A tenth of a microsecond became a third of a second

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

Libghostty 1.0

Libghostty, the C library for terminal emulation extracted from Ghostty, has reached version 1.0 with a stable, semantically versioned ABI. JetBrains IDEs now use it, reaching over 12.5 million active users, and Neovim has an approved pull request to replace libvterm with it. Vercel's Turborepo, devenv and OrbStack already embed it, and community bindings exist for many languages. The library is MIT licensed, needs only libc by default, can be built freestanding, and supports Linux, macOS, iOS, Windows, Android, FreeBSD and WebAssembly. A test ran 10,000 active terminals on a 4-core, 8GB Linux server.

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

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.

Catch the import. Name the culprit. Keep threads free: Introducing gilguard

On free-threaded Python, one import can quietly turn the GIL back on for good. gilguard turns that moment into an error that names the module, the package, and the line of your code that pulled it in.

An Animated Guide to RAG: How AI Finds Answers in Your Documents

Hướng dẫn minh họa giải thích cách Retrieval-Augmented Generation (RAG) giúp AI tìm câu trả lời từ tài liệu. Nguyên nhân kỹ thuật là mô hình RAG kết hợp truy vấn thông tin từ vector database để trả lời chính xác hơn. Hệ quả là giảm hiện tượng "ảo tưởng" (hallucination) của AI và cung cấp nguồn tham khảo cho câu trả lời. Điều đáng học là cách kiến trúc RAG cải thiện đáng kể độ chính xác với 40-70% so với các mô hình chỉ sử dụng prompt đơn thuần.

Hướng dẫn RAG bằng hoạt ảnh giúp lập trình viên hiểu rõ cách AI trích xuất thông tin từ tài liệu hiệu quả.