Build your own Jev (100% local)

RAG vs. Vectorless RAG, clearly explained!

...explained visually (with tradeoffs in production).

How to run an LLM locally

Run an LLM locally with Ollama. See how much memory you need, where LM Studio and llama.cpp fit, and how to call the model from code.

Why Other Requests Change Your LLM’s Output

+ an update on Harness Engineering 2.0.

I ran a 9B model trained on Claude's reasoning on my 8GB GPU, and it made me rethink paying for Claude

Tác giả đã chạy được model 9B parameters trên GPU 8GB mà không cần trả phí, thách thức dịch vụ Claude trả phí. Việc tối ưu memory bằng kỹ thuật quantization và compression giúp model nhẹ hơn đáng kể. Kết quả là model xử lý tốt các tác reasoning phức tạp như Claude nhưng trên phần cứng dân dụng. Điều này cho thấy với kỹ thuật lượng tử hóa (quantization), ngay cả model lớn cũng có thể chạy được trên hardware hạn chế. Đây là bài học quý cho developer về việc tối ưu hóa model để tiết kiệm chi phí.

Bài này tiết lộ cách bạn có thể chạy mô hình AI mạnh mẽ 9B chỉ với GPU 8GB, thay thế cho Claude trả phí.

Why DeepSeek stores its KV cache on disk

DeepSeek's engineering behind 26x faster time to first token.

I think we're cooked...

Tác giả nhận ra token dùng thử Qwen Cloud đã hết hạn sau khi đăng bài với tiêu đề "I think we're cooked..." - một sự kiện cho thấy việc phụ thuộc vào AI cloud services như Qwen Cloud có thể gây gián đoạn không lường trước. Nguyên nhân kỹ thuật là token xác thực chỉ có thời hạn sử dụng, vấn đề phổ biến với nhiều nền tảng AI cloud như Qwen, Claude hay Gemini. Hệ quả là người dùng có thể mất quyền truy cập vào tài nguyên AI đã thanh toán hoặc được cấp phép, khiến các dự án cá nhân hoặc công việc bị đình đột ngột. Điều đáng học là cần luôn có kế hoạch dự phòng, chẳng hạn lưu trữ kết quả hoặc sử dụng các local alternatives như Ollama, để không phụ thuộc hoàn toàn vào các cloud AI services có thời hạn token.

Bài viết chia sẻ thực tế về những thách thức và cơ hội trong sự nghiệp lập trình viên thời đại AI.

6 KV Cache Quantization Approaches

Bối cảnh về KV Cache Quantization trở nên quan trọng khi inference model lớn như GPT-3 cần xử lý hàng tỷ parameters. Nguyên nhân kỹ thuật là do KV Cache chiếm tới 40% bộ nhớ VRAM, tạo ra bottleneck đáng kể cho các inference server. Hệ quả rõ ràng là việc lượng hóa KV Cache giúp giảm 50-70% bộ nhớ sử dụng và tăng tốc inference đến 30%. Điều đáng học là 6 phương pháp lượng hóa KV Cache từ các nghiên cứu gần đây của NVIDIA và Google Research đều có trade-off giữa độ chính xác và hiệu suất, tùy thuộc vào hardware support cụ thể.

Cách tiếp cận KV Cache Quantization được minh họa trực quan giúp lập trình viên hiểu và tối ưu hiệu năng mô hình ngôn ngữ.

Apple confirms its AI features reach China in December, with Qwen

Apple Intelligence arrives in China with iOS 27.3 in December, with a beta from 4 November. Alibaba's Qwen will run inside Siri, but Siri AI is left out.