Tutorial LLM

Menyiapkan llama.cpp untuk menjalankan model GLM-4.7 pada satu GPU NVIDIA H100 80GB, mencapai hingga 20 token per detik menggunakan offloading GPU, Flash Attention, ukuran konteks yang dioptimalkan, batching efisien, dan threading CPU yang disetel.

Pelajari cara menjalankan Kimi K2 pada satu GPU A100 dengan RAM 250GB menggunakan llama.cpp.

Jalankan LLaMA 3 secara lokal dengan GPT4ALL dan Ollama, lalu integrasikan ke VSCode. Setelah itu, bangun sistem T&J berbasis penelusuran menggunakan Langchain dan Chroma DB.

Pelajari cara-cara mudah namun bertenaga untuk menggunakan Qwen3-Coder secara lokal.

Jalankan Qwen3-Coder-Next secara lokal di RTX 3090 dengan llama.cpp, lalu lakukan vibe coding dashboard analitik lengkap dalam hitungan menit menggunakan Qwen Code CLI.

Pelajari cara menggunakan Runway Act-One melalui antarmuka web dan API-nya, serta temukan cara menggabungkannya dengan Runway Gen3-Alpha.

Pelajari kemampuan Runway Gen-4 melalui contoh praktis, serta cara menyiasati keterbatasannya dengan menggunakan model pembuatan gambar dari GPT-4o dan Gemini.

Pelajari kemampuan Runway Gen 4.5 dan cari tahu apakah ini benar-benar AI teks-ke-video terbaik saat ini.

Pelajari cara fine-tuning SAM 2 dari Meta AI menggunakan dataset Chest CT Segmentation untuk meningkatkan performa segmentasi citra dalam analisis citra medis.

Pelajari cara menggunakan SAM3 untuk membangun filter privasi berbasis prompt teks yang menutupi wajah, plat nomor, layar, ponsel, dan dokumen pada gambar dan video.

Pelajari cara menggunakan Seedance 2 API dengan tutorial Python langkah demi langkah ini. Kuasai text-to-video, interpolasi gambar, dan input multimodal melalui BytePlus Ark.

Pelajari bagaimana Self-RAG meningkatkan RAG tradisional dengan memasukkan penalaran iteratif dan evaluasi mandiri, serta cara mengimplementasikannya langkah demi langkah menggunakan LangGraph.