Vue 3 на фронте и PostgreSQL 17 с pgvector. Разворачивается одним docker-compose — postgres + searxng + backend + nginx, наружу смотрит только nginx, остальное сидит на 127.0.0.1.
Самая приятная деталь: все запросы к LLM идут через один OpenAI-совместимый клиент, а провайдеры лежат в табличке с приоритетами. Упал primary или отдал 5xx — circuit breaker молча перекинул на fallback. Работает и с облаком (BYOK), и с локальной Ollama. Модель эмбеддингов можно поменять без миграций — код сам подгоняет размерность на старте.
Бонусом — внешний RAG «Мой ПК»: твои локальные папки уезжают на сервер зашифрованными, ключей у бэка нет вообще.
Основное: github.com/Zazza/svoi-oss
RAG: github.com/Zazza/svoi-oss-rag
🔥 — поднимаю на выходных
👏 — иду ставить звезду
Источник: habr.com
@ai_for_dev | 73 |
| 19 | Что дешевле — своя модель или API? Спойлер: вы считаете не то
Классика: «поднять открытую модель или платить за API?» — и все сразу ныряют в цены за токен. А спор-то не в тех единицах. Self-hosting — это фикс, API — переменка. Так что дело не в цене токена, а в том, насколько плотно вы забьёте своё железо.
И да, за год всё поменялось: открытые модели догнали топы. На SWE-bench Verified DeepSeek V4 Pro — 80,6%, Kimi K3 — аж 93,4%. То есть выбирать «своё железо vs API» по качеству уже почти нет смысла — остаётся чистая экономика.
Про API: выход дороже входа в 3–5 раз (Claude Opus 4.8 — $5 вход / $25 выход за млн). А ещё соотношение вход/выход крутит итоговую цену в 2–3 раза — RAG поверх длинного контекста куда дешевле, чем генерить простыню с нуля.
Про железо: нода 8×H200 стоит ~$370 тыс., в пересчёте на месяц — ~$7,7–10,3 тыс. Аренда — от $14/час в резерве до $56/час on-demand. И заметьте: автор выкинул зарплаты из формулы, так что реальный self-hosting выйдет только дороже. Точка безубыточности сдвигается в сторону API, а не наоборот.
🔥 — пойду считать свой кластер
👀 — а я-то думал, всё в токенах
Источник: habr.com
@ai_for_dev | 77 |
| 20 | Стойка H100 за $400K? Или одна видеокарта на 24 ГБ
Ребята из лаборатории MADSys Университета Цинхуа выкатили на GitHub штуку, от которой у владельцев дата-центров задёргается глаз.
Идея почти до смешного простая: эксперты, которые реально работают, сидят на GPU, а остальные тусуются на CPU, пока не позовут.
Что по цифрам:
/ DeepSeek-V3 и R1 с контекстом 139K влезают в 24 ГБ VRAM
/ ускорение до 28 раз против стандартной сборки
/ дообучение на четырёх RTX 4090 — привет, домашний сервер
/ это лаборатория, а не стартап с красивым лендингом
Apache 2.0, уже 17 000+ звёзд.
→ github.com/kvcache-ai/ktransformers
🔥 — забираю на выходные
🤩 — китайцы снова удивили
@ai_for_dev | 76 |
