Tutoriels LLM

Découvrez Claude Cowork et comment l'utiliser pour organiser vos fichiers, générer des documents et automatiser votre navigateur. Tutoriel pratique avec exemples concrets et limites.

Découvrez comment installer et exécuter des LLM en local avec LM Studio. Protégez vos données, discutez avec vos documents grâce au RAG intégré et mettez en place une API locale.

Apprenez à exécuter GLM 5.1 en local sur un GPU H100 avec llama.cpp, à le tester, à utiliser la WebUI et à l’intégrer à Claude Code.

Guide complet des plugins Claude Code. Découvrez comment installer des extensions, choisir entre les compétences et les MCP, et créer un enregistreur de session personnalisé à partir de zéro.

Veuillez exécuter Qwen3-Coder-Next localement sur une RTX 3090 avec llama.cpp, puis concevez un tableau de bord analytique complet en quelques minutes à l'aide de Qwen Code CLI.

Découvrez comment exécuter un modèle open source de premier plan localement avec llama.cpp, le connecter à l'interface CLI Kimi et créer un jeu interactif en une seule fois à l'aide du codage vibe.

Découvrez comment associer la génération locale FLUX.2 Klein 4B à l'édition d'images basée sur l'API, au conditionnement multi-références et à l'historique des sessions pour créer un éditeur d'images avec Gradio.

Exécutez GLM 4.7 Flash localement (RTX 3090) avec Claude Code et Ollama en quelques minutes, sans cloud, sans contrainte, avec une vitesse et un contrôle optimaux.

Découvrez ce qu'est le Kimi K2.5 de Moonshot, comment fonctionne Agent Swarm, et observez-le en action à travers quatre expériences pratiques et concrètes.

Découvrez l'architecture des serveurs MCP gérés par Google et apprenez à transformer les modèles d'apprentissage automatique (LLM) en opérateurs proactifs pour BigQuery, Maps, GCE et Kubernetes.

Veuillez procéder à la mise à niveau vers Transformers v5. Guide pratique sur le backend Rust unifié, les modifications apportées à l'API et les modèles de migration côte à côte v4 vs v5 pour l'encodage et le chat.

Configuration de llama.cpp pour exécuter le modèle GLM-4.7 sur un seul GPU NVIDIA H100 80 Go, permettant d'atteindre jusqu'à 20 jetons par seconde grâce au déchargement du GPU, à Flash Attention, à une taille de contexte optimisée, à un traitement par lots efficace et à un threading CPU ajusté.