KI-Tutorials

Lerne, wie du leistungsstarke Entscheidungsmodelle lokal ausführst, das vLLM-Ökosystem erkundest und drei praxisnahe Projekte mit Text, Bildern und Videos baust.

Baue mit DeepSeek Superagent einen Workflow zur CI-Reparatur auf und nutze dann Observe-Modus, pytest, Holdout-Daten und menschliches Review, um einen pandas-Fix zu prüfen.

Baue einen Python-Agenten mit Gemini 4 Argon, Function Calling und Profiling – und prüfe seine Patches mit versteckten Tests, Benchmarks und API-Kosten.

Lerne, wie Mercury 3 mit diffusionsbasierter Generierung einen Incident-Analyse-Assistenten baut, Verfeinerungszustände visualisiert und geringen vs. hohen Reasoning-Aufwand vergleicht.

Erfahre alles über Zephyr-7B – vom Training über den Zugriff bis zum Fine-Tuning auf einer eigenen Datenbasis mit kostenlosen Kaggle-GPUs.

Nutze Meta Muse Wonder und die Olostep-Web-API, um medizinische Behauptungen zu prüfen, die Begründung zu erklären und die Quellen offenzulegen.

Baue mit der Kimi K3.1 Pro API einen Image-to-CAD-Agenten in Python – mit Vision-Input, Tool-Calling, Docker-Sandbox, verstecktem Evaluator und Kosten-Tracking.

Ein praxisnaher Meta-Muse-Setup-Guide für Einsteiger. Lerne, wie du Berechtigungen setzt, Tools verbindest, eine Aufgabe so zuschneidest, dass der Agent sie wirklich erledigen kann, und das Aktivitätsprotokoll liest — damit du weißt, was passiert ist, bevor du dem Ergebnis vertraust.

Entscheidungsmodelle bewerten eine feste Auswahl an Antworten statt Text zu schreiben. Erfahre, wie sie funktionieren, wie sich Jev schlägt und was unabhängige Tests ergeben haben.

Lerne, wie du Paperclip unter Windows mit MiMo-V2.6-Pro einrichtest und ein autonomes KI-Team aufbaust, das Projekte von einem zentralen Dashboard aus plant, delegiert und steuert.

Ein praxisnahes RAG-Evaluierungstutorial in Python. Baue ein Evaluierungsdatenset, bewerte es mit den vier Ragas-Kernmetriken, integriere ein Qualitätsgate in die CI, generiere synthetische Testfragen und tracke Scores über Commits – damit du Retrieval- von Generationsfehlern unterscheiden kannst, bevor es deine Nutzer merken.

Folge diesem OpenAI Agents API Computer Use Tutorial und baue einen Python-QA-Agenten, der einen Checkout im gehosteten Browser testet und den Fix in derselben Session erneut prüft.