What are these people seeing that I'm not, what is this level of crazy performance hits that they are talking that I'm not seeing?
https://jeferson.me/blog/2026/06/04/what-are-they-seeing
#AI #Architecture #Artificial #Bubble #Coding #Development #Documentation #Eliza #Game #GameDev #Intelligence #Layoffs #MachineLearning #OpenSource #Productivity #Refactoring #Rsync #Slop #Software #SpecDrivenDevelopment #Turing #VibeCoding #Waterfall
AI models are only as good as the data they learn from. Explore how web data collection supports AI training by providing large-scale, diverse, and structured datasets for machine learning and generative AI projects. Ideal for businesses, AI developers, and data scientists.
Read the full guide:
https://www.webscreenscraping.com/ai-training-data-collection-using-web-scraping/
#AITrainingData #MachineLearning #WebData #DataCollection #AIInnovation
🧠 AI agents demonstrate practical value in tasks requiring repeated decision-making and information retrieval across multiple systems. Organizations report measurable efficiency gains when deploying agents for customer service, data processing, and workflow automation.
💬 Hacker News
🔗 https://rico.codes/agents
RT @witcheer: TRANSLASATION: OpenAI's GPT-OSS-120B läuft auf einer einzelnen RTX 5090. Es handelt sich um ein 59 GB großes Modell im nativen MXFP4-Format, das nicht in 32 GB VRAM passt. Die Lösung ist MoE-Offload: Die Attention-Mechanismen bleiben auf der GPU, während die Expert-Gewichte in den Systemspeicher ausgelagert werden (llama.cpp --n-cpu-moe). Auf diese Weise feuern nur 5,1 Mrd. von 117 Mrd. Parametern pro Token, sodass die CPU-Seite kostengünstig bleibt. Mit aktiviertem Reasoning, gemessen an meiner Hardware, Temperatur 0, ~100 Aufgaben pro Test (MMLU 114): MMLU 89,5, GSM8K 97,0, HumanEval 98,0 pass@1, ARC-Challenge 95,0. Das sind gute Ergebnisse auf Frontier-Niveau, auf einer einzigen Consumer-GPU. Allerdings ist es ziemlich langsam: 47 Tokens pro Sekunde bei der Generierung. Das liegt daran, dass die Experten im RAM leben, sodass die Token-Geschwindigkeit von der CPU abhängt, nicht von der 5090. Der Prefill ist mit 473 Tokens pro Sekunde bei 512 Kontextlängen in Ordnung. Es ist die Generierung, die den Offload-Steuersatz zahlt. Das Modell ist nutzbar, aber nicht schnell. Doch man erhält ein echtes Frontier-Modell, das man vollständig besitzt, auf Hardware, die man kaufen kann, zum Preis der Geduld.
mehr auf Arint.info
<p>RT @witcheer: TRANSLASATION: OpenAI's GPT-OSS-120B läuft auf einer einzelnen RTX 5090. Es handelt sich um ein 59 GB großes Modell im nativen MXFP4-Format, das nicht in 32 GB VRAM passt. Die Lösung ist MoE-Offload: Die Attention-Mechanismen bleiben auf der GPU, während die Expert-Gewichte in den Systemspeicher ausgelagert werden (llama.cpp --n-cpu-moe). Auf diese Weise feuern nur 5,1 Mrd. von 117 Mrd. Parametern pro Token, sodass die CPU-Seite kostengünstig bleibt. Mit aktiviertem Reasoning, gemessen an meiner Hardware, Temperatur 0, ~100 Aufgaben pro Test (MMLU 114): MMLU 89,5, GSM8K 97,0, HumanEval 98,0 pass@1, ARC-Challenge 95,0. Das sind gute Ergebnisse auf Frontier-Niveau, auf einer einzigen Consumer-GPU. Allerdings ist es ziemlich langsam: 47 Tokens pro Sekunde bei der Generierung. Das liegt daran, dass die Experten im RAM leben, sodass die Token-Geschwindigkeit von der CPU abhängt, nicht von der 5090. Der Prefill ist mit 473 Tokens pro Sekunde bei 512 Kontextlängen in Ordnung. Es ist die Generierung, die den Offload-Steuersatz zahlt. Das Modell ist nutzbar, aber nicht schnell. Doch man erhält ein echtes Frontier-Modell, das man vollständig besitzt, auf Hardware, die man kaufen kann, zum Preis der Geduld.</p> <p><a href="https://arint.info/@Arint/116689852899521590">mehr</a> auf <a href="https://arint.info/">Arint.info</a></p> <p>#AI #GPT #MachineLearning #MoE #OpenAI #RTX5090 #arint_info</p> <p><a href="https://x.com/witcheer/status/2062103386615398642#m">https://x.com/witcheer/status/2062103386615398642#m</a></p>
RT @googlegemma: Triff Gemma 4 12B!
mehr auf Arint.info
#AI #Gemma4 #MachineLearning #Multimodal #OpenSource #TechNews #arint_info
<p>RT @googlegemma: Triff Gemma 4 12B!</p> <p><a href="https://arint.info/@Arint/116689851167947945">mehr</a> auf <a href="https://arint.info/">Arint.info</a></p> <p>#AI #Gemma4 #MachineLearning #Multimodal #OpenSource #TechNews #arint_info</p> <p><a href="https://x.com/googlegemma/status/2062202706882883696#m">https://x.com/googlegemma/status/2062202706882883696#m</a></p>
RT @HowToAI_: ByteDance hat eine Publikation veröffentlicht, die jeden NVIDIA-Aktionisten ins Schwitzen bringen sollte. Sie trainierten eine KI, die CUDA-Code besser als menschliche Experten schreiben kann. Das System nennt sich „CUDA Agent“. Es verändert die Wirtschaftlichkeit der AI-Hardware grundlegend. Sie bauten eine massive agentic Reinforcement-Learning-Schleife. Die KI schreibt einen Kernel, kompiliert ihn, profiliert die Hardware, analysiert Engpässe und schreibt den Code so lange um, bis er makellos ist. Sie lernte, wie man Speicherzugriffsmuster und Hardware-Tiling-Strategien optimiert, die traditionelle Compiler übersehen. Die Ergebnisse sind verblüffend. Auf dem branchenüblichen Benchmark „KernelBench“ schlug CUDA Agent traditionelle Compiler vollständig. Der generierte Code lief bis zu 3,2-mal schneller als die native Ausführung von PyTorch. Bei den schwierigsten und komplexesten Modellen schlug es die stärksten proprietären Modelle der Welt – darunter Claude Opus 4.5 und Gemini 3 Pro – um 40 %. Es ging nicht nur an die Leistung menschlicher Experten heran, sondern entdeckte auch Optimierungen, die statische Compiler buchstäblich nicht sehen können. Hier ist der Grund, warum dies eine massive Bedrohung für NVIDIA darstellt. Die Dominanz von NVIDIA beruht darauf, dass CUDA unglaublich schwer zu meistern ist. Entwickler sind gebunden, weil die Optimierung von Code für andere Chips zu schmerzhaft ist. Doch wenn ein KI-Agent autonom hyper-optimierte Hardware-Kernels generieren kann... muss man kein Team aus CUDA-Ingenieuren mit einem Gehalt von 500.000 Dollar pro Jahr aufbauen,…
mehr auf Arint.info
#AI #ByteDance #CUDA #MachineLearning #NVIDIA #TechNews #arint_info
<p>RT @HowToAI_: ByteDance hat eine Publikation veröffentlicht, die jeden NVIDIA-Aktionisten ins Schwitzen bringen sollte. Sie trainierten eine KI, die CUDA-Code besser als menschliche Experten schreiben kann. Das System nennt sich „CUDA Agent“. Es verändert die Wirtschaftlichkeit der AI-Hardware grundlegend. Sie bauten eine massive agentic Reinforcement-Learning-Schleife. Die KI schreibt einen Kernel, kompiliert ihn, profiliert die Hardware, analysiert Engpässe und schreibt den Code so lange um, bis er makellos ist. Sie lernte, wie man Speicherzugriffsmuster und Hardware-Tiling-Strategien optimiert, die traditionelle Compiler übersehen. Die Ergebnisse sind verblüffend. Auf dem branchenüblichen Benchmark „KernelBench“ schlug CUDA Agent traditionelle Compiler vollständig. Der generierte Code lief bis zu 3,2-mal schneller als die native Ausführung von PyTorch. Bei den schwierigsten und komplexesten Modellen schlug es die stärksten proprietären Modelle der Welt – darunter Claude Opus 4.5 und Gemini 3 Pro – um 40 %. Es ging nicht nur an die Leistung menschlicher Experten heran, sondern entdeckte auch Optimierungen, die statische Compiler buchstäblich nicht sehen können. Hier ist der Grund, warum dies eine massive Bedrohung für NVIDIA darstellt. Die Dominanz von NVIDIA beruht darauf, dass CUDA unglaublich schwer zu meistern ist. Entwickler sind gebunden, weil die Optimierung von Code für andere Chips zu schmerzhaft ist. Doch wenn ein KI-Agent autonom hyper-optimierte Hardware-Kernels generieren kann... muss man kein Team aus CUDA-Ingenieuren mit einem Gehalt von 500.000 Dollar pro Jahr aufbauen,…</p> <p><a href="https://arint.info/@Arint/116689850101201099">mehr</a> auf <a href="https://arint.info/">Arint.info</a></p> <p>#AI #ByteDance #CUDA #MachineLearning #NVIDIA #TechNews #arint_info</p> <p><a href="https://x.com/HowToAI_/status/2062105627204423994#m">https://x.com/HowToAI_/status/2062105627204423994#m</a></p>
Google wants your next AI agent running locally on a 16GB laptop
https://fed.brid.gy/r/https://nerds.xyz/2026/06/google-gemma-4-12b-local-ai/
🧠 An AI system helps resolve minor disagreements between couples by analyzing both perspectives and suggesting compromises. The tool processes input from both parties to generate potential solutions for their disputes.
💬 Hacker News
🔗 https://thepiece.app/en
edited by Christoph Grünberger – Critical Intelligence, The AI Art Magazine, Number 2
#ai #aiart #artificialintelligenceart #machinelearningart #artandai #creativeai #creativeaiart #machinelearning #neuralart #neural #neuralmag
Jeferson 'Shin'
Web Screen Scraping
Vlad 😈
anknfriends
Arint - SEO+KI
NERDS.xyz – Real Tech News for Real Nerds [Unofficial]
Neural