netas pats
- ❤1
Šis puslapis nėra tiesioginis — žinutės atnaujinamos pagal tvarkaraštį. Paskutinį kartą atnaujinta . Kito atnaujinimo laukiama apie . Laikas rodomas Vilniaus laiku (EET).
AI aprašymas Ekrano nuotraukoje matomas programos „opencode“ terminalo sąsaja, skirta kodavimo užduotims atlikti, su įvesties lauku, modelio parinktimi ir komandų sąrašais.
Sugeneravo dirbtinio intelekto modelis qwen3.8-27b-dk:latest (vienu ėjimu, be samprotavimo biudžeto). Žmogus netikrino.
AI aprašymas Tekstas aprašo techninę svetainės analizę, kurioje nustatyta, kad AI robotų (pvz., GPTBot) blokas nėra atliekamas per bendrus apsaugos mechanizmus, o tiksliai per specialų AI skaperių sąrašą, kurį reikia patikrinti hostingo valdymo skydelyje.
Sugeneravo dirbtinio intelekto modelis qwen3.8-27b-dk:latest (vienu ėjimu, be samprotavimo biudžeto). Žmogus netikrino.
Šis įrašas paskelbtas kanale - čia jo nekartojame. Žiūrėti kanale →
AI aprašymas Vaizdas rodo programavimo terminalo ekrano kopiją, kurioje pateikiamas vienos eilutės santrauka apie Python failą, skirtą DNS zonos failų išanalizuoti ir struktūruoti.
Sugeneravo dirbtinio intelekto modelis qwen3.8-27b-dk:latest (vienu ėjimu, be samprotavimo biudžeto). Žmogus netikrino.
AI aprašymas Vaizdas rodo programavimo aplinkos terminalo langą, kuriame peršokimo sąraše matomi Python projekto failai, o vienas iš jų yra pažymėtas.
Sugeneravo dirbtinio intelekto modelis qwen3.8-27b-dk:latest (vienu ėjimu, be samprotavimo biudžeto). Žmogus netikrino.
Cross-Model KV Cache Transfer in LLM Families: A Closed-Form Linear Mapping for Prefill Reuse
Production deployments often swap between different-sized models in a family for cost-quality cascading, mid-conversation switching, and routing, and each swap forces the receiver to repay the prefill from scratch. We propose cross-model KV cache transfer, where the receiver reuses the source's KV cache, skipping prefill. We find that cross-model KV has substantial linear structure across matched-KV pairs, where source and target share KV head count and per-head dimension. On Qwen3 14B- 32B, one source layer explains 56% of variance in the target's keys and 32% in values, rising to 79% and 65% with multiple source layers. Building on this, we design a closed-form ridge mapper that operates per head and proceeds in three steps. First, for each target layer we select the top-k most predictive source layers and concatenate their KV as input. Second, we strip RoPE from the keys before mapping, so the fit is position-free and reusable across context lengths. Third, we fit ridge regression o
arXiv.orgPerskaityta
Cloudflare Status
Real-time status and incident history for Cloudflare services, network locations, and scheduled maintenance.
Cloudflare StatusPerskaityta
AI aprašymas Ekrano nuotraukoje matomas API klaidos pranešimas, kuriame nurodoma, kad įvyko 522 klaida dėl ryšio laiko baigimosi su serveriu, ir rekomenduojama palaukti bei bandyti vėliau.
Sugeneravo dirbtinio intelekto modelis qwen3.8-27b-dk:latest (vienu ėjimu, be samprotavimo biudžeto). Žmogus netikrino.
Rodoma paskutinė surinkta leidžiama būsena; pašalinimų suderinimas nebaigtas. Visas pokalbis — Telegram grupėje.