Поиск.
Найдено: 1 модель и 20 материалов
Нейросети
Весь каталог
Материалы
Stable Diffusion или FLUX: что выбрать для локальной генерации изображений
Сравниваем Stable Diffusion и FLUX для генерации изображений: качество, требования к компьютеру, экосистема моделей и контроль рабочего процесса.
ComfyUI или AUTOMATIC1111: обзор интерфейсов Stable Diffusion
Что выбрать для локальной генерации — ComfyUI или AUTOMATIC1111: ноды, расширения, повторяемость, удобство и порог входа.
Как обновить одну редакцию документа в LlamaIndex без смешивания версий
Стабильный id_, update_ref_doc и контроль старого и нового правила в поисковой выдаче.
Как установить GitHub Copilot CLI через Homebrew на macOS и Linux
Практическая установка GitHub Copilot CLI через Homebrew cask: stable-команда, проверка PATH, /login и безопасный первый запрос к репозиторию.
Как посчитать долю отказов AI-классификатора и ошибки среди принятых
Вычисляем coverage и selective risk для AI-ответов с отказом; отделяем долю обработанных от качества принятых.
Как разделить AI-заявки по клиентам без пересечения train и test
Групповое разделение обращений: один клиент не должен одновременно оказаться в обучении и тесте.
Как вычислить balanced accuracy для AI-модели на несбалансированных данных
Считаем recall по двум классам и balanced accuracy, сравнивая её с обычной accuracy на синтетических заявках.
Как получить учебный bootstrap-интервал доли верных AI-ответов
Перевыборка с возвращением для доли верных ответов: фиксируем seed и эмпирические квантили.
Как проверить вероятности AI-модели через Brier score
Рассчитываем средний квадрат ошибки вероятности для бинарных меток и проверяем диапазон входа.
Как проверить, меняется ли качество RAG-поиска при K=1, 3 и 5
Строим кривую Recall@K на фиксированной выдаче и ищем документы, которые появляются только при большом контексте.
Как измерить согласие двух разметчиков AI-тестов через Cohen kappa
Сопоставляем метки двух разметчиков по ID и вручную рассчитываем Cohen kappa с проверкой случайного согласия.
Как рассчитать ECE для AI-вероятностей и не скрыть пустые группы
Рассчитываем взвешенную разницу между средней вероятностью и частотой исхода, отделяя пустые корзины.
Как сравнить macro и weighted F1 на редком классе AI
Считаем F1 по каждому классу, macro и weighted средние на маленькой матрице и объясняем влияние редкого класса.
Как вычислить MAP@K для нескольких релевантных RAG-документов
Считаем average precision по позициям релевантных документов и усредняем по запросам с фиксированным top-K.
Как измерить MRR для первого подходящего документа в RAG
Рассчитываем reciprocal rank первого релевантного документа по вопросам и обрабатываем вопрос без попадания.
Как посчитать NDCG@K при разной полезности RAG-документов
Сравниваем DCG выдачи с идеальной сортировкой по шкале релевантности 0–2 на фиксированном top-K.
Как сравнить ошибки двух AI-классификаторов на одних и тех же заявках
Строим таблицу парных ошибок моделей A и B по одним ID, показывая исправленные и новые ошибки отдельно.
Как подобрать порог эскалации AI-заявок по precision и recall
Сравниваем два порога по TP, FP, FN, precision и recall на фиксированных обращениях без подгонки на тесте.
Как рассчитать Precision@K для контекста RAG
Считаем долю релевантных document_id в первых K результатах RAG и фиксируем правило для короткой выдачи.
Как найти разницу в пропусках срочных AI-заявок по группам
Считаем false negative rate по двум каналам обращений, показываем знаменатели и не делаем выводов на пустой группе.