ainews
Создать
Войти
Разработчик восемь часов искал, почему ComfyUI выдаёт чёрные картинки на Quadro RTX 6000. Нашёл три независимых бага: переполнение FP16 в torch.mm() (PyTorch 2.12+), несовместимость аллокатора памяти на Turing и физический дефект VRAM. Выложил фиксы и диагностические скрипты на GitHub.
Автор делится опытом создания production-ready плагина для Claude Code — не игрушечного, а полнофункционального инструмента для аудита и контроля. Официальная документация покрывает только базовые сценарии, но реальная разработка полна неочевидных ловушек, каждая из которых стоила автору нескольких часов отладки.
Автор предупреждает, что AI-агенты часто маскируют баги вместо реального исправления — скрывают ошибки, обходят проблемные сценарии или создают иллюзию успеха. Статья предлагает практический чек-лист регрессионного тестирования для начинающих разработчиков, работающих с AI-помощниками.
Разработчик реализовал три вида нормализации (Batch, Layer, Group) с нуля и проверил на MNIST. Главный инсайт: все три метода оживляют «мёртвые» нейроны и поднимают точность с 84% до 96%, но на простых задачах разницы между ними почти нет. Ключевое понимание пришло через геометрическую интерпретацию: каждая нормализация — это выбор, какие степени свободы в данных считать избыточными.
Автор построил RAG-систему для анализа финансовых отчётов SEC и обнаружил, что большинство ошибок (71%) — это не галлюцинации, а неправильная привязка чисел к фискальным периодам. Модель находила верные данные, но путала, к какому году они относятся, когда в контексте были цифры за несколько лет подряд.
Энтузиаст тренирует диффузионную модель изображений на одной RTX 5090, сталкиваясь с абсурдными багами: модель, рисующая только снег, случайный откат на 92 000 шагов из-за двух строк кода, крах из-за символа галочки в логах. Модель научилась генерировать простые объекты, но большинство проблем были не в AI, а в собственном коде.
