For My Beloved Students, I Built PyKit Lab

GTA.js, a reimplementation of the 1997 Grand Theft Auto engine in JavaScript and WebGL

Dự án GTA.js tái tạo lại engine của game Grand Theft Auto năm 1997 bằng JavaScript và WebGL, có thể chơi tại gtajs.wtf. Đây là bản reimplement chứ không phải emulator, nên một số vật lý và animation khác với bản gốc, nhưng engine nhiệm vụ chính xác dựa trên tài liệu mtd.doc. Tác giả sử dụng Gemini AI để triển khai hầu hết các tính năng, tham khảo tài liệu mở, ghi chú cộng đồng và trí nhớ cá nhân về game. Hiện tại game đã chơi được nhưng cảnh sát (cops) vẫn chưa được implement.

Lập trình viên nên đọc bài này để khám phá cách tái tạo lại engine game cổ bằng JavaScript và WebGL từ con số không.

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 …

LittleJS is 2D and 3D now

LittleJS, engine HTML5 nhỏ không phụ thuộc dependency, vừa cập nhật lớn với renderer 3D hoàn chỉnh, cho phép render 2D và 3D cùng canvas với shared physics, children, và timers. Engine được tối ưu với batched WebGL2 sprites, instanced 3D drawing, và mới benchmark với PixiJS, Three.js, PlayCanvas, Phaser, Babylon.js cho thấy hiệu năng vượt trội. Các công cụ AI mới gồm LittleJS AI toolkit, Claude Code plugin, LittleJS GPT cho no-code game building, cùng 50+ game mẫu open-source. Trang littlejsengine.com demo tất cả tính năng, và game jam thứ 3 diễn ra từ 2/10 đến 2/11.

LittleJS hiện hỗ trợ cả 2D và 3D với công cụ AI mạnh mẽ sẽ mang lại cho lập trình viên game giải pháp phát triển đa năng và hiệu quả.

AI Won’t Replace the Expert

AI Won’t Replace the Expert What I learned building a 4-agent assistant for a professor’s office operations Almost everyone in my circle, whether a relative, a friend, or a neighbor, asks me the …

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.

What Is Model Distillation? A Guide for Developers

Model distillation là quy trình chuyển giao kiến thức từ model lớn (teacher) sang model nhỏ hơn (student) để giữ hiệu suất nhưng giảm tài nguyên. Quá trình này sử dụng hàm loss function như knowledge distillation loss để điều chỉnh student model học từ teacher model. Ví dụ, model distillation có thể giảm kích thước model từ 1.2 tỷ parameter xuống chỉ 120 triệu parameter nhưng vẫn giữ 95% accuracy. Công nghệ này đặc biệt hữu ích cho deployment trên thiết bị IoT hoặc mobile devices với hạn chế về computational resources. Điều đáng học là cách kiến thức có thể được "nén" mà không làm mất nhiều thông tin, giúp tối ưu hóa inference time và energy consumption.

Tìm hiểu về Model Distillation giúp các lập trình viên tối ưu hóa hiệu năng mô hình học máy một cách hiệu quả.

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.

Starcraft: Ashfall

Starcraft: Ashfall là một dự án fan-made hoàn toàn miễn phí cho cả nền tảng web và di động. Game cho phép người chơi điều khiển cả hai phe Terran và Protoss trong nhiệm vụ bảo vệ cây cầu. Các trận chiến được thiết kế với đồ họa 2D nhưng vẫn giữ được tinh thần cốt lõi của StarCraft gốc. Dự án này minh chứng cho sức sống bền bỉ của game thủ trong việc sáng tạo nội dung dựa trên universe StarCraft.

StarCraft: Ashall mang lại trải nghiệm chơi game miễn phí trên web và di động dành cho fan hâm mộ.