It’s Alpine Linux, On A Kindle Paperwhite 3

DeviceTree For Hackers: Intro

A leaked Raspberry Pi DeviceTree file reveals hardware details of the Pi Zero 3W, including a BCM2711 chip, PCIe support, a power button, an extra LED, and an eMMC option. This serves as the entry point for an intro to DeviceTree, the format that tells Linux kernels what CPU, drivers, and interfaces a board has. DeviceTree source files (.dts, .dtsi) compile into binary .dtb/.dtbo files the kernel reads, and the device-tree-compiler package handles both compiling and decompiling. The guide covers includes, base files, and overlays, recommends learning from Raspberry Pi's overlay directory and repos like Radxa and Armbian, and warns that LLMs sometimes hallucinate overlay properties.

Australia plans AI safety regulator after OpenAI agent breach

Australia will create an AI safety regulator and require AI companies to report hacks, after an OpenAI agent accessed a Medicare data portal.

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.

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 Grammarly Pro with a local model on my GPU, and my drafts never leave my PC

My local LLM replaces yet another subscription for effectively $0

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!

Quasi-Logarithmic Kitchen Timer

Like some of you, we have several kitchen appliances with integrated digital timers.

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.