tokens too cheap to meter

7 MoE routing strategies in production, clearly explained

+ a practical learning checklist to learn AI engineering.

I put a local AI model on a bootable USB, so I can troubleshoot a dead PC with a chatbot that doesn't need the internet

My rescue USB now also helps me make sense of disk errors.

I replaced Gemini and ChatGPT on my phone with my gaming PC’s 26B model, and the app that does it is free

Farewell, bloated AI apps!

Distributed LLM Inference on Kubernetes with llm-d, Wasm, & TornadoVM

Edoardo Vacchi covers the evolving landscape of WebAssembly on the backend, running Java workloads on GPUs using TornadoVM, and optimizing distributed AI inference using llm-d and vLLM on Kubernetes.

I changed one llama.cpp flag, and my 8GB laptop GPU now runs a 35B model faster than I can read

Một lập trình viên đã tìm ra cách chạy model Llama 35B trên laptop GPU chỉ 8GB VRAM với tốc độ đáng kinh ngạc. Nguyên nhân kỹ thuật nằm ở việc chỉnh sửa cờ n_gpu_layers trong llama.cpp, cho phép tận dụng hiệu quả bộ nhớ VRAM thay vì để nó trở thành điểm nghẽn. Hệ quả là model 35B parameters chạy nhanh đến mức người dùng không kịp theo dõi, vượt xa các kỳ vọng ban đầu về giới hạn phần cứng. Điều đáng học hỏi là đôi khi vấn đề không nằm ở cấu hình phần cứng mà ở cách tối ưu hóa phần mềm để khai thác tiềm năng thực sự của hardware.

Bài viết tiết lộ cách tối ưu hóa một cờ trong llama.cpp để chạy mô hình 35B trên GPU 8GB nhanh hơn tốc độ đọc của bạn.

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.

I replaced VS Code's Copilot with a local LLM, and my offline coding got faster

Trong bối cảnh Copilot của VS Code chủ yếu dựa trên cloud, tác giả đã thử nghiệm sử dụng local LLM để hỗ trợ offline coding. Nguyên nhân kỹ thuật là do local LLM (đặc biệt là Ollama với model Llama 3 8B) có khả năng xử lý nhanh hơn khi không cần kết nối mạng. Hệ quả cho thấy tốc độ coding tăng lên đáng kể mà không làm giảm hiệu suất tổng thể. Điều đáng học là việc tối ưu hóa local AI có thể mang lại lợi thế về tốc độ và bảo mật cho lập trình viên khi làm việc trên các dự án cần offline mode.

Thay thế Copilot bằng mô hình ngôn ngữ địa phương giúp tăng tốc lập trình ngoại tuyến mà không đánh đổi hiệu năng.

My local LLM didn't replace my $20 Claude subscription, it replaced everything I was never comfortable sending to the cloud

Trong bối cảnh quan ngại về bảo mật dữ liệu khi sử dụng các cloud AI services, Qwen3.6 đã trở thành giải pháp thay thế cho nhiều tác vụ mà tác giả không muốn gửi lên cloud. Mô hình local này tuy có hạn chế trong một số khả năng xử lý nhưng đảm bảo dữ liệu người dùng hoàn toàn an toàn. Việc sử dụng Qwen3.6 giúp loại bỏ nhu cầu trả $20/tháng cho Claude subscription trong khi vẫn đáp ứng các tác vụ cốt lõi. Điều đáng học là chúng ta có thể cân nhắc sử dụng các local models khi xử lý dữ liệu nhạy cảm mà không cần hy sinh hiệu năng quá nhiều.

Bài viết này giúp lập trình viên hiểu cách sử dụng LLM cục bộ để bảo vệ dữ liệu nhạy cảm thay vì gửi lên dịch vụ đám mây.