Поиск.
Найдено: 0 моделей и 20 материалов
Материалы
Как снизить стоимость OpenRouter с вариантом :floor
Как работает :floor: сортировка endpoint по цене, допуск flex tier, отличие от provider.sort=price и расчет стоимости успешного результата.
Как считать токены, стоимость и кэш OpenRouter из поля usage
Учет расходов без дополнительного запроса: prompt, completion, reasoning, cached и cache_write tokens, cost и особенности последнего SSE-события.
Как считать токены и расходы YandexGPT по полю usage
Контроль токенов YandexGPT: inputTextTokens, completionTokens, totalTokens, стоимость успешной задачи и поиск лишнего контекста.
Что лучше для OpenAI API: сокращать токены или использовать меньшую модель
Сравнение способов снизить расходы OpenAI API: входной контекст, длина ответа, кэширование, smaller model и проверка качества на eval.
Как ускорить ответ OpenRouter с вариантом :nitro
Что делает суффикс :nitro: сортировка по throughput, допуск priority tier, измерение TTFT и полной скорости, стоимость фактического endpoint.
Sora или Kling: сравнение нейросетей для генерации видео
Что выбрать для AI-видео — Sora или Kling: движение, работа с референсом, стабильность объектов, монтаж и стоимость попыток.
Zapier или Make для AI-автоматизации: подробное сравнение
Что выбрать для автоматизаций с нейросетями — Zapier или Make: интеграции, логика сценариев, отладка, стоимость и безопасность данных.
Как инициализировать двухслойную нейросеть в JAX
Двухслойный MLP без фреймворка: random.split, масштаб весов, ReLU, PyTree параметров, одиночный и пакетный входы.
Как найти NaN в JAX-нейросети через debug_nans
Локальная диагностика NaN в eager и jit: контекст jax.debug_nans, FloatingPointError, безопасная функция и запрет маскировки проблемы nan_to_num.
Как обновить веса нейросети через value_and_grad в JAX
Один проверяемый шаг gradient descent для PyTree параметров: MSE, value_and_grad, tree.map, формы градиентов и снижение loss.
Как обновлять PyTree параметров через jax.tree.map
Проверяемые PyTrees: flatten, treedef, tree.map по двум структурам, unflatten и контроль несовместимого дерева.
Как ограничить глобальную норму градиентов в JAX
Проверяемый gradient clipping по общей L2-норме PyTree: tree.leaves, единый scale, норма 13→5 и защита от деления на ноль.
Как ограничить обратный градиент через jax.custom_vjp
Пользовательский reverse-mode в JAX 0.11.2: identity forward, residuals, clipped cotangent и точная проверка градиента.
Как ограничить число шагов агента smolagents через max_steps
Настройка max_steps в smolagents на читающем инструменте: что именно ограничивается, тест успешного запроса, исчерпание бюджета и критерии.
Как остановить динамический цикл через jax.lax.while_loop
Динамическая сходимость в JAX 0.11.2: cond_fun, body_fun, carry `(iteration,value)`, защитный лимит и ограничение reverse-mode.
Как остановить градиент через jax.lax.stop_gradient
JAX 0.11.2: stop_gradient сохраняет forward value, исключает ветвь из autodiff и проверяется аналитическим gradient.
Как печатать значения внутри jax.jit через jax.debug.print
Runtime-диагностика compiled JAX: debug.print с format placeholders, ordered=True, block_until_ready и проверка вывода `mean=2.00`.
Как переиспользовать линеаризацию через jax.linearize
Одна linearization point и несколько tangent-векторов в JAX 0.11.2: сравнение linearize с отдельными jvp.
Как посчитать cross-entropy через log_softmax в JAX
Стабильная categorical cross-entropy для logits и целочисленных меток: log_softmax, индексация класса, mean loss и точный ручной тест.
Как посчитать gradient для каждого примера через jax.vmap и grad
Per-example gradients без Python-loop в JAX 0.11.2: vmap(grad), PyTree batch-axis и проверка среднего против batch loss.