TIL: How to extract subtitles from video

Llama-modchip: 284B DeepSeek on 64GB RAM, no GPU

🐋 Run 284B DeepSeek-V4-Flash (<59GiB RAM, 44.4 tok/s pp, 9.1-14.7 tok/s) & 30B MoEs (25-111 tok/s) on a pure 64GB CPU at 256K ctx (0 GPUs). SwiGLU-H2, Stockfish-PVS L3 & 13ms Claude Code restore. - synchopate/llama-modchip

ISponsorBlockTV: SponsorBlock client for all YouTube TV clients

SponsorBlock client for all YouTube TV clients. Contribute to dmunozv04/iSponsorBlockTV development by creating an account on GitHub.

Show HN: Coldframe, a honeypot that poses as a supermarket fridge controller

Low-interaction honeypot for supermarket refrigeration controllers (Danfoss AK-SM 800A, Dixell XWEB 500) - hedgerow-dev/coldframe

Video Encoding for the Web in 2026: Part 1: Introduction

Roughly 18 months ago, I started working on streaming video from this site. The web side of that is fairly easy — use Shaka Player or similar to handle the JavaScript for playback, and serve up a bunch of .mp4 files with a DASH manifest. You end up with a lot of bytes, but very little actual complexity. They’re all just files that any web server can serve. The hard part turned out to be creating the video files. The problem was (and is) that there are too many choices that need to be made. You need to pick a set of resolutions to serve, you need to pick a set of codecs to support, and then you need to configure each codec at each resolution to get reasonable quality at a reasonable bitrate. None of the choices that need to be made here have a simple, correct answer. Everything ends up involving tradeoffs. This is the first of a set of 7 or 8 posts that aim to explain the tradeoffs, explain the choices that I’ve made for them, offer the data behind the choices, and then try to provide guidance and tools so you can make your own choices. Here’s what I’m planning on posting over the next few weeks: Part 1: Introduction (this post) Part 2: Methodology and Tooling Part 3: H.264 Part 4: H.265 Part 5: AV1 Part 6: Hardware vs Software encoding Part 7: Source Formats and Encoding Quality I may also add another post comparing encoding time on various platforms, depending on how much energy I’m willing to put into it.

Build Your Own Reasoning Model: A Full Video Course

Khóa học video kéo dài 11 giờ tập trung vào việc xây dựng model reasoning với Python và PyTorch. Nội dung bao gồm các kỹ thuật advanced như evaluation, inference-time scaling, reinforcement learning và distillation. Qua khóa học, bạn sẽ học cách tối ưu hiệu suất của các reasoning model hiện đại. Các bài thực hành code chi tiết giúp hiểu sâu về quy trình training và fine-tuning. Giá trị lớn nhất nằm ở việc kết hợp lý thuyết với thực hành để xây dựng được hệ thống AI có khả năng reasoning mạnh mẽ.

Lập trình viên muốn nâng cấp kiến thức về mô hình học máy từ cơ bản đến ứng dụng thực tế—đặc biệt là trong scaling mô hình, reinforcement learning, và distillation—để áp dụng ngay trong dự án AI của mình với Python và PyTorch.

PyLings: Solve Exercises and Learn Python

Learn Python 🐍 by fixing code: exercises from basics to senior interview level - thesayfulla/pylings

AI in Production Without a WHERE Clause

Bối cảnh triển khai AI mà không có bước review rủi ro giống như thiếu một WHERE clause trong SQL có thể dẫn đến đêm dài khắc phục sự cố. Nguyên nhân kỹ thuật nằm ở việc các model AI có thể tạo ra dữ liệu không mong muốn khi không có bộ lọc phù hợp. Hệ quả có thể rất nghiêm trọng khi hệ thống AI vô tình tạo ra nội dung độc hại, sai lệch hoặc vi phạm chính sách. Đáng học hỏi là bài nhấn mạnh việc xác định rõ vị trí của cơ chế "phanh" (brake) trong hệ thống AI và ai chịu trách nhiệm kiểm soát nó.

Bài viết này giải thích tại sao thiếu bước kiểm duyệt trong AI sản xuất có thể dẫn đến hậu quả nghiêm trọng như lỗi query SQL không có WHERE clause.

Build and Train a 25M Parameter LLM From Scratch on Your CPU

Bối cảnh: Bạn không cần cụm GPU khổng lồ để học cách AI hiện đại hoạt động. Nội dung video hướng dẫn xây dựng, pre-train và fine-tune một mô hình LLM 25 triệu parameter chỉ trên CPU. Nguyên nhân kỹ thuật: Video trình bày quy trình chi tiết từ đầu đến cuối với các công cụ như PyTorch, tạo tập dataset từ văn bản thuần túy. Hệ quả: Người xem sẽ có được kiến thức thực tế về cách LLM hoạt động mà không cần tài nguyên đắt đỏ. Điều đáng học: Dù quy mô nhỏ hơn các frontier model như GPT-4 hay Llama 2, quy trình này giúp hiểu nền tảng của deep learning trong NLP.

Bài hướng dẫn này giúp bạn xây dựng và huấn luyện một mô hình ngôn ngữ quy mô 25 triệu tham số ngay trên CPU mà không cần cluster GPU đắt đỏ.