Картинки рвало полосами, а файлы при этом были чистыми

Три ночи я был уверен, что у меня сломан рендер. Вертикальные картинки — те самые 9:16, под обои телефона и под сторис, — на экране разъезжались горизонтальными полосами. Как будто старый телевизор поймал помехи. Квадрат рисуется нормально. Горизонталь — нормально. А вертикалку рвёт в труху. Три раза я её «починил». И все три раза чинил вообще не то. Правда оказалась дурацкой и красивой одновременно: файлы были в полном порядке. Рвало только то, как macOS показывала их на экране. Но к этому моменту я уже немного поседел. Это не история из серии «смотрите, какой я молодец». Это честный рассказ, как обычный человек без программистского образования за неделю собрал себе на Mac локальный генератор картинок — и на какие грабли наступил по дороге. Я энтузиаст, не разработчик. И сразу самое важное, чтобы потом не было неловко: я не написал ни одной строчки кода. Ни единой. Даже Xcode толком не открывал. Код писал вместе со мной Claude Code, модель Opus 4.8. И сам движок генерации — тоже не мой. А моё во всём этом — то, что движок не топит ваш Mac и не показывает вам битые картинки. Звучит мелко? Вот про эту мелочь и весь рассказ. Прятать тут нечего, про границы расскажу честно прямо сейчас.

https://habr.com/ru/articles/1049478/

#FLUX2 #MLX #Apple_Silicon #macOS #Swift #генерация_изображений #локальная_нейросеть #ondevice_AI #Klein #open_source

Как за один вечер разгрести 36 000 фотографий и почту с 2005 года, руками AI-агента и локальных моделей

Есть задачи, которые не делаются никогда. Не потому что сложные, а потому что объём убивает любое намерение на втором часу. У меня такой задачей был фотоархив: около 36 000 фото и видео, 222 ГБ, копившиеся 20 лет и размазанные вообще везде. Время пришло :)

https://habr.com/ru/articles/1047274/

#AIагент #локальные_модели #дедупликация #распознавание_лиц #диаризация #CLIP #Qwen25VL #MLX #InsightFace #czkawka

#MLX is sold as the fast path for #LocalLLM on #AppleSilicon. So I ran a fair fight vs raw llama.cpp (#llamacpp) - same Gemma 4 12B, 👉matched quant👈, one M1 16GB, energy measured, not just tok/s.

At matched quant, decode is a tie: both engines pinned at the M1 memory-bandwidth wall. What differs is MLX's startup tax and 2-4.5x CPU energy, not throughput.

Pick by regime and chip, not "MLX is faster." Full field report:
https://ziraph.com/blog/apples-to-apples-mlx-vs-llama-cpp-gemma-4

to trust the numbers Ziraph reads off Apple Silicon I check the resolver against real silicon and here's where I still have gaps (a ✗ means no real hardware yet, just fixtures). if you've got one of these Macs and a couple of minutes, I'd love your help closing them. reply or DM and I'll set you up.

#AppleSilicon #LocalLLM #MLX

6 моделей, 3 инфраструктурных задачи, 1 локальный AI-агент

В прошлой статье было показано, что обычный MacBook Pro M2 16GB может с оговорками решать инфраструктурные проблемы используя локальную LLM. В этой статье будут показаны результаты решения более сложных инфраструктурных задач на более тяжеловесных моделях. Мой личный выбор - Qwen3.6-35-A3B для проблем, которые сформулированы общими словами, Gemma4-26B-A4B - для чётко описанных проблем . Далее обо всём этом подробнее.

https://habr.com/ru/articles/1037082/

#mlx #llmагент #local_llm #local_ai #agent #local_agent

RT @nash_su: Mac-Inferenzgeschwindigkeit verdoppelt 🚀

mehr auf Arint.info

#AppleSilicon #Inferenz #KI #MLX #MTP #Qwen #arint_info

https://x.com/nash_su/status/2055508599909306570#m

Локальный агент для диагностики инфраструктуры

В статье описаны результаты, которые получил в поисках ответа на вопрос "можно ли решать реальные задачи диагностики и исправления проблем инфраструктуры на слабом MacBook в агентском режиме (да, но)".

https://habr.com/ru/articles/1033614/

#mlx #llmагент #local_llm #local_ai #agent