Samouczki LLM

Naucz się uruchamiać lokalnie wydajne modele decyzyjne, poznaj ekosystem vLLM i zbuduj trzy praktyczne projekty z użyciem tekstu, obrazów i wideo.

Użyj Meta Muse Wonder i webowego API Olostep, aby weryfikować tezy medyczne, wyjaśniać rozumowanie i pokazywać źródła dowodów.

Modele decyzyjne oceniają z góry ustalony zestaw odpowiedzi zamiast pisać tekst. Zobacz, jak działają, jak wypada Jev i co wykazały niezależne testy.

Praktyczny tutorial ewaluacji RAG w Pythonie. Zbuduj zestaw ewaluacyjny, oceń go 4 kluczowymi metrykami Ragas, podepnij bramkę jakości do CI, generuj syntetyczne pytania testowe i śledź wyniki per commit, żeby wychwycić błędy retrievalu i generacji, zanim zrobią to użytkownicy.

Postępuj zgodnie z tym samouczkiem OpenAI Agents API Computer Use, aby zbudować agenta QA w Pythonie, który testuje checkout w hostowanej przeglądarce i ponownie testuje poprawkę w tej samej sesji.

Uruchom ogromny model MoE lokalnie, łącząc VRAM GPU, RAM systemu, SGLang i KTransformers do heterogenicznego wnioskowania CPU-GPU.

Zbuduj agenta do reagowania na incydenty z GPT-6.1 Sol, OpenAI Agents API i hostowanym sandboxem, aby badać incydenty, uruchamiać testy i generować ustrukturyzowane raporty.

Węzły wykonują pracę, krawędzie decydują, co uruchomić dalej, a współdzielony stan przenosi informacje między nimi. Ten tutorial o inżynierii grafów wyjaśnia, kiedy graf multi‑agentowy faktycznie wygrywa z pojedynczą pętlą, oraz prowadzi przez zbudowanie potoku badacz–autor–recenzent w LangGraph z warunkową krawędzią ponowienia.

Skonfiguruj Muse Spark 1.3 w Muse Code i Meta Model API, wybierz między poziomami contributor i standard i sprawdź, czy deklarowana przez Metę wydajność się potwierdza.

Naucz się korzystać z API Gemini 3.8 Flash w Pythonie: konfiguracja Interactions API, strojenie thinking_level, ekstrakcja PDF→JSON i wywoływanie funkcji z kodem.

Użyj GPT-6 Astra przez OpenAI API, by zbudować w Pythonie agenta do sprawdzania wydań z async narzędziami, kontrolą rozumowania, Structured Outputs i śledzeniem kosztów, a następnie przetestuj użycie komputera i sterowanie.

Naucz się używać najnowszego flagowego modelu Anthropic do zbudowania agenta Pythona, który czyta repozytorium Flask przed zaplanowaniem zmiany. Dodaj aktualizacje postępu, narzędzia tylko-do-odczytu i kontrolę kosztów.