Tutorial LLM

Jalankan Gemma 4 12B QAT secara lokal dengan llama.cpp dan lihat bagaimana Quantization-Aware Training meningkatkan inferensi GGUF 4-bit, mengurangi penggunaan VRAM, meningkatkan kecepatan, dan membuat AI lokal lebih stabil di GPU konsumen.

Pelajari cara kerja otomatisasi berbasis hook dan mulai menggunakan hook Claude Code untuk mengotomatiskan tugas pengodean seperti pengujian, pemformatan, dan menerima notifikasi.

Panduan lengkap untuk plugin Claude Code. Pelajari cara memasang ekstensi, memilih antara Skills dan MCP, serta membangun session logger kustom dari nol.

Kendalikan agen AI desktop dari ponsel Anda dengan Claude Cowork Dispatch. Pelajari cara menugaskan pekerjaan dan mengotomatiskan alur kerja file dari jarak jauh dalam panduan ini.

Siapkan OpenClaw (sebelumnya Clawdbot/Moltbot), agen self-hosted yang menghubungkan Claude ke Mac Anda via WhatsApp. Cari file dan jalankan perintah shell dari ponsel Anda.

Bangun, analisis, visualisasikan, latih, evaluasi, buat laporan, dan deploy model prediksi churn pelanggan sepenuhnya di ChatGPT Work dengan GPT-5.6. Tanpa setup, tanpa instalasi, semuanya di peramban Anda.

Pelajari cara mengotomatiskan ekstraksi data dari email dan PDF menggunakan Google Apps Script dan Gemini API. Bangun pipeline tanpa server ke Google Sheets hari ini.

Baca tutorial konektor Claude Code ini untuk menyiapkan GitHub via MCP. Pelajari mengotomatiskan triage isu open-source dalam 20 menit menggunakan file lokal read-only.

Jalankan GLM-5.2 secara privat dengan llama.cpp, amankan dengan kunci API Anda sendiri, uji melalui Web UI dan cURL, serta hubungkan ke OpenCode untuk alur kerja coding lokal yang andal.

Pelajari cara menjalankan Kimi K2.7 Code secara lokal dalam lima menit dengan biner llama.cpp siap pakai pada empat GPU RTX PRO 6000, lalu gunakan web UI dan agen pengodean Pi melalui API yang kompatibel dengan OpenAI.

Pelajari cara mempercepat inferensi Gemma 4 31B secara lokal pada satu RTX 4090 menggunakan DFlash speculative decoding dan Flash Attention dibandingkan dengan baseline.

GGUF mengemas bobot model, data tokenizer, dan metadata ke dalam satu berkas portabel. Pelajari cara memilih tingkat kuantisasi yang tepat dan memulai dengan Ollama.