# Retrivium — индекс на русском

> Retrivium развивает GPU-инфраструктуру для LLM-инференса в Европе, СНГ и Азии. Сейчас подключаем свой GPU-пул к OpenRouter в качестве провайдера.

Language: ru
Updated: 2026-11-03
Canonical site: https://retrivium.ai/ru/
Default language: English

## О проекте

Retrivium развивает GPU-инфраструктуру для LLM-инференса с фокусом на распределённую сеть в Европе, СНГ и Азии.

Retrivium вырос из нескольких стартапов, которые работали с LLM. Мы объединили этот опыт вокруг одной задачи: создавать устойчивую распределённую инфраструктуру для языковых моделей.

У нас есть собственные вычислительные мощности в стабильном ЦОД. Это основа для расширения сети за счёт новых площадок и профессионального оборудования.

Наша техническая экспертиза и совместные проекты помогли завоевать доверие заинтересованных партнёров со значительным капиталом и вычислительными ресурсами.

Наша роль — эксплуатировать GPU-инфраструктуру и запускать языковые модели в качестве провайдера инференса. OpenRouter предоставляет приложениям доступ к моделям и маршрутизацию запросов.

Сейчас мы работаем над подключением своего GPU-пула к OpenRouter в качестве провайдера инференса. Интеграция в процессе; запуск в публичном списке провайдеров пока не объявлен.

Концепция инфраструктуры объединяет ЦОД, небольшие офисные площадки и профессиональные станции с GPU от 16 GB видеопамяти. Выбор модели зависит от всей конфигурации и условий эксплуатации.

Это информационный сайт о Retrivium, инфраструктуре проекта, текущем подключении к OpenRouter как провайдера и LLM-инженерии. Сайт не собирает заявки на оборудование или финансирование; здесь нет форм обращений, регистрации, платежей или выдачи публичных API-ключей.

Команда: Александр Голубев — технологии и инфраструктура; Игорь Комаров — бизнес и партнёрства.

## Основные страницы

- [Главная](https://retrivium.ai/ru/)
- [Инфраструктура](https://retrivium.ai/ru/infrastructure/)
- [Интеграция с OpenRouter](https://retrivium.ai/ru/openrouter/)
- [База знаний](https://retrivium.ai/ru/journal/)
- [Ретроспективы AI](https://retrivium.ai/ru/retrospectives/)
- [Конфиденциальность](https://retrivium.ai/ru/privacy/)
- [Условия использования](https://retrivium.ai/ru/terms/)
- [Карта сайта](https://retrivium.ai/ru/sitemap/)

## Русские статьи (970)

- [Как сдать GPU в аренду для LLM-инференса](https://retrivium.ai/ru/journal/rent-gpu.md): Что нужно владельцу GPU для подключения к LLM-инференсу: характеристики оборудования, условия размещения, технический пилот и вопросы до начала работы.
- [Что делать с GPU-серверами после грантового проекта](https://retrivium.ai/ru/journal/grant-hardware.md): Как оценить свободное грантовое оборудование: проверить права и ограничения, сохранить исследовательские задачи и подготовить технический сценарий LLM-инференса.
- [Экономика GPU-инференса: что считать до подключения](https://retrivium.ai/ru/journal/inference-economics.md): Из каких затрат складывается эксплуатация GPU для языковых моделей и почему цена токена, загрузка сервера и выручка владельца — разные показатели.
- [Что такое LLM-инференс и зачем ему ваш GPU](https://retrivium.ai/ru/journal/what-is-inference.md): Простое объяснение LLM-инференса для владельцев оборудования: как модель обрабатывает запросы, что такое токены и какую часть сервиса обеспечивает GPU.
- [Какое оборудование подходит для пула LLM-инференса](https://retrivium.ai/ru/journal/gpu-requirements.md): Пять групп характеристик для оценки GPU-сервера: видеопамять, программная совместимость, ресурсы хоста, размещение и предсказуемая доступность.
- [VRAM для LLM: почему размер модели — не весь расчёт](https://retrivium.ai/ru/journal/vram-and-models.md): Как оценивать видеопамять для языковой модели: веса, KV-кеш, рабочие буферы, длина контекста и запас для параллельных запросов на GPU.
- [Можно ли использовать NVIDIA RTX для LLM-инференса](https://retrivium.ai/ru/journal/rtx-for-inference.md): Что проверить владельцу рабочей станции с RTX перед подключением к инференсу: память, длительную нагрузку, условия размещения и возможность обслуживания.
- [Как подготовить GPU-сервер к техническому пилоту](https://retrivium.ai/ru/journal/server-preparation.md): Порядок подготовки сервера для проверки LLM-инференса: инвентаризация, резервирование, согласование доступа, тестовая среда и восстановление исходного состояния.
- [Как GPU-пул связан с OpenRouter](https://retrivium.ai/ru/journal/openrouter-provider.md): Роль OpenRouter в продаже LLM-инференса, разница между владельцем оборудования и API-провайдером, а также этапы подключения и ограничения спроса.
- [Как лаборатории оценить свободные GPU-мощности](https://retrivium.ai/ru/journal/lab-idle-capacity.md): Практический способ описать незагруженные серверы лаборатории: календарь задач, резерв, эксплуатационные расходы и границы внешней нагрузки.
- [Грантовое оборудование: чек-лист перед внешней нагрузкой](https://retrivium.ai/ru/journal/grant-checklist.md): Список вопросов для владельца и координатора гранта перед подключением GPU к стороннему сервису: права, согласования, доступ, расходы и учёт использования.
- [Инференс и обучение LLM: разница для владельца GPU](https://retrivium.ai/ru/journal/inference-vs-training.md): Чем эксплуатация языковой модели отличается от обучения и дообучения: профиль задач, память, расписание и требования к сервису для владельцев GPU.
- [Несколько GPU в пуле: общий сервис или одна большая модель](https://retrivium.ai/ru/journal/multi-gpu.md): Почему распределённый GPU-пул не равен единой видеокарте: независимые реплики, распределение модели, ограничения памяти и роль соединений между узлами.
- [Сеть и доступность GPU: что важнее скорости интернета](https://retrivium.ai/ru/journal/network-and-uptime.md): Как оценивать подключение сервера для LLM-инференса: стабильность сети, задержки, восстановление после сбоев, расписание и границы ответственности.
- [Безопасность оборудования при подключении к GPU-пулу](https://retrivium.ai/ru/journal/hardware-security.md): Какие границы доступа обсудить владельцу GPU с оператором: отдельное окружение, права, данные, журналы, обновления и отзыв доступа после пилота.
- [Электричество и охлаждение: скрытые условия работы GPU](https://retrivium.ai/ru/journal/power-and-cooling.md): Что учесть при длительной работе GPU-сервера: фактическое потребление всей машины, охлаждение помещения, ограничения площадки и ответственность за обслуживание.
- [Пилот GPU-инференса: что проверить до договора о работе](https://retrivium.ai/ru/journal/pilot-checklist.md): План технического пилота для владельца GPU и оператора: цели, модель, профиль запросов, критерии успеха, расходы, восстановление и итоговое решение.
- [Выбор LLM для сервера: начните с модели и её условий](https://retrivium.ai/ru/journal/model-licenses.md): Как готовить выбор языковой модели для внешнего инференса: версия, карточка модели, лицензия, совместимость, качество и фиксация изменений.
- [Что должно быть в отчёте о работе вашего GPU](https://retrivium.ai/ru/journal/capacity-reporting.md): Какие показатели согласовать владельцу оборудования с оператором: доступность узла, успешные запросы, токены, расходы, перерывы и сверка расчётов.
- [Аренда GPU или доля выручки: какие условия обсудить](https://retrivium.ai/ru/journal/revenue-share.md): Чем отличаются фиксированная аренда, оплата доступности и доля выручки от GPU-инференса. Вопросы о расходах, риске спроса, отчётности и завершении работы.
- [Майнинг-ферма под LLM: что можно использовать повторно](https://retrivium.ai/ru/journal/mining-gpus-for-inference.md): Как владельцу бывшей майнинг-фермы оценить переход к LLM-инференсу: проверить карты, серверную основу, охлаждение и сценарий пилота без покупки нового парка.
- [Свободная рендер-ферма: как оценить вторую нагрузку для GPU](https://retrivium.ai/ru/journal/render-farm-idle-gpus.md): Как студии проверить использование незагруженной рендер-фермы для LLM-инференса: разделить расписание, ресурсы, окружение и обязательства перед собственными проектами.
- [GPU рабочей станции ночью: когда расписание имеет смысл](https://retrivium.ai/ru/journal/studio-workstations-night.md): Как предложить GPU студийной рабочей станции на свободные часы: оценить длительность окна, запуск модели, остановку нагрузки и готовность компьютера к началу работы.
- [Свободные GPU игровой студии: как отделить ресурс для инференса](https://retrivium.ai/ru/journal/game-dev-gpu-capacity.md): Как игровой студии рассмотреть внешнюю загрузку GPU без конфликта с редактором, тестированием и сборками: выбрать машины, расписание и критерии производственного возврата.
- [GPU-интеграторам и поставщикам: как предложить парк для пилота](https://retrivium.ai/ru/journal/gpu-reseller-partnership.md): Как поставщику серверов или GPU-интегратору начать техническое партнёрство с оператором инференса: конфигурация, демонстрационный узел, критерии теста и разделение ролей.
- [Оставить GPU у себя или перевезти в дата-центр](https://retrivium.ai/ru/journal/colocation-vs-on-premise.md): Как сравнить работу GPU на своей площадке и в дата-центре: расходы, доступность, обслуживание, переезд и требования будущего сервиса инференса.
- [Бывший в эксплуатации GPU: какие проверки нужны перед пилотом](https://retrivium.ai/ru/journal/used-gpu-health-check.md): Как владельцу подготовить бывшие в эксплуатации GPU для оценки инференса: история, инвентаризация, диагностика, воспроизводимый тест и понятный итоговый паспорт.
- [Разные GPU в одном парке: как предложить их оператору инференса](https://retrivium.ai/ru/journal/mixed-gpu-fleet.md): Как описать неоднородный парк GPU для оценки LLM-инференса: группировка по памяти и совместимости, независимые узлы и постепенное подключение оборудования.
- [Резервный GPU-сервер: как обсуждать полезную работу без потери резерва](https://retrivium.ai/ru/journal/reserve-gpu-capacity.md): Как владельцу резервного GPU-сервера оценить внешнюю нагрузку: назначение резерва, время возврата, приоритет собственных задач и проверка переключения.
- [Подключение к GPU-пулу: какие решения нужны на каждом этапе](https://retrivium.ai/ru/journal/gpu-pool-onboarding.md): Дорожная карта владельца оборудования от первого сообщения до работы GPU: паспорт ресурса, техническая оценка, пилот, коммерческие условия и ввод в эксплуатацию.
- [GPU свободны на несколько месяцев: как предложить временную мощность](https://retrivium.ai/ru/journal/seasonal-gpu-capacity.md): Как владельцу временно свободных GPU оценить ограниченный период работы: дата старта и возврата, подготовка, полезное окно, расходы и решение о продлении.
- [Кто подойдёт к GPU-серверу: физическое обслуживание удалённого узла](https://retrivium.ai/ru/journal/remote-hands-gpu.md): Как согласовать обслуживание GPU на удалённой площадке: контакты, допустимые действия, диагностика, запасные компоненты, подтверждение работ и расходы.
- [У меня один GPU: с чего начать разговор о подключении](https://retrivium.ai/ru/journal/single-gpu-owner.md): Пошаговый первый контакт для владельца одной видеокарты: какие сведения важны, что можно пока не знать и как проверить сценарий инференса без расширения оборудования.
- [Как найти свободные GPU внутри компании и подготовить предложение](https://retrivium.ai/ru/journal/corporate-gpu-inventory.md): Как провести практическую инвентаризацию GPU-парка компании: владельцы, назначение, фактическая доступность, ограничения и выбор оборудования для пилота инференса.
- [Как вернуть GPU в свои задачи после работы в пуле](https://retrivium.ai/ru/journal/gpu-exit-plan.md): Что обсудить владельцу GPU о завершении сотрудничества: уведомление, снятие нагрузки, возврат окружения, отзыв доступов, файлы и итоговая сверка.
- [Prefill и decode: какую работу выполняет ваш GPU при инференсе](https://retrivium.ai/ru/journal/llm-prefill-decode.md): Почему обработка длинного входа и генерация ответа нагружают сервер по-разному и как владельцу GPU выбрать полезный сценарий технического пилота.
- [Continuous batching: почему несколько запросов меняют ценность GPU](https://retrivium.ai/ru/journal/continuous-batching.md): Как проверять совместную обработку LLM-запросов на сервере и почему владельцу оборудования важны не только загрузка GPU, но и очередь, качество и задержки.
- [Prefix caching: когда повторяющийся контекст помогает GPU-пулу](https://retrivium.ai/ru/journal/prefix-caching.md): Как оценивать повторное использование общего начала LLM-запросов и почему для выбора GPU нужны отдельные тесты холодного и прогретого кеша.
- [Длинный контекст LLM: как проверить сервер для работы с документами](https://retrivium.ai/ru/journal/long-context-capacity.md): Как владельцу GPU оценить обслуживание длинных документов: профиль входа, проверку качества, задержки, смешанный поток и рабочие ограничения модели.
- [KV-кеш и экономика GPU: зачем считать память активных запросов](https://retrivium.ai/ru/journal/kv-cache-economics.md): Как связать память запросов с полезной ёмкостью GPU-сервера: профили контекста, время занятости, стоимость ограничения и сравнение вариантов конфигурации.
- [Квантизация LLM: как проверить качество перед выбором GPU](https://retrivium.ai/ru/journal/quantization-quality.md): Как сравнить исходную и квантизированную модель на конкретном GPU: задачи, формат ответов, память, скорость и критерии принятия технического решения.
- [Бенчмарк GPU для инференса, которому можно доверять](https://retrivium.ai/ru/journal/inference-benchmark-method.md): Как составить воспроизводимый протокол проверки GPU: версии, профиль запросов, прогрев, несколько уровней нагрузки и отчёт для владельца и партнёра.
- [Скорость потока и задержка: как выбрать рабочий режим GPU](https://retrivium.ai/ru/journal/throughput-latency-tradeoff.md): Почему максимальный выпуск токенов не всегда удобен пользователю и как сравнивать режимы GPU-сервера по пропускной способности и задержкам.
- [Как проверить спрос на модель до расширения GPU-пула](https://retrivium.ai/ru/journal/model-demand-validation.md): Как отделить популярность модели от подтверждённого спроса на сервис: выбор задачи, интервью, тестовый endpoint, критерии качества и решение о расширении.
- [Маршрутизация и резерв: какую роль может получить ваш GPU](https://retrivium.ai/ru/journal/inference-routing-fallback.md): Как распределять запросы между узлами будущего GPU-пула, что проверять при отказах и почему резервная машина отличается от постоянно нагруженной реплики.
- [Мониторинг GPU без лишних графиков: пять уровней наблюдения](https://retrivium.ai/ru/journal/gpu-monitoring-scorecard.md): Какие сигналы нужны владельцу GPU и оператору инференса: состояние устройства, ресурсы, сервис, полезный результат и действия при отклонениях.
- [Воспроизводимый стек инференса: как сохранить результат GPU-пилота](https://retrivium.ai/ru/journal/software-stack-reproducibility.md): Что фиксировать в окружении GPU-сервера, чтобы повторить техническую проверку: веса, драйвер, движок, параметры запуска, тестовые данные и порядок отката.
- [Планирование GPU-пула: когда действительно нужен следующий сервер](https://retrivium.ai/ru/journal/inference-capacity-planning.md): Как готовить расширение пула LLM-инференса по наблюдениям: профиль нагрузки, рабочая ёмкость, резерв, ограничения площадки и критерии следующего вложения.
- [Embeddings и rerankers: другие задачи для свободного GPU](https://retrivium.ai/ru/journal/embeddings-rerankers-gpu.md): Почему не вся полезная AI-нагрузка — генерация текста: как проверять модели векторизации и ранжирования на имеющемся GPU и выбирать единицу результата.
- [Обновление LLM на GPU: как проверять новую версию небольшим запуском](https://retrivium.ai/ru/journal/model-update-canary.md): Как готовить смену модели без одновременного изменения всего пула: фиксировать версии, сравнивать качество, ограничивать тест и заранее определять откат.
- [Как профинансировать GPU-пул: от идеи к понятному проекту](https://retrivium.ai/ru/journal/fund-gpu-pool.md): Что обсудить перед финансированием GPU и эксплуатации: назначение средств, технический пилот, права на оборудование, отчётность и решение о расширении пула.
- [Оборотные средства для LLM-инференса: что происходит после покупки GPU](https://retrivium.ai/ru/journal/working-capital-inference.md): Почему GPU-пулу нужен бюджет на эксплуатацию: календарь платежей, запуск моделей, задержки поступлений и операционный резерв на согласованный период.
- [Как проверить проект GPU-пула перед финансированием](https://retrivium.ai/ru/journal/gpu-project-due-diligence.md): Какие подтверждения запросить перед финансированием GPU: паспорт инфраструктуры, воспроизводимый пилот, бюджет, статус каналов сбыта и ответственные за работу.
- [Поэтапное финансирование GPU: платить за следующий проверяемый шаг](https://retrivium.ai/ru/journal/milestone-funding.md): Как разделить финансирование GPU-пула на этапы: подготовка, пилот, закупка и эксплуатация. Какие результаты, бюджеты и решения фиксировать на каждом шаге.
- [Покупка GPU или аренда: что сравнить перед финансированием](https://retrivium.ai/ru/journal/gpu-purchase-vs-rental.md): Как сравнивать покупку и аренду GPU под один сценарий инференса: полный состав расходов, длительность задачи, гибкость, приёмка и выход из проекта.
- [Юнит-экономика инференса: какую единицу считать финансовому партнёру](https://retrivium.ai/ru/journal/inference-unit-economics.md): Как выбрать единицу экономики GPU-пула: успешный запрос, миллион токенов или сервисная нагрузка. Что включать в себестоимость и как сравнивать периоды.
- [Бюджет GPU-пула: как распределять средства между железом и работой](https://retrivium.ai/ru/journal/gpu-budget-allocation.md): Как составить предметную смету GPU-проекта: оборудование, подготовка, размещение, эксплуатация, общие расходы и резерв. Пример структуры без универсальных долей.
- [Отчётность для финансового партнёра GPU-пула](https://retrivium.ai/ru/journal/gpu-funding-reporting.md): Какие сведения включать в отчёт о финансировании GPU: движение средств, состояние оборудования, техническая работа, отклонения бюджета и основания следующих расходов.
- [Какие риски обсудить перед финансированием GPU-инференса](https://retrivium.ai/ru/journal/gpu-funding-risks.md): Как связать риски GPU-проекта с решениями: неопределённость спроса, техническая пригодность, сроки запуска, рост расходов и зависимость от внешних каналов.
- [Закупка GPU для пула: сначала спецификация и приёмка](https://retrivium.ai/ru/journal/procurement-before-scale.md): Как подготовить закупку GPU под инференс: результаты пилота, полная спецификация, условия поставки, критерии приёмки и бюджет запуска оборудования.
- [Сначала спрос, затем GPU: какие данные нужны до закупки](https://retrivium.ai/ru/journal/gpu-demand-before-capex.md): Как проверять коммерческую гипотезу GPU-пула до расширения: сценарии клиентов, требования к сервису, измерения пилота и признаки готовности к следующему этапу.
- [Что спросить у команды GPU-пула на первой встрече](https://retrivium.ai/ru/journal/financial-partner-questions.md): Вопросы для первого разговора о финансировании GPU и эксплуатации: текущий этап, назначение средств, доступные ресурсы, результаты, расходы и дальнейшие решения.
- [Предварительный спрос на вычисления: как обсуждать резерв мощности](https://retrivium.ai/ru/journal/compute-offtake.md): Как предварительное обсуждение потребности в инференсе помогает планировать GPU: профиль запросов, ресурс, сроки, оплата и различие между интересом и обязательствами.
- [Жизненный цикл GPU: что учитывать кроме покупки](https://retrivium.ai/ru/journal/gpu-asset-lifecycle.md): Как планировать использование GPU как актива: приёмка, наблюдение за состоянием, обслуживание, изменение нагрузок и завершение эксплуатации в составе пула.
- [Как расширять GPU-пул, когда новые машины действительно нужны](https://retrivium.ai/ru/journal/responsible-pool-growth.md): Какие основания нужны для роста GPU-пула: измеренное ограничение, подтверждённая задача, готовность эксплуатации и бюджет. Как не подменять развитие числом карт.
- [Как найти бюджет на эксплуатацию грантовых GPU после проекта](https://retrivium.ai/ru/journal/grant-gpu-operating-budget.md): Сервер уже куплен, но на его работу нужны средства. Разбираем бюджет питания, поддержки и пилота, с которым лаборатория может обратиться к партнёру.
- [Грант на облако или собственные GPU: что можно предложить оператору](https://retrivium.ai/ru/journal/grant-cloud-credits.md): Облачные кредиты и грантовый сервер — разные ресурсы. Как описать полученную поддержку, проверить ограничения программы и найти допустимый сценарий сотрудничества.
- [Как лаборатории подготовить предложение о GPU-партнёрстве](https://retrivium.ai/ru/journal/research-gpu-partner-proposal.md): Структура короткого предложения для руководителя и технического партнёра: доступные GPU, цель пилота, ограничения, необходимые ресурсы и ожидаемые подтверждения.
- [Как профинансировать вычислительное окно для исследований](https://retrivium.ai/ru/journal/research-compute-sponsorship.md): Предметная поддержка GPU-ресурса: как определить исследовательское окно, бюджет эксплуатации и полезные результаты, которые сможет проверить финансирующий партнёр.
- [Общий GPU-ресурс: как договориться лаборатории, оператору и партнёру](https://retrivium.ai/ru/journal/research-pool-governance.md): Матрица ответственности для совместного GPU-пилота: кто выделяет оборудование, финансирует работу, меняет конфигурацию, подтверждает результат и останавливает нагрузку.
- [Runpod для LLM: когда выбрать Pod, а когда Serverless](https://retrivium.ai/ru/journal/runpod-guide.md): Как сравнить Runpod Pods и Serverless для языковой модели: управление средой, хранение, время запуска, оплата workers и план первого воспроизводимого пилота.
- [AWS для LLM-инференса: как оценивать GPU в Amazon EC2](https://retrivium.ai/ru/journal/aws-gpu-hosting-guide.md): Как подойти к GPU-инстансам Amazon EC2: семейство ускорителей, регион, форма покупки, связанные ресурсы и границы между облачной арендой и собственным GPU-пулом.
- [Hetzner для LLM: что проверить в выделенном GPU-сервере](https://retrivium.ai/ru/journal/hetzner-hosting-guide.md): Как оценивать GPU-серверы Hetzner GEX: состав узла, выбранную локацию, установочную и регулярную оплату, самостоятельную эксплуатацию и тест модели.
- [Vast.ai для GPU: как оценивать предложения маркетплейса](https://retrivium.ai/ru/journal/vast-ai-guide.md): Как читать предложения Vast.ai для инференса: конфигурация конкретного хоста, тип аренды, хранение, проверка воспроизводимости и различие ролей арендатора и владельца GPU.
- [Lambda Cloud: как планировать пилот на GPU-виртуальной машине](https://retrivium.ai/ru/journal/lambda-cloud-guide.md): Как оценивать Lambda Cloud On-Demand: готовую конфигурацию VM, регион, жизненный цикл, хранение и полный бюджет воспроизводимого теста языковой модели.
- [CoreWeave для инференса: сначала выберите уровень управления](https://retrivium.ai/ru/journal/coreweave-guide.md): Как оценивать CoreWeave для своей модели: вычислительная инфраструктура, dedicated inference, обязанности команды, полный бюджет и проверка выбранного уровня сервиса.
- [DigitalOcean и Paperspace: как не перепутать GPU-продукты](https://retrivium.ai/ru/journal/digitalocean-paperspace-guide.md): Как различать DigitalOcean GPU Droplets и Paperspace: виртуальные машины, notebooks, deployments, отдельные каталоги оплаты и сценарий первого LLM-пилота.
- [Google Cloud GPU: регион и квоты до запуска модели](https://retrivium.ai/ru/journal/google-cloud-gpu-guide.md): Как готовить GPU-пилот в Google Cloud Compute Engine: совместимая конфигурация, региональная доступность, квоты, программная среда и полный жизненный цикл ресурсов.
- [Azure GPU для LLM: выбираем серию VM под вычисления](https://retrivium.ai/ru/journal/azure-gpu-guide.md): Как оценивать GPU-виртуальные машины Azure для языковой модели: вычислительные и графические серии, выбранный регион, окружение и связанные расходы эксплуатации.
- [OVHcloud GPU: как отделить облачный экземпляр от остальных услуг](https://retrivium.ai/ru/journal/ovhcloud-gpu-guide.md): Как оценивать OVHcloud Public Cloud GPU для LLM: выбранный продукт, конфигурацию, регион, способ оплаты и границы между инфраструктурой и управляемым AI-сервисом.
- [Scaleway GPU: от готового образа к повторяемому пилоту](https://retrivium.ai/ru/journal/scaleway-gpu-guide.md): Как оценивать Scaleway GPU Instances: конфигурацию и образ, доступный регион, начисления за ресурсы и проверку повторяемого запуска своей языковой модели.
- [Nebius AI Cloud: как планировать рост от VM к GPU-пулу](https://retrivium.ai/ru/journal/nebius-gpu-guide.md): Как оценивать Nebius AI Cloud для своей модели: VM, кластерные соединения, способы покупки мощности, хранение и переход от небольшого теста к расширению.
- [Fluidstack: как оценивать крупную AI-инфраструктуру](https://retrivium.ai/ru/journal/fluidstack-guide.md): Что проверить при изучении Fluidstack: текущий инфраструктурный фокус, масштаб проекта, роль заказчика, порядок коммерческого обсуждения и отличие от аренды одной GPU-VM.
- [Vultr Cloud GPU: как проверить план, регион и образ](https://retrivium.ai/ru/journal/vultr-gpu-guide.md): Как оценивать Vultr Cloud GPU для LLM: выбранный план, локацию, программный образ, сетевой путь, структуру расходов и повторное развёртывание модели.
- [Oracle Cloud GPU: VM и bare metal для своей модели](https://retrivium.ai/ru/journal/oracle-cloud-gpu-guide.md): Как оценивать OCI GPU для LLM: виртуальные и bare metal конфигурации, поддерживаемый стек, регион, ресурсы хоста и проверка перед расширением мощности.
- [Crusoe Cloud: инфраструктура или управляемый инференс](https://retrivium.ai/ru/journal/crusoe-cloud-guide.md): Как различать Crusoe Infrastructure Cloud и Managed AI: собственные VM и кластеры, управляемые deployments, способы оплаты и проверка ответственности за модель.
- [Latitude.sh для LLM: как оценивать Metal GPU](https://retrivium.ai/ru/journal/latitude-sh-guide.md): Как подойти к Latitude.sh Metal GPU: выделенная конфигурация, площадка, способ управления, хранение и полный сценарий развёртывания с последующим завершением.
- [Hyperstack: стоимость VM начинается с её жизненного цикла](https://retrivium.ai/ru/journal/hyperstack-guide.md): Как оценивать Hyperstack GPU VM: flavor, регион, диски, состояния экземпляра, начисления и проверка полной стоимости теста своей языковой модели.
- [TensorDock: как оценивать GPU-VM в сети хостов](https://retrivium.ai/ru/journal/tensor-dock-guide.md): Как подойти к TensorDock: конкретный хост, настраиваемые ресурсы VM, структура оплаты и отдельные требования к арендатору и владельцу оборудования.
- [CUDO Compute в 2026 году: текущий формат и старые инструкции](https://retrivium.ai/ru/journal/cudo-compute-guide.md): Что изменилось в CUDO Compute: закрытие публичной on-demand-платформы, нынешний enterprise-фокус и вопросы перед обсуждением собственной AI-инфраструктуры.
- [Пять GPU-облаков для первого пилота: как составить короткий список](https://retrivium.ai/ru/journal/top-gpu-clouds-first-pilot.md): Редакционная подборка GPU-облаков для ограниченного LLM-пилота: Runpod, Lambda, DigitalOcean, Hyperstack и AWS с критериями отбора, вопросами и планом сравнения.
- [Четыре провайдера для европейского размещения GPU](https://retrivium.ai/ru/journal/top-european-infrastructure-providers.md): Подборка Hetzner, OVHcloud, Scaleway и Hyperstack для оценки европейского GPU-размещения: официальные локации, форма ресурса и вопросы к данным, сети и эксплуатации.
- [Выделенные GPU для LLM: четыре разных формата покупки](https://retrivium.ai/ru/journal/top-dedicated-servers-llm.md): Как сравнивать выделенные GPU-ресурсы Hetzner, Latitude.sh, Oracle Cloud и CoreWeave: физический сервер, bare metal конфигурация и отдельный endpoint модели.
- [Четыре serverless-подхода к GPU-инференсу](https://retrivium.ai/ru/journal/top-serverless-gpu-providers.md): Подборка Runpod, Vast.ai, Modal и Crusoe для изучения serverless-инференса: свой код, workers, endpoint модели, холодный запуск и сравнение разных единиц оплаты.
- [Runpod или Vast.ai: сравнение по задаче, а не по одной цене](https://retrivium.ai/ru/journal/runpod-vs-vast-ai.md): Как сравнить Runpod и Vast.ai для своей модели: формат экземпляра, serverless, выбор конкретной конфигурации, переносимость и отдельный сценарий владельца GPU.
- [AWS, Google Cloud или Azure: как сравнивать GPU под LLM](https://retrivium.ai/ru/journal/aws-vs-google-cloud-vs-azure-gpu.md): Практическая методика сравнения AWS, Google Cloud и Azure для собственной модели: семейства GPU, регионы, доступ, связанные сервисы и одинаковый тест полного приложения.
- [Hetzner, OVHcloud и Scaleway: сравнение GPU-инфраструктуры](https://retrivium.ai/ru/journal/hetzner-vs-ovhcloud-vs-scaleway.md): Как сравнить Hetzner GEX, OVHcloud Public Cloud GPU и Scaleway GPU Instances: форма ресурса, эксплуатация, срок, регион и тест под одну языковую модель.
- [Специализированное GPU-облако или гиперскейлер: что выбирать](https://retrivium.ai/ru/journal/specialist-vs-hyperscaler-gpu.md): Как сравнивать Runpod и Nebius с GPU-сервисами AWS, Google Cloud и Azure: продуктовый фокус, существующая экосистема, управление и проверка полного приложения.
- [Пять провайдеров для маленькой GPU-команды: выбираем по работе](https://retrivium.ai/ru/journal/top-providers-small-gpu-teams.md): Подборка Runpod, Lambda, DigitalOcean, Hyperstack и Modal для небольшой команды: что придётся поддерживать, как контролировать расходы и проверять запуск модели.
- [Короткий список GPU-провайдеров: методика проверяемого выбора](https://retrivium.ai/ru/journal/gpu-cloud-shortlist-method.md): Как составлять актуальный список GPU-провайдеров: проверять текущий продукт, форму ресурса, путь начала, ограничения, смету и результаты одинакового пилота.
- [CPU или GPU-хостинг: какой ресурс нужен вашей AI-задаче](https://retrivium.ai/ru/journal/cpu-vs-gpu-hosting.md): Как разделить задачи CPU и GPU при выборе хостинга для AI: обработка данных, поиск, генерация и проверка ограничений перед арендой оборудования.
- [Хостинг с увеличенной оперативной памятью: когда нужен memory-optimized](https://retrivium.ai/ru/journal/memory-optimized-hosting.md): Как выбирать сервер с увеличенной оперативной памятью для баз, кешей и подготовки данных, отделяя объём RAM от производительности CPU и GPU.
- [RAM и VRAM: какую память считать при выборе AI-сервера](https://retrivium.ai/ru/journal/ram-vs-vram.md): Чем системная оперативная память отличается от видеопамяти GPU и как составить паспорт AI-сервера без ошибочного сложения этих ресурсов.
- [Compute-optimized хостинг: когда важен процессор, а не объём памяти](https://retrivium.ai/ru/journal/compute-optimized-hosting.md): Как оценить хостинг для интенсивных CPU-вычислений: рабочий набор, потоки, длительная нагрузка и сравнение с конфигурациями с увеличенной RAM.
- [Storage-optimized хостинг: когда AI-система упирается в диск](https://retrivium.ai/ru/journal/storage-optimized-hosting.md): Как выбирать сервер для интенсивной работы с данными: локальное хранение, удалённые диски, чтение моделей, индексы и восстановление после перерыва.
- [Arm и x86 для инференса: как сравнить архитектуры CPU](https://retrivium.ai/ru/journal/arm-vs-x86-inference.md): Как проверить Arm и x86 на AI-нагрузке: совместимость программ, модель предоставления vCPU, память и прикладной тест вместо сравнения по названию процессора.
- [GPU-хостинг, GPU-сервер и API модели: что именно вы арендуете](https://retrivium.ai/ru/journal/gpu-hosting-vs-gpu-server.md): Как различать аренду машины с GPU, управляемое размещение и доступ к модели через API, чтобы правильно оценить обязанности и предложение оборудования.
- [Когда CPU-инференс LLM стоит проверить вместо покупки GPU](https://retrivium.ai/ru/journal/cpu-llm-inference-use-cases.md): Для каких проверяемых сценариев можно начать с CPU-инференса: небольшая нагрузка, совместимость, фоновые задачи и сравнение полного пользовательского цикла.
- [Пропускная способность памяти для LLM: почему гигабайтов недостаточно](https://retrivium.ai/ru/journal/memory-bandwidth-llm.md): Как оценивать память CPU и GPU через ёмкость, скорость доступа и прикладную нагрузку, не подменяя тест модели рекламными характеристиками оборудования.
- [NVMe для размещения моделей: где быстрый диск меняет результат](https://retrivium.ai/ru/journal/nvme-for-model-serving.md): Как оценить локальный NVMe в сервисе моделей: загрузка весов, кеш артефактов, обновления, восстановление и отличие дисковой скорости от скорости генерации.
- [NUMA в GPU-сервере: почему расположение ресурсов имеет значение](https://retrivium.ai/ru/journal/numa-and-gpu-servers.md): Как описать многосокетный сервер для инференса: связь CPU, RAM и GPU, проверка размещения процессов и повторяемый тест без замены оборудования.
- [PCIe и GPU-хостинг: когда соединение ограничивает модель](https://retrivium.ai/ru/journal/gpu-pcie-bandwidth.md): Как оценивать соединения GPU с хостом и другими устройствами: загрузка, обмен данными, распределённая модель и проверка фактической топологии сервера.
- [Spot или on-demand GPU: как учитывать прерывание нагрузки](https://retrivium.ai/ru/journal/spot-vs-on-demand-gpu.md): Как сравнить прерываемую и обычную аренду GPU для AI-задач: восстановление, повторная обработка, доступность ресурса и полная стоимость полезной работы.
- [Резервирование GPU и гибкая ёмкость: что именно вы фиксируете](https://retrivium.ai/ru/journal/reserved-vs-flexible-capacity.md): Как различать резерв ресурса и финансовое обязательство при планировании GPU-пула: доступность, срок, правила изменения и проверка альтернатив.
- [Serverless GPU или постоянная реплика: как выбрать режим инференса](https://retrivium.ai/ru/journal/serverless-vs-always-on-inference.md): Как сравнивать запуск по запросу и постоянно готовую модель: холодный старт, интервалы простоя, минимальная ёмкость и полный пользовательский цикл.
- [Гибридная CPU/GPU-архитектура: как разделить AI-сервис по задачам](https://retrivium.ai/ru/journal/cpu-gpu-hybrid-architecture.md): Как распределить приём запросов, поиск, подготовку данных и генерацию между CPU и GPU, сохранив понятные интерфейсы и измеряемые расходы.
- [Сервер с увеличенной RAM для RAG: что держать в памяти](https://retrivium.ai/ru/journal/high-ram-rag-servers.md): Как оценить оперативную память RAG-системы: документы, индексы, кеши, обновления и границы между поиском на CPU и генерацией на GPU.
- [Память векторной базы: как выбрать RAM и диск для поиска](https://retrivium.ai/ru/journal/vector-database-memory-hosting.md): Как оценивать хостинг векторной базы: размер представлений, индексы, поля, кеши, режим хранения и проверка роста коллекции на реальных запросах.
- [RAM для подготовки AI-данных: как не переплатить за простой памяти](https://retrivium.ai/ru/journal/ram-for-data-preprocessing.md): Как оценить оперативную память очистки, разбиения и токенизации данных: потоковая обработка, параллелизм, промежуточные файлы и проверка пикового расхода.
- [GPU в Kubernetes: как планировать CPU, RAM и ускорители вместе](https://retrivium.ai/ru/journal/kubernetes-gpu-scheduling.md): Что проверить при размещении моделей в Kubernetes: запросы ресурсов, доступные GPU, ограничения хоста, готовность модели и влияние соседних задач.
- [Контейнер или виртуальная машина с GPU: что проверить перед размещением](https://retrivium.ai/ru/journal/gpu-containers-vs-vms.md): Как сравнивать контейнеры и VM для GPU-моделей: драйверы, доступ к устройствам, ресурсы хоста, обновления и границы ответственности владельца.
- [MIG и time-slicing: как делить GPU без путаницы в гарантиях](https://retrivium.ai/ru/journal/gpu-mig-vs-time-slicing.md): Чем аппаратное разделение поддерживаемых GPU отличается от совместного выполнения по времени и какие ограничения проверить при размещении нескольких моделей.
- [Размещение LoRA-адаптеров: как оценить ёмкость GPU-сервера](https://retrivium.ai/ru/journal/lora-serving-capacity.md): Как проверять обслуживание базовой модели с LoRA-адаптерами: совместимость, память, смена задач, параллельные запросы и воспроизводимый состав конфигурации.
- [GPU-хостинг для мультимодальных моделей: считайте не только текст](https://retrivium.ai/ru/journal/multimodal-gpu-hosting.md): Как проверять размещение моделей с изображениями и другими входами: подготовка данных, RAM, VRAM, ограничения запросов и сопоставимые технические испытания.
- [Хостинг пакетного инференса: как использовать GPU по расписанию](https://retrivium.ai/ru/journal/batch-inference-hosting.md): Как оценить обработку AI-задач партиями: единица результата, расписание оборудования, повторные запуски, промежуточное хранение и завершение к сроку.
- [Автомасштабирование GPU: почему свободная карта ещё не готовая реплика](https://retrivium.ai/ru/journal/autoscaling-gpu-cold-start.md): Как проверять запуск дополнительной GPU-реплики: предоставление узла, загрузка весов, прогрев, очередь и время возвращения к рабочему ответу.
- [Сетевой трафик AI-сервиса: как учесть egress до размещения GPU](https://retrivium.ai/ru/journal/cloud-egress-model-serving.md): Как оценивать передачу данных при размещении моделей: веса, клиентские запросы, межрегиональные связи, резервные копии и расходы повторных запусков.
- [Топ CPU-хостингов для RAG: четыре варианта для технического сравнения](https://retrivium.ai/ru/journal/top-cpu-hosting-rag.md): Редакционное сравнение AWS C8i, Google C4, Azure Falsv7 и Hetzner CCX для CPU-части RAG: назначение, ограничения и единая методика пилота.
- [Топ хостингов с увеличенной RAM: четыре memory-optimized варианта](https://retrivium.ai/ru/journal/top-memory-optimized-clouds.md): Сравнение AWS R8i, Google M4, Azure Esv7 и Azure Epsv6 для задач с большим рабочим набором: критерии, архитектура CPU и проверка нужного объёма RAM.
- [Топ архитектур хостинга LLM: пять схем под разные задачи](https://retrivium.ai/ru/journal/top-hosting-architectures-llm.md): Редакционное сравнение пяти схем размещения AI: CPU с внешней моделью, единый GPU-сервер, разделённые компоненты, пакетная обработка и запуск по требованию.
- [OpenRouter: как устроен доступ к моделям и чем он полезен GPU-пулу](https://retrivium.ai/ru/journal/openrouter-platform-guide.md): Разбор OpenRouter для разработчика и владельца GPU: каталог моделей, единый API, выбор провайдера, расчёты и отдельный процесс подключения сервиса инференса.
- [Роутинг провайдеров OpenRouter: как задавать допустимые маршруты](https://retrivium.ai/ru/journal/openrouter-provider-routing.md): Как проверять provider routing в OpenRouter: разрешённые исполнители, сортировка, ограничения функций, резервные маршруты и воспроизводимый тест поведения.
- [Requesty: управляемый LLM-шлюз для маршрутов и командного доступа](https://retrivium.ai/ru/journal/requesty-guide.md): Что проверять в Requesty перед интеграцией: единый API, fallback-политики, собственные ключи, аналитика, настройки данных и роль сервиса в цепочке инференса.
- [Portkey и Prisma AIRS AI Gateway: функции шлюза и границы продукта](https://retrivium.ai/ru/journal/portkey-ai-gateway-guide.md): Обзор Portkey с актуальным обозначением Prisma AIRS AI Gateway: маршрутизация, политики, наблюдаемость, собственное размещение и проверка нужного варианта продукта.
- [LiteLLM Proxy: когда нужен собственный шлюз к моделям](https://retrivium.ai/ru/journal/litellm-proxy-guide.md): Как оценивать LiteLLM Proxy для своей инфраструктуры: единый endpoint, ключи команд, бюджеты, роутинг, эксплуатация и границы ответственности оператора.
- [Vercel AI Gateway: единый доступ к моделям для приложения](https://retrivium.ai/ru/journal/vercel-ai-gateway-guide.md): Как проверить Vercel AI Gateway: совместимые API, выбор модели и провайдера, собственные ключи, наблюдаемость и связь с архитектурой приложения.
- [Cloudflare AI Gateway: маршруты, наблюдаемость и общий биллинг](https://retrivium.ai/ru/journal/cloudflare-ai-gateway-guide.md): Как оценить Cloudflare AI Gateway для LLM-приложения: интерфейсы, Unified Billing, собственные ключи, ограничения и проверка полного пути запроса.
- [Kong AI Gateway: управление LLM-трафиком внутри API-инфраструктуры](https://retrivium.ai/ru/journal/kong-ai-gateway-guide.md): Для каких задач рассматривать Kong AI Gateway: управление трафиком и политиками, варианты размещения, интеграция с API-платформой и проверка эксплуатационных обязанностей.
- [Helicone AI Gateway: маршрутизация вместе с наблюдаемостью](https://retrivium.ai/ru/journal/helicone-ai-gateway-guide.md): Как оценить Helicone AI Gateway: единый интерфейс, маршруты провайдеров, метрики и журналы. Почему наличие наблюдаемости не заменяет проверку качества и расчётов.
- [Amazon Bedrock: доступ к моделям внутри инфраструктуры AWS](https://retrivium.ai/ru/journal/bedrock-model-access-guide.md): Как рассматривать Amazon Bedrock при выборе LLM-инфраструктуры: модели, API, регионы, права, способы выполнения и отличие от канала подключения стороннего GPU.
- [Vertex AI Model Garden: как читать текущий каталог Google Cloud](https://retrivium.ai/ru/journal/vertex-ai-model-garden-guide.md): Как оценивать Model Garden по текущей документации Google Cloud: названия продукта, карточки моделей, managed inference, собственное развёртывание и расходы.
- [Azure AI Foundry и Microsoft Foundry Models: как выбирать способ выполнения](https://retrivium.ai/ru/journal/azure-ai-foundry-models-guide.md): Что проверять в Microsoft Foundry Models, известном по запросу Azure AI Foundry: каталог, serverless API, managed compute, поддержка и региональные ограничения.
- [Together AI: serverless и выделенный инференс для открытых моделей](https://retrivium.ai/ru/journal/together-ai-platform-guide.md): Как оценить Together AI под свою нагрузку: serverless API, выделенное выполнение, функции модели, лимиты и сравнение полной стоимости эксплуатации.
- [Fireworks AI: как сравнивать serverless и deployments](https://retrivium.ai/ru/journal/fireworks-ai-platform-guide.md): Разбор Fireworks AI для выбора инференса: managed infrastructure, serverless, deployments, данные usage, ограничения и воспроизводимое сравнение с другими вариантами.
- [Hugging Face Inference Providers: модели, маршруты и способы оплаты](https://retrivium.ai/ru/journal/hugging-face-inference-providers-guide.md): Как устроен доступ через Hugging Face Inference Providers: выбор задачи и исполнителя, routed billing, собственный ключ и отличие от выделенного endpoint.
- [Пять управляемых платформ роутинга LLM: выбор по задаче](https://retrivium.ai/ru/journal/top-managed-llm-routing-platforms.md): Редакционная подборка OpenRouter, Requesty, Vercel, Cloudflare и Helicone: типы управляемого доступа, критерии сравнения и методика собственного теста без вымышленных рейтингов.
- [Четыре варианта собственного AI-шлюза: LiteLLM, Portkey, Kong и Agent Router](https://retrivium.ai/ru/journal/top-self-hosted-ai-gateways.md): Редакционная подборка self-hosted AI gateways с проверенными источниками: варианты размещения, эксплуатация, лицензирование и методика выбора для своей инфраструктуры.
- [OpenRouter или Requesty: сравнение управляемого доступа к LLM](https://retrivium.ai/ru/journal/openrouter-vs-requesty.md): Как сравнивать OpenRouter и Requesty по моделям, политике маршрутов, собственным ключам, наблюдаемости и роли в инфраструктуре без универсального победителя.
- [OpenRouter и Portkey: доступ к каталогу или управление AI-трафиком](https://retrivium.ai/ru/journal/openrouter-vs-portkey.md): Почему OpenRouter и Portkey нельзя сравнивать только по числу моделей: разные роли продукта, размещение, правила доступа и условия подключения собственного инференса.
- [OpenRouter или LiteLLM: управляемый доступ и собственный шлюз](https://retrivium.ai/ru/journal/openrouter-vs-litellm.md): Как сравнить OpenRouter и LiteLLM Proxy по контролю, эксплуатации, ключам и расчётам. Почему self-hosted шлюз и внешний каталог могут быть частями одной схемы.
- [Vercel и Cloudflare AI Gateway: как сравнить управляемые шлюзы](https://retrivium.ai/ru/journal/vercel-vs-cloudflare-ai-gateway.md): Сравнение Vercel и Cloudflare AI Gateway по интерфейсам, выбору исполнителя, данным и расчётам. Методика пилота для приложения вместо универсального рейтинга.
- [Bedrock, Vertex Model Garden и Foundry: сравнение облачных подходов](https://retrivium.ai/ru/journal/bedrock-vs-vertex-vs-foundry.md): Как сравнить Amazon Bedrock, Google Model Garden и Microsoft Foundry по конкретной модели, режиму выполнения, региону, правам и полной стоимости задачи.
- [Together, Fireworks и OpenRouter: сравнение разных ролей в инференсе](https://retrivium.ai/ru/journal/together-vs-fireworks-vs-openrouter.md): Чем отличаются платформы выполнения Together и Fireworks от агрегированного доступа OpenRouter. Как сравнивать один сценарий и не смешивать роль провайдера с ролью шлюза.
- [BYOK или общий биллинг: кто оплачивает запрос к модели](https://retrivium.ai/ru/journal/byok-vs-managed-billing.md): Как сравнить собственные ключи провайдеров и управляемые расчёты через LLM-шлюз: счета, лимиты, резервные маршруты, данные и контроль расходов.
- [Роутинг модели и роутинг провайдера: два разных решения](https://retrivium.ai/ru/journal/model-routing-vs-provider-routing.md): Чем отличается выбор языковой модели от выбора её исполнителя: качество, функции, задержки, резервирование и методика проверки маршрута LLM-запроса.
- [Полная стоимость LLM-роутера: что считать кроме цены токенов](https://retrivium.ai/ru/journal/token-router-total-cost.md): Как оценить расходы на LLM-роутинг: инференс, функции шлюза, хранение и экспорт, эксплуатация, повторные запросы и стоимость полезного результата.
- [Как сверять токены и биллинг LLM-роутера](https://retrivium.ai/ru/journal/router-billing-token-accounting.md): Практическая сверка расходов на LLM: идентификаторы запросов, usage, модели и провайдеры, повторные попытки, прерванные потоки и различия между оценкой и счётом.
- [Как сравнивать политику данных LLM-роутеров](https://retrivium.ai/ru/journal/router-data-policy-comparison.md): Методика сравнения данных в цепочке LLM-запроса: содержание, телеметрия, обучение, хранение, география и настройки резервных исполнителей по первичным источникам.
- [Fallback и лимиты LLM-роутера: как проверять отказоустойчивость](https://retrivium.ai/ru/journal/router-failover-and-rate-limits.md): Как тестировать резервные маршруты и rate limits: предел времени, совместимость моделей, число попыток, перегрузка, прерванный поток и наблюдаемость результата.
- [Как выбрать канал продажи токенов для собственного GPU-пула](https://retrivium.ai/ru/journal/choosing-token-sales-channel.md): Что проверять оператору GPU перед выбором канала продаж: доступ провайдера, технические требования, условия расчётов, спрос, отчётность и пилот интеграции.
- [Карта свободных GPU компании: как найти ресурс для нового сервиса](https://retrivium.ai/ru/journal/idle-gpu-resource-map.md): Как собрать проверяемую карту незагруженных GPU: владельцы, расписание, площадки, ограничения и затраты. Основа для решения о подключении оборудования к пулу.
- [Приёмка GPU-узла: какие доказательства полезнее красивого бенчмарка](https://retrivium.ai/ru/journal/gpu-acceptance-evidence.md): Что включить в отчёт о приёмке GPU-сервера: конфигурацию, состояние, профиль запросов, ограничения, восстановление и решение о готовности к эксплуатации.
- [Бюджет обслуживания GPU: как предусмотреть работу после запуска](https://retrivium.ai/ru/journal/gpu-maintenance-budget.md): Какие эксплуатационные статьи обсудить при финансировании GPU: обслуживание, запасные компоненты, диагностику, простой и условия согласования дополнительных расходов.
- [Сдать GPU или передать эксплуатацию: что остаётся у владельца](https://retrivium.ai/ru/journal/gpu-owner-managed-operation.md): Как разделить владение оборудованием и техническую эксплуатацию GPU: границы решений, доступы, расходы, изменение нагрузки и возвращение сервера к своим задачам.
- [Короткий бриф для GPU-партнёра: оборудование, задача и бюджет](https://retrivium.ai/ru/journal/gpu-partner-brief-template.md): Как подготовить первый разговор о GPU-пуле: описать ресурс или финансируемый этап, назвать ограничения, открытые вопросы и критерии следующего решения.
- [Исследовательские данные и внешний GPU-пилот: где провести границу](https://retrivium.ai/ru/journal/research-data-boundaries-gpu.md): Как лаборатории отделить внешний инференс от исследовательских данных: тестовые наборы, каталоги, доступы, журналы и проверка завершения пилота.
- [Эталонная конфигурация GPU-узла: зачем она небольшому пулу](https://retrivium.ai/ru/journal/gpu-reference-configuration.md): Как зафиксировать проверенную конфигурацию GPU-сервера и использовать её для сравнения новых машин: оборудование, версии, нагрузка, ограничения и отклонения.
- [Энергия на запрос LLM: как измерять без ложной точности](https://retrivium.ai/ru/journal/measuring-energy-per-inference.md): Как сравнивать энергопотребление GPU-инференса: границы измерения, ожидание, рабочая нагрузка, успешные запросы и различие энергии устройства и всего сервера.
- [Лимит расходов GPU-пилота: как вовремя принять следующее решение](https://retrivium.ai/ru/journal/gpu-pilot-spending-limit.md): Как ограничить бюджет технического GPU-пилота: разделить расходы, назначить владельца решения, настроить наблюдение и согласовать действия при достижении порога.
- [Финансировать существующий GPU или покупать новый: с чего начать](https://retrivium.ai/ru/journal/existing-gpu-vs-new-purchase.md): Как сравнить поддержку простаивающего GPU-узла и новую закупку: пригодность к задаче, подготовку площадки, срок проверки, расходы и основания для решения.
- [Vast.ai hosting setup: какие сведения собрать до установки хоста](https://retrivium.ai/ru/journal/vast-host-preflight-files.md): Что подготовить до Vast.ai hosting setup: паспорт машины, права на использование, состояние системы, ресурсы площадки и перечень подтверждений перед установкой.
- [Vast.ai hosting guide: как читать этапы верификации хоста](https://retrivium.ai/ru/journal/vast-host-verification-stages.md): Как читать верификацию хоста Vast.ai: минимальные проверки, технические свидетельства, состояние машины и вопросы при задержке статуса без обещания допуска.
- [Vast.ai: как выбрать дату окончания предложения своего сервера](https://retrivium.ai/ru/journal/vast-host-offer-end-date.md): Как выбрать дату окончания предложения Vast.ai, если сервер понадобится владельцу: календарь обязательств, буфер на возврат и проверка связанных правил аренды.
- [Окно обслуживания хоста Vast.ai: как подготовить плановый перерыв](https://retrivium.ai/ru/journal/vast-host-maintenance-window.md): Как подготовить плановый перерыв хоста Vast.ai: состав работ, действующие нагрузки, время UTC, проверка после обслуживания и журнал фактической готовности.
- [Как проверить собственный хост Vast.ai через тестовую аренду](https://retrivium.ai/ru/journal/vast-host-self-rental-test.md): Как проверить собственную машину на Vast.ai со стороны клиента: отличия self-test, default job и self-rental, сценарий испытания и фиксация результата.
- [Сколько стоит сдать сервер в аренду: пример счёта за электричество](https://retrivium.ai/ru/journal/own-server-electricity-invoice.md): Пример расчёта электричества своего GPU-сервера: активные часы, ожидание, отключение, тариф и границы измерения. Как подготовить понятную строку расходов владельца.
- [Стоимость часа доступности своего GPU: какие расходы делить на часы](https://retrivium.ai/ru/journal/gpu-availability-cost-per-hour.md): Как посчитать стоимость часа доступности собственного GPU: постоянные расходы, доступное расписание и ограничения показателя без подмены его ценой продажи.
- [Лимит мощности площадки: как посчитать бюджет кВт для GPU-сервера](https://retrivium.ai/ru/journal/gpu-site-power-budget.md): Как подготовить бюджет мощности площадки под GPU-сервер: границы измерения, сопутствующие устройства, сценарии нагрузки и вопросы ответственному за электроснабжение.
- [Сдать свой сервер в аренду без перевозки: паспорт площадки для обсуждения](https://retrivium.ai/ru/journal/gpu-owner-no-relocation-brief.md): Как описать свой GPU-сервер без перевозки: паспорт исходной площадки, удалённый доступ, расписание, физическое обслуживание и вопросы до технического пилота.
- [Календарь доступности GPU: часовые пояса, исключения и дата окончания](https://retrivium.ai/ru/journal/gpu-weekly-availability-calendar.md): Как составить календарь GPU-доступности: конкретные даты, часовой пояс, интервалы UTC, исключения, версии расписания и время передачи ресурса владельцу.
- [Паспорт GPU в CSV: какие поля выгрузить из nvidia-smi](https://retrivium.ai/ru/journal/gpu-inventory-csv-from-nvidia-smi.md): Какие поля nvidia-smi включить в CSV-паспорт GPU: модель, память, драйвер, дата сбора и ограничения вывода без передачи секретов и избыточной диагностики.
- [Смена оператора GPU: реестр выдачи и отзыва ключей доступа](https://retrivium.ai/ru/journal/gpu-operator-key-handover.md): Как передать GPU-сервер другому оператору: реестр персональных доступов, согласованные права, отзыв старых ключей, текущие сессии и фиксация завершения передачи.
- [Отчёт о простое GPU: как различать ожидание, недоступность и резерв](https://retrivium.ai/ru/journal/gpu-idle-report-state-taxonomy.md): Как составить отчёт о простое GPU без двойного счёта: интервалы ожидания, резерва, работ и недоступности, источники наблюдений и ограничения финансовых выводов.
- [Как освободить GPU к исследовательскому окну: проверка передачи ресурса](https://retrivium.ai/ru/journal/gpu-research-window-handover.md): Как подготовить GPU к исследовательскому окну: прекращение внешней нагрузки, освобождение ресурсов, проверка среды, контрольная задача и подтверждённая передача лаборатории.
- [Облачные GPU-кредиты скоро истекают: как спланировать полезный пилот](https://retrivium.ai/ru/journal/gpu-cloud-credit-expiry-plan.md): Как спланировать GPU-пилот до истечения облачных кредитов: допустимые сервисы, календарь результатов, расходы после окончания и критерий остановки без перепродажи credits.
- [Грантовый GPU: что включить в описание удалённого доступа для согласования](https://retrivium.ai/ru/journal/gpu-grant-remote-access-appendix.md): Техническое приложение для согласования удалённого доступа к грантовому GPU: участники, действия, сроки, данные, наблюдение и прекращение прав без юридических выводов.
- [Электричество грантового GPU: как отделить расходы разных проектов](https://retrivium.ai/ru/journal/gpu-grant-electricity-cost-center.md): Как разделить электрические расходы грантового GPU между задачами: граница измерения, календарь проектов, общая энергия ожидания и прозрачное правило распределения.
- [Календарь платежей GPU-пилота: расходы, обязательства и остаток средств](https://retrivium.ai/ru/journal/gpu-funding-payment-calendar.md): Как составить календарь платежей GPU-пилота: даты оплаты и исполнения, обязательства, доступный остаток и вопросы до следующего этапа финансирования.
- [Счёт площадки и телеметрия GPU: как объяснить расхождение расхода](https://retrivium.ai/ru/journal/gpu-invoice-vs-telemetry-reconciliation.md): Почему счёт площадки отличается от показаний GPU: границы карты и сервера, интервалы, ожидание, другие устройства и сверка источников без ложной точности.
- [Вклад оборудованием в GPU-пилот: как описать ресурс без оценки доходности](https://retrivium.ai/ru/journal/gpu-in-kind-contribution-register.md): Как описать неденежный вклад в GPU-пилот: оборудование, периоды доступа, обслуживание, ограничения и подтверждение использования без обещанной денежной оценки.
- [Резерв запчастей GPU-узла: что включать в операционный бюджет](https://retrivium.ai/ru/journal/gpu-spare-part-reserve-table.md): Как собрать перечень запасных частей GPU-сервера: совместимость, срок поставки, подтверждение неисправности и отдельный резерв в бюджете пилота.
- [Постоянные и переменные расходы своего GPU: рабочая таблица](https://retrivium.ai/ru/journal/gpu-fixed-variable-cost-worksheet.md): Рабочая таблица постоянных и переменных расходов GPU: как учитывать выключение, простой, электричество и общие затраты без двойного счёта.
- [Неизрасходованный бюджет GPU-пилота: как показать остаток и обязательства](https://retrivium.ai/ru/journal/gpu-funding-unused-budget-report.md): Как показать остаток бюджета GPU-пилота: оплаченные расходы, подтверждённые обязательства, предварительные оценки и свободная сумма для решения.
- [Стоимость выезда к GPU-серверу: как сравнить условия физического обслуживания](https://retrivium.ai/ru/journal/gpu-remote-hands-callout-cost.md): Как сравнить стоимость выезда и remote hands для GPU-сервера: минимальное время, срочность, материалы, доступ и подтверждение результата.
- [Завершение GPU-пилота: как зафиксировать очистку рабочих каталогов](https://retrivium.ai/ru/journal/gpu-disk-cleanup-evidence.md): Как зафиксировать очистку рабочих данных после GPU-пилота: границы каталогов и томов, перечень проверок, доступы и ограничения подтверждения.
- [Журнал сетевого перерыва GPU-узла: какие времена и события записать](https://retrivium.ai/ru/journal/gpu-owner-network-outage-log.md): Как вести журнал сетевой недоступности GPU-сервера: время обнаружения, восстановление связи, готовность модели и подтверждения без выдуманной упущенной выручки.
- [Изменения GPU-сервера: журнал драйверов, настроек и согласований](https://retrivium.ai/ru/journal/gpu-maintenance-change-register.md): Журнал изменений GPU-сервера: как связать версии драйверов и настроек с согласованием, проверкой результата и возможностью возврата к прошлой конфигурации.
- [Две GPU в одном сервере: как распределить общие расходы на хост](https://retrivium.ai/ru/journal/gpu-two-card-cost-allocation.md): Как распределить электричество, CPU, RAM и другие общие расходы сервера между двумя GPU: правила учёта и условный пример без двойного начисления.
- [Грант на облако: как проверить, какие GPU-расходы покрывают кредиты](https://retrivium.ai/ru/journal/gpu-credit-service-eligibility-map.md): Как составить карту покрытия GPU-расходов облачными кредитами: допустимые сервисы, аккаунт, срок действия, остаток и расходы вне программы.
- [Смета закупки GPU: как учитывать сроки действия предложений поставщиков](https://retrivium.ai/ru/journal/gpu-funding-quote-validity-register.md): Реестр предложений поставщиков GPU: срок действия цены, комплектация, валюта, доставка и причины пересмотра сметы перед закупкой оборудования.
- [RTX 3090 или RTX 4090 для LLM: что сравнивать при одинаковой VRAM](https://retrivium.ai/ru/journal/rtx-3090-vs-4090-llm.md): Сравнение RTX 3090 и RTX 4090 для LLM: официальная VRAM, совместимость, длительная работа и одинаковый тест без выдуманных токенов в секунду.
- [RTX 4090 или RTX 5090 для LLM: 24 и 32 ГБ под одну задачу](https://retrivium.ai/ru/journal/rtx-4090-vs-5090-llm.md): Чем RTX 4090 и RTX 5090 различаются для LLM: штатная память, архитектура, поддержка движка и проверка одной нагрузки перед сменой GPU.
- [RTX 4090 48GB для LLM: официальная карта и модификация](https://retrivium.ai/ru/journal/rtx-4090-48gb-modification.md): Почему запрос RTX 4090 48GB требует проверки происхождения карты: штатная спецификация, модификация, драйвер и полноценная техническая приёмка.
- [RTX 4090 Laptop и настольная RTX 4090 для LLM: разные устройства](https://retrivium.ai/ru/journal/rtx-4090-laptop-vs-desktop.md): Чем RTX 4090 Laptop отличается от настольной RTX 4090 для локальной модели: штатная память, охлаждение, длительная нагрузка и режим владельца.
- [RTX 3090 24GB: как выбрать модель для локального запуска](https://retrivium.ai/ru/journal/rtx-3090-24gb-model-selection.md): Как владельцу RTX 3090 24GB подобрать конкретную LLM: карточка модели, формат, короткий тест, контекст и технический паспорт уже имеющейся машины.
- [RTX 5090: почему нельзя назвать одну скорость LLM в токенах](https://retrivium.ai/ru/journal/rtx-5090-tokens-per-second.md): Почему токены в секунду RTX 5090 зависят от модели и режима: как проверить источник результата и организовать собственный воспроизводимый тест.
- [Модель для программирования на 8 ГБ VRAM: с чего начать](https://retrivium.ai/ru/journal/coding-llm-8gb-vram.md): Как выбрать модель для программирования на 8 ГБ VRAM: небольшой артефакт, проверка кода, контекст файла и безопасный локальный пилот.
- [LLM для кода на 12 ГБ VRAM: модель, контекст и запас](https://retrivium.ai/ru/journal/coding-llm-12gb-vram.md): Выбор coding-LLM на 12 ГБ VRAM: как проверить конкретную 7B-модель, формат весов, рабочий файл и корректность патча при ограниченной памяти.
- [Локальная LLM на 16 ГБ VRAM: как сузить выбор моделей](https://retrivium.ai/ru/journal/local-llm-16gb-vram.md): Как сузить выбор локальной LLM для 16 ГБ VRAM: точная модель, формат весов, короткий контекст и ступени полезной нагрузки на имеющемся GPU.
- [Локальная LLM на 24 ГБ VRAM: что проверить помимо весов](https://retrivium.ai/ru/journal/local-llm-24gb-vram.md): Что проверять при выборе локальной LLM на 24 ГБ VRAM: точные артефакты, числовой формат, место для запросов и работа на одной видеокарте.
- [48 ГБ VRAM для LLM: одна карта и несколько карт — не одно и то же](https://retrivium.ai/ru/journal/llm-models-48gb-vram.md): Как оценить 48 ГБ VRAM под LLM: одна карта против нескольких устройств, форматы модели, распределение весов и обязательный запас для запросов.
- [Сколько VRAM нужно модели 70B: расчёт весов и полный бюджет](https://retrivium.ai/ru/journal/llm-70b-vram-calculation.md): Как посчитать начальную память модели 70B в 16, 8 и 4 битах и почему результат не является гарантией размещения LLM-сервиса на GPU.
- [Модель 8B: как посчитать память весов до запуска](https://retrivium.ai/ru/journal/llm-8b-weight-memory.md): Начальная оценка памяти модели 8B: формула весов, GB и GiB, точное число параметров, дополнительные данные и проверка рабочего режима.
- [Модель 14B на 16 ГБ VRAM: что означает оценка по битам](https://retrivium.ai/ru/journal/llm-14b-16gb-memory.md): Что проверить для модели 14B на 16 ГБ VRAM: арифметика весов, поддерживаемая квантизация, реальные данные runtime и короткий рабочий сценарий.
- [Модель 32B на 24 ГБ VRAM: почему формулы недостаточно](https://retrivium.ai/ru/journal/llm-32b-24gb-memory.md): Как проверить 32B-модель на 24 ГБ VRAM: условная память весов, реальные квантизированные артефакты, кеш запросов и ограниченный технический тест.
- [Qwen3-8B: память, thinking-режим и первый локальный тест](https://retrivium.ai/ru/journal/qwen3-8b-vram-requirements.md): Практическая проверка Qwen3-8B: точный артефакт, шаблон сообщения, thinking-режим, начальная память и отдельные тесты входа и ответа.
- [Qwen3-Coder: как читать требования к памяти разных моделей](https://retrivium.ai/ru/journal/qwen3-coder-vram-requirements.md): Почему для Qwen3-Coder нельзя назвать VRAM без полного имени: dense и MoE, общие и активные параметры, формат и проверка coding-нагрузки.
- [Qwen3-VL: как проверить VRAM на изображениях разной сложности](https://retrivium.ai/ru/journal/qwen3-vl-vram-requirements.md): Qwen3-VL и видеопамять: как выбрать точный артефакт, учитывать изображения и проверить полный путь от загрузки файла до корректного ответа.
- [gpt-oss-20b: какие условия стоят за требованиями к VRAM](https://retrivium.ai/ru/journal/gpt-oss-20b-vram-setup.md): Как оценить VRAM для gpt-oss-20b по официальной документации: MXFP4, поддерживаемое оборудование, полный артефакт и начальный локальный тест.
- [gpt-oss-120b: память всей MoE-модели и активные параметры](https://retrivium.ai/ru/journal/gpt-oss-120b-vram-setup.md): Как читать требования gpt-oss-120b: общие и активные параметры MoE, MXFP4, поддерживаемая конфигурация и проверка сервиса после загрузки.
- [DeepSeek-R1 и Distill: почему требования к GPU различаются](https://retrivium.ai/ru/journal/deepseek-r1-distill-vram.md): Как различать DeepSeek-R1 и модели Distill при выборе GPU: точный артефакт, архитектура, формат весов и проверка локального режима.
- [DeepSeek-OCR: как проверить GPU и точность распознавания](https://retrivium.ai/ru/journal/deepseek-ocr-gpu-requirements.md): Как проверить DeepSeek-OCR на GPU: точная модель, режим обработки страницы, корректность чисел, память подготовки и ограниченный тест документов.
- [Два GPU по 24 ГБ или один на 48 ГБ: как выбрать для модели](https://retrivium.ai/ru/journal/two-24gb-vs-one-48gb-gpu.md): Сравнение двух GPU по 24 ГБ и одной карты на 48 ГБ для LLM: размещение весов, независимые реплики, обмен и проверка рабочего контекста.
- [RTX 5060 Ti 16GB или RTX 5070 12GB для локальной LLM](https://retrivium.ai/ru/journal/rtx-5060ti-16gb-vs-5070-12gb.md): Чем RTX 5060 Ti 16GB и RTX 5070 12GB различаются для локальной LLM: штатные варианты, запас памяти и проверка одной модели вместо игрового рейтинга.
- [A100 40GB и 80GB для LLM: память и исполнение карты](https://retrivium.ai/ru/journal/a100-40gb-vs-80gb-llm.md): A100 40GB и 80GB для LLM: как различать память, PCIe и SXM, требования платформы и полезный запас для запросов на конкретном сервере.
- [H100 PCIe и SXM: почему нельзя сравнивать только имя GPU](https://retrivium.ai/ru/journal/h100-pcie-vs-sxm-llm.md): H100 PCIe и SXM для LLM: почему нужно уточнять SKU, платформу, соединения и фактическую память, а не сравнивать только общую надпись H100.
- [CUDA out of memory при загрузке модели: порядок проверки](https://retrivium.ai/ru/journal/cuda-oom-model-loading.md): Разбираем CUDA OOM при загрузке LLM: веса, временные буферы, занятая VRAM и совместимость формата. Порядок диагностики до покупки GPU.
- [CUDA out of memory на длинном запросе: как проверить контекст](https://retrivium.ai/ru/journal/cuda-oom-long-context.md): Почему LLM отвечает на короткий вопрос и падает с CUDA OOM на длинном: вход, выход, KV-кеш и воспроизводимая проверка границы контекста.
- [CUDA out of memory при нескольких запросах: память параллельности](https://retrivium.ai/ru/journal/cuda-oom-concurrent-requests.md): CUDA OOM появляется только под несколькими запросами? Проверяем число активных последовательностей, общий контекст, очередь и пиковую память GPU.
- [Allocated и reserved в CUDA OOM: как читать сообщение](https://retrivium.ai/ru/journal/cuda-oom-reserved-vs-allocated.md): Как читать allocated, reserved и free в ошибке CUDA OOM: живые тензоры, кеш распределителя, другие процессы и проверка фрагментации.
- [vLLM в Docker: первый проверяемый запуск на NVIDIA GPU](https://retrivium.ai/ru/journal/vllm-docker-first-launch.md): Первый запуск vLLM в Docker: доступ NVIDIA GPU, сохранение весов, локальный порт, журнал загрузки и запрос к списку моделей.
- [Установка vLLM: как проверить GPU, драйвер и сборку](https://retrivium.ai/ru/journal/vllm-install-compatibility.md): Как устанавливать vLLM без случайного набора зависимостей: ОС, архитектура GPU, драйвер, Python, PyTorch и точная версия сборки.
- [vLLM на Windows: когда нужен WSL и что проверить в Linux-среде](https://retrivium.ai/ru/journal/vllm-windows-wsl.md): Разбираем vLLM на Windows через WSL: где работает Linux, как проверить GPU, файлы модели, порты и отличие от нативного Windows-запуска.
- [vLLM served-model-name: почему API не находит загруженную модель](https://retrivium.ai/ru/journal/vllm-served-model-name.md): vLLM отвечает, но API сообщает model not found? Проверяем served-model-name, список /v1/models, запрос клиента и отличие имени от checkpoint.
- [vLLM max-model-len: как ограничить контекст осмысленно](https://retrivium.ai/ru/journal/vllm-max-model-len.md): Как выбрать vLLM max-model-len: общий бюджет входа и ответа, память KV-кеша, реальные документы и проверка нескольких обращений.
- [vLLM gpu-memory-utilization: что ограничивает эта настройка](https://retrivium.ai/ru/journal/vllm-gpu-memory-utilization.md): Что делает gpu-memory-utilization в vLLM: бюджет экземпляра, память весов и кеша, другие процессы и проверка разумного запаса VRAM.
- [vLLM tensor-parallel-size: когда несколько GPU нужны одной модели](https://retrivium.ai/ru/journal/vllm-tensor-parallel-size.md): Как работает tensor-parallel-size в vLLM: распределение одной модели, топология GPU, ограничения архитектуры и сравнение с двумя репликами.
- [vLLM quantization: как согласовать веса, формат и GPU](https://retrivium.ai/ru/journal/vllm-quantization-launch.md): Как запускать квантованную модель в vLLM: совместимость checkpoint, метода квантования, GPU и версии движка без случайного выбора флага.
- [vLLM и GGUF: что проверить до переноса модели из llama.cpp](https://retrivium.ai/ru/journal/vllm-gguf-compatibility.md): Можно ли перенести GGUF из llama.cpp в vLLM: актуальная поддержка плагина, архитектура, токенизатор и проверка формата до запуска.
- [vLLM bench serve: как прочитать результат командного теста](https://retrivium.ai/ru/journal/vllm-bench-serve-command.md): Практический пример vLLM bench serve: входные и выходные токены, поток запросов, прогрев, задержка и условия сравнения GPU.
- [vLLM запущен, но не готов: процессы, health и первый запрос](https://retrivium.ai/ru/journal/vllm-health-ready.md): Почему процесс vLLM ещё не означает готовность API: загрузка весов, прогрев, health, список моделей и контрольный запрос после перезапуска.
- [vLLM KV cache и preemption: почему запросы пересчитываются](https://retrivium.ai/ru/journal/vllm-kv-cache-preemption.md): Что означает preemption в vLLM: давление на KV-кеш, повторные вычисления, задержка и проверка контекста с параллельностью.
- [vLLM OpenAI-совместимый API: как проверить потоковый ответ](https://retrivium.ai/ru/journal/vllm-openai-streaming-test.md): Как проверить потоковую генерацию vLLM: stream, события ответа, первый токен, буферизация клиента и отличие от скорости всей генерации.
- [vLLM не открывается: localhost, контейнер и опубликованный порт](https://retrivium.ai/ru/journal/vllm-localhost-container-port.md): Почему vLLM недоступен по localhost: адрес процесса, сетевое пространство контейнера, публикация порта и последовательная локальная диагностика.
- [vLLM или Ollama: выбор по режиму эксплуатации модели](https://retrivium.ai/ru/journal/vllm-vs-ollama-serving.md): Сравнение vLLM и Ollama по эксплуатации: локальный старт, форматы моделей, параллельность, память и воспроизводимый серверный пилот.
- [vLLM или llama.cpp: CUDA-сервинг и GGUF-сценарии](https://retrivium.ai/ru/journal/vllm-vs-llama-cpp.md): vLLM или llama.cpp для локальной LLM: сравнение форматов, частичного GPU-размещения, серверного API и проверки одинаковой нагрузки.
- [Ollama не использует GPU: пять отдельных причин](https://retrivium.ai/ru/journal/ollama-does-not-use-gpu.md): Ollama отвечает через CPU вместо GPU: поддержка карты, драйвер, выбранное устройство, нехватка VRAM и диагностика процесса по журналу.
- [Ollama на Windows с GPU: как проверить установку и нагрузку](https://retrivium.ai/ru/journal/ollama-windows-gpu-check.md): Проверка Ollama на Windows с видеокартой: нативная установка, драйвер, фоновый процесс, журнал, ollama ps и тест после перезапуска.
- [Ollama и AMD GPU: проверка поддержки конкретной карты](https://retrivium.ai/ru/journal/ollama-amd-gpu-check.md): Ollama на AMD: как проверить модель Radeon, ОС, ROCm или Vulkan, фактический backend и размещение LLM без универсальных обещаний поддержки.
- [Ollama context length: как задать и проверить размер контекста](https://retrivium.ai/ru/journal/ollama-context-length-setting.md): Как настроить контекст Ollama через параметр модели или запрос: num_ctx, фактический бюджет входа и выхода, память и проверка длины.
- [Две модели в Ollama одновременно: память и параллельные обращения](https://retrivium.ai/ru/journal/ollama-two-models-parallel.md): Как запускать две модели Ollama одновременно: отдельные веса, контекст, число запросов, очередь и проверка фактического удержания в памяти.
- [Ollama использует CPU и GPU: как читать смешанное размещение](https://retrivium.ai/ru/journal/ollama-cpu-gpu-split.md): Что означает CPU/GPU в ollama ps: частичное размещение, VRAM и RAM, контекст, производительность и проверка небольшого артефакта.
- [Ollama keep_alive: как удержать или выгрузить модель](https://retrivium.ai/ru/journal/ollama-keep-alive-unload.md): Как работает keep_alive в Ollama: удержание весов, выгрузка после ответа, холодный старт и память при переключении между моделями.
- [GGUF для llama.cpp: как выбрать файл, а не только название модели](https://retrivium.ai/ru/journal/llama-cpp-gguf-selection.md): Как выбирать GGUF для llama.cpp: исходная модель, квантование, размер файла, токенизатор, поддержка архитектуры и запас памяти для контекста.
- [llama.cpp server: локальный API из GGUF-модели](https://retrivium.ai/ru/journal/llama-cpp-server-launch.md): Первый запуск llama-server из llama.cpp: GGUF-файл, контекст, локальный адрес, журнал backend и контрольный запрос к API.
- [llama.cpp GPU layers: как проверить частичный перенос модели](https://retrivium.ai/ru/journal/llama-cpp-gpu-layers.md): Как настраивать n-gpu-layers в llama.cpp: перенос части модели, фактический журнал, память контекста и сравнение нескольких режимов.
- [llama.cpp на Windows: сборка и проверка выбранного backend](https://retrivium.ai/ru/journal/llama-cpp-windows-build.md): Как собрать llama.cpp на Windows с выбранным backend: инструменты CMake, CUDA или другой путь, Release-бинарник и проверка журнала устройства.
- [SGLang в Docker: первый локальный запуск и проверка модели](https://retrivium.ai/ru/journal/sglang-docker-launch.md): Первый локальный запуск SGLang в Docker: официальный образ, совместимая среда, кеш модели, порт и проверяемый запрос к API.
- [SGLang или vLLM: как сравнить движки на одной модели](https://retrivium.ai/ru/journal/sglang-vs-vllm-serving.md): Сравнение SGLang и vLLM: поддерживаемые модели, кеши, параметры памяти, нагрузка и операционные критерии без универсального рейтинга скорости.
- [SGLang memory fraction: как разбирать нехватку памяти](https://retrivium.ai/ru/journal/sglang-memory-fraction.md): Что делает mem-fraction-static в SGLang: веса и KV-кеш, запас под активации, OOM в prefill или decode и проверка нагрузки.
- [Runpod persistent storage: как сохранить файлы после удаления Pod](https://retrivium.ai/ru/journal/runpod-network-volume-persistence.md): Как выбрать постоянное хранилище Runpod, проверить путь /workspace и перенести данные в новый Pod без зависимости от диска удалённого контейнера.
- [Три типа хранения Runpod: container disk, volume disk и network volume](https://retrivium.ai/ru/journal/runpod-container-volume-network-disk.md): Сравнение дисков Runpod по сохранности при Stop и Terminate, месту монтирования и переносу файлов между вычислительными окружениями.
- [Runpod storage pricing: что оплачивается после остановки Pod](https://retrivium.ai/ru/journal/runpod-storage-billing-after-stop.md): Почему Runpod списывает средства после Stop: какие диски остаются, чем остановка отличается от удаления и как проверить расход без работающей GPU.
- [Runpod SSH key: как подготовить ключ и выбрать способ подключения](https://retrivium.ai/ru/journal/runpod-ssh-public-key-setup.md): Как добавить публичный SSH-ключ в Runpod, найти актуальную команду подключения и отличить базовый доступ от прямого TCP для SCP и SFTP.
- [Runpod SSH not working: проверка соединения по уровням](https://retrivium.ai/ru/journal/runpod-ssh-connection-debug.md): Пошаговая диагностика SSH Runpod: готовность Pod, внешний порт, работа sshd, публичный ключ и различия между timeout и Permission denied.
- [Runpod SSH port forwarding: доступ к локальному сервису через туннель](https://retrivium.ai/ru/journal/runpod-private-port-forward.md): Как подключиться к локальному веб-сервису на Runpod через SSH-туннель: внутренний порт, внешний SSH-порт, локальный адрес и проверка доступа.
- [Jupyter на Runpod: где хранить notebooks и результаты](https://retrivium.ai/ru/journal/runpod-jupyter-files-persistence.md): Как сохранить notebooks, исходные данные и результаты Jupyter на Runpod: проверка рабочей папки, типа тома, сохранения файла и отдельной копии.
- [Как открыть HTTP-сервис Pod через Runpod Proxy](https://retrivium.ai/ru/journal/runpod-http-port-proxy.md): Как открыть HTTP-приложение в Runpod: порт контейнера, привязка 0.0.0.0, адрес proxy и последовательная проверка недоступного сервиса.
- [Runpod Community Cloud и Secure Cloud: доступ и хранение](https://retrivium.ai/ru/journal/runpod-community-vs-secure-boundaries.md): Практические различия Runpod Community Cloud и Secure Cloud: размещение, сетевые тома, способ подключения и проверка требований проекта до аренды.
- [Что сохранить перед Terminate Pod в Runpod](https://retrivium.ai/ru/journal/runpod-terminate-pod-backup.md): Порядок подготовки к удалению Runpod Pod: инвентаризация результатов, экспорт конфигурации, проверка резервной копии и отдельное решение по network volume.
- [Vast.ai Stop и Destroy: что происходит с экземпляром и данными](https://retrivium.ai/ru/journal/vast-ai-instance-lifecycle-stop-destroy.md): Что означает Stop, Restart и Destroy в Vast.ai: сохранность файлов, продолжающаяся оплата диска, доступность GPU и порядок завершения экземпляра.
- [Vast.ai: как прочитать стоимость диска и передачи данных](https://retrivium.ai/ru/journal/vast-ai-storage-network-charges.md): Как оценить полную стоимость предложения Vast.ai: вычисления, выделенный диск, входящий и исходящий трафик, хранение во время пауз и перенос результатов.
- [Как читать показатели хоста Vast.ai перед арендой GPU](https://retrivium.ai/ru/journal/vast-ai-host-score-fields.md): Как оценивать карточку Vast.ai: категория машины, reliability score, максимальная длительность, выделенные ресурсы и проверка собственного сценария перед арендой.
- [Vast.ai SSH и Jupyter: как выбрать шаблон доступа](https://retrivium.ai/ru/journal/vast-ai-ssh-jupyter-ports.md): Как выбрать SSH, Jupyter или Entrypoint в Vast.ai, найти внешний порт контейнера и проверить подключение к вычислительному экземпляру.
- [Vast.ai on-demand, reserved и interruptible: выбор типа аренды](https://retrivium.ai/ru/journal/vast-ai-reserved-interruptible-choice.md): Различия on-demand, reserved и interruptible в Vast.ai: приоритет, предоплата, привязка резерва и перенос задачи при смене типа аренды.
- [Как перенести данные между экземплярами Vast.ai](https://retrivium.ai/ru/journal/vast-ai-copy-data-between-instances.md): Как перенести данные Vast.ai в другой экземпляр: выбор встроенного копирования или SSH, проверка целостности, расходы трафика и перенос конфигурации.
- [Шаблон Vast.ai: порты, переменные окружения и повторный запуск](https://retrivium.ai/ru/journal/vast-ai-template-environment-variables.md): Как подготовить воспроизводимый шаблон Vast.ai: версия образа, launch mode, startup-скрипт, порты и переменные окружения без публикации секретов.
- [Hetzner GPU VPS: чем запрос отличается от сервера GEX](https://retrivium.ai/ru/journal/hetzner-gpu-vps-vs-gex.md): Что искать по запросу Hetzner GPU VPS: отличие облачного виртуального сервера от выделенной линейки GEX, доступ к системе и перенос данных.
- [Hetzner GPU-сервер: Rescue System и восстановление SSH-доступа](https://retrivium.ai/ru/journal/hetzner-gex-root-rescue-access.md): Как восстановить доступ к выделенному GPU-серверу Hetzner через Robot и Rescue System: диагностика диска, SSH-конфигурации и безопасный порядок действий.
- [Hetzner GPU pricing: как учесть установочный платёж в коротком тесте](https://retrivium.ai/ru/journal/hetzner-gpu-install-fee-short-rental.md): Как учитывать разовый setup fee GPU-сервера Hetzner при коротком пилоте: формула полной сессии, условный пример и сравнение одинаковых периодов.
- [Hetzner GPU server auction: как проверить реальное предложение](https://retrivium.ai/ru/journal/hetzner-gpu-server-auction-status.md): Что означает запрос Hetzner GPU server auction и как проверить конкретный лот: видеокарта, ресурсы, срок, условия заказа и отличие от каталога GEX.
- [Почасовая аренда GPU: как сравнить с месячным ресурсом](https://retrivium.ai/ru/journal/cloud-gpu-hourly-monthly-break-even.md): Как сравнить почасовую аренду GPU с месячным сервером: полезные часы, постоянные диски, подготовка окружения и условная точка равных расходов.
- [Runpod pricing calculator: какие исходные данные нужны для сметы](https://retrivium.ai/ru/journal/cloud-gpu-budget-calculator-worksheet.md): Какие данные нужны для расчёта Runpod: время Pod, размер и срок хранения, перенос, подготовка и сценарий простоя без вымышленных тарифов.
- [Google Cloud GPU quota: какие лимиты проверить перед запросом](https://retrivium.ai/ru/journal/google-cloud-gpu-quota-request.md): Как проверить Google Cloud GPU quota: глобальный лимит, региональная модель ускорителя, режим VM и сведения для запроса повышения квоты.
- [Google Cloud: почему GPU не создаётся при свободной квоте](https://retrivium.ai/ru/journal/google-cloud-gpu-zone-resource-pool-exhausted.md): Почему Compute Engine возвращает resource pool exhausted при свободной GPU-квоте: разница квоты и ёмкости, ограничения зоны и порядок диагностики.
- [AWS GPU quota: как связаны семейство EC2 и лимит vCPU](https://retrivium.ai/ru/journal/aws-gpu-vcpu-quota-workflow.md): Как проверить AWS GPU vCPU quota: регион, семейство P или G и VT, On-Demand и Spot, суммарное потребление и запрос через Service Quotas.
- [EC2 с GPU удалён: как проверить оставшиеся EBS-диски](https://retrivium.ai/ru/journal/aws-gpu-ebs-after-termination.md): Как найти EBS после удаления EC2 с GPU: DeleteOnTermination, независимый диск, snapshots, теги проекта и проверка оставшихся начислений.
- [GPU в AWS Spot: как подготовить прерываемый эксперимент](https://retrivium.ai/ru/journal/aws-spot-checkpoint-resume-gpu.md): Как подготовить GPU-задачу к AWS Spot interruptions: уведомления, контрольные точки, внешнее хранение, повторный запуск и проверка неполного результата.
- [Azure GPU quota: общая региональная квота и лимит серии](https://retrivium.ai/ru/journal/azure-gpu-regional-family-quotas.md): Как проверить Azure GPU quota: Total Regional vCPUs, лимит семейства GPU VM, текущее использование и отличие разрешённого объёма от доступной ёмкости.
- [Azure GPU VM Stopped и Deallocated: какие расходы остаются](https://retrivium.ai/ru/journal/azure-gpu-deallocated-cost-components.md): Чем Stopped отличается от Stopped Deallocated у Azure GPU VM: оплата вычислений, сохраняемые диски, сетевые ресурсы и проверка после выключения.
- [Selectel GPU: облачный сервер или выделенная машина](https://retrivium.ai/ru/journal/selectel-gpu-server-access-options.md): Как начать аренду GPU в Selectel: облачный сервер, выделенное PCI-устройство, тип диска, готовая среда Data Science и проверка первого доступа.
- [JupyterLab на GPU в Selectel: план первого рабочего окружения](https://retrivium.ai/ru/journal/selectel-gpu-jupyter-notebook-access.md): Как запустить JupyterLab в GPU-среде Selectel Data Science: образ, сетевой доступ, аутентификация, рабочая папка и проверка notebook перед большим запуском.
- [Yandex Cloud GPU VM: платформа, GPU и ресурсы хоста](https://retrivium.ai/ru/journal/yandex-gpu-platform-configuration.md): Как выбрать GPU VM в Yandex Cloud: платформа, количество ускорителей, CPU и RAM, подготовленный образ, квота и проверка зоны перед созданием.
- [Yandex Cloud GPU cluster: когда нужен кластер и InfiniBand](https://retrivium.ai/ru/journal/yandex-gpu-cluster-connectivity.md): Когда нужен GPU cluster в Yandex Cloud: отличие отдельных VM от InfiniBand-кластера, поддерживаемые платформы, зона, квоты и проверка связи узлов.
- [Как подготовить запрос квоты GPU в Yandex Cloud](https://retrivium.ai/ru/journal/yandex-gpu-quota-approval.md): Как запросить GPU-квоту Yandex Cloud после изменений квотирования: модель, зона, количество VM, права заявителя и сведения для технической поддержки.
- [Прерываемая GPU VM в Yandex Cloud: диски и повторный запуск](https://retrivium.ai/ru/journal/yandex-preemptible-gpu-disk-snapshot.md): Как подготовить прерываемую GPU VM Yandex Cloud: постоянные результаты, снимки дисков, обработка остановки и проверка продолжения на следующем запуске.
- [Cloud.ru Evolution GPU: с чего начинается развёртывание](https://retrivium.ai/ru/journal/cloud-ru-evolution-gpu-deployment.md): Как начать работу с GPU в Cloud.ru Evolution: подтверждённые VM, образ, флейвор, зона, SSH-ключ, хранение и проверка доступности ресурса.
- [Cloud.ru Advanced и Evolution GPU: что сравнивать между платформами](https://retrivium.ai/ru/journal/cloud-ru-advanced-vs-evolution-gpu.md): Как сравнить GPU Cloud.ru Advanced и Evolution: реальные сервисы, документация, конфигурации, управление и перенос проекта между платформами одного бренда.
- [SberCloud GPU и Cloud.ru: как читать старые инструкции](https://retrivium.ai/ru/journal/sbercloud-cloud-ru-gpu-name-change.md): Как использовать старые материалы SberCloud GPU после изменения бренда: проверка актуальной платформы Cloud.ru, сервиса, API, образов и условий запуска.
- [VK Cloud GPU: что выбрать для вычислительного проекта](https://retrivium.ai/ru/journal/vk-cloud-gpu-instance-options.md): Как выбрать GPU VM в VK Cloud: полный ускоритель и vGPU, профиль VRAM, образ, лицензирование, подготовка сети и ограниченный первый пилот.
- [Timeweb Cloud GPU: проверка продукта перед первым запуском](https://retrivium.ai/ru/journal/timeweb-gpu-server-first-setup.md): Что проверить перед первым GPU-заказом Timeweb Cloud: облачный или выделенный сервер, доступность модели, порядок создания, оплата и перенос файлов.
- [Servercore GPU: как проверить формат сервера и условия доступа](https://retrivium.ai/ru/journal/servercore-gpu-server-options.md): Как оценить GPU Servercore: облачный формат, размещение в Центральной Азии, конфигурация, почасовой учёт и различие выключения и заморозки сервера.
- [Jupyter на облачном GPU через SSH-туннель](https://retrivium.ai/ru/journal/cloud-gpu-jupyter-ssh-tunnel.md): Как открыть Jupyter на облачной GPU VM через SSH: localhost сервера, локальный порт, ключи, токен notebook и проверка туннеля без публикации интерфейса.
- [Runpod storage S3: объектное хранилище или файловая система](https://retrivium.ai/ru/journal/gpu-cloud-s3-model-cache-storage.md): Как использовать S3-compatible API Runpod: network volume как bucket, endpoint дата-центра, загрузка без Pod и отличия от полного набора Amazon S3.
- [GPU выключен, публичный IP остался: как сверить ресурсы](https://retrivium.ai/ru/journal/cloud-public-ip-lifetime-billing.md): Почему после выключения GPU остаётся публичный IP: независимый ресурс адреса, Elastic IP AWS, Azure Public IP, DNS и проверка остаточных расходов.
- [Как изменить GPU-конфигурацию облачной VM и сохранить данные](https://retrivium.ai/ru/journal/cloud-gpu-resize-data-preservation.md): Как менять конфигурацию GPU VM без потери данных: ограничения resize, независимые диски, новый экземпляр, тест совместимости и понятный план возврата.
- [Перенос GPU VM в другой регион: что переезжает отдельно](https://retrivium.ai/ru/journal/cloud-gpu-region-migration-plan.md): Как перенести GPU VM между регионами: образ, диски, квоты, сеть, адреса, секреты и проверка восстановления до отключения исходного ресурса.
- [Ephemeral и persistent disk у GPU VM: проверка перед удалением](https://retrivium.ai/ru/journal/cloud-gpu-ephemeral-vs-persistent-checklist.md): Как отличить ephemeral и persistent disk у GPU VM: тип устройства, действие Stop и Delete, DeleteOnTermination и контрольная проверка файла.
- [Командный доступ к GPU-облаку: API-ключ и SSH-ключ решают разные задачи](https://retrivium.ai/ru/journal/cloud-gpu-account-team-key-rotation.md): Как организовать командный доступ к GPU-облаку: API-ключ для управления ресурсами, SSH-ключ для ОС, ограничение полномочий и порядок отзыва сотрудника.
- [Как завершить GPU-пилот и найти оставшиеся платные ресурсы](https://retrivium.ai/ru/journal/cloud-gpu-resource-cleanup-audit.md): Как завершить GPU-пилот без забытых ресурсов: вычисления, диски, snapshots, публичные адреса, владельцы хранения и повторная проверка начислений.
- [Ключ API OpenRouter: как подготовить доступ для приложения](https://retrivium.ai/ru/journal/openrouter-api-key-setup.md): Как создать и проверить ключ OpenRouter для приложения: отдельный доступ, лимит расходов, хранение на сервере, тестовый вызов и отзыв без остановки остальных клиентов.
- [OpenRouter API URL: какой адрес указывать в совместимом клиенте](https://retrivium.ai/ru/journal/openrouter-base-url.md): Как настроить base URL OpenRouter и не получить неверный путь: адрес сервиса, метод Chat Completions, Responses API, прокси приложения и проверка конечного запроса.
- [OpenRouter в Python: первый проверяемый запрос к модели](https://retrivium.ai/ru/journal/openrouter-python-request.md): Первый запрос к OpenRouter из Python через стандартный HTTP-клиент: переменные окружения, JSON, статус ошибки, тайм-аут и данные для воспроизводимой проверки API.
- [OpenRouter в Node.js: серверный вызов без ключа в браузере](https://retrivium.ai/ru/journal/openrouter-nodejs-request.md): Как вызвать OpenRouter из серверного Node.js через fetch: ключ в окружении, модель, проверка ответа, ограничение времени и безопасная граница между браузером и API.
- [Streaming в OpenRouter: как читать ответ по частям](https://retrivium.ai/ru/journal/openrouter-streaming-client.md): Как устроен streaming OpenRouter: SSE-события, буферизация частей ответа, первый токен, завершение, usage и обработка обрыва без ложного статуса успешной генерации.
- [JSON от OpenRouter: когда нужен structured output и схема](https://retrivium.ai/ru/journal/openrouter-json-schema.md): Structured outputs в OpenRouter: JSON Schema, различия Chat Completions и Responses, поддержка endpoint, проверка полей и обработка отказа или неполного ответа.
- [Tool calling через OpenRouter: модель предлагает, приложение выполняет](https://retrivium.ai/ru/journal/openrouter-tool-calling.md): Как организовать tool calling через OpenRouter: описание функции, проверка аргументов, выполнение приложением, ответ инструмента и ограничения агентного цикла.
- [Ошибка 429 в OpenRouter: лимиты, очередь и повтор запроса](https://retrivium.ai/ru/journal/openrouter-429-error.md): Что делать при OpenRouter 429: определить источник ограничения, проверить заголовки и очередь, сократить параллелизм и настроить ограниченный повтор с Retry-After.
- [Ошибка 403 в OpenRouter: что проверять до смены модели](https://retrivium.ai/ru/journal/openrouter-403-error.md): Ошибка 403 в OpenRouter: как различить права доступа, бюджет и guardrail, собрать безопасные сведения и исправить настройку через ответственного администратора.
- [Ошибка 404 в OpenRouter: адрес API, имя модели или маршрут](https://retrivium.ai/ru/journal/openrouter-404-error.md): Как разобрать OpenRouter 404: проверить полный URL, выбранный API, идентификатор модели, клиентский прокси и различия между отсутствующим ресурсом и ошибкой прав.
- [Ошибка 500 в OpenRouter: как собрать полезный отчёт об отказе](https://retrivium.ai/ru/journal/openrouter-500-error.md): Ошибка 500 при вызове OpenRouter: что сохранить в отчёте, как отличить сбой приложения от внешнего ответа и когда повтор или резервный маршрут действительно полезен.
- [OpenRouter возвращает 401: проверка ключа и окружения](https://retrivium.ai/ru/journal/openrouter-401-error.md): OpenRouter 401: проверка Bearer-заголовка, переменной окружения, отзыва ключа и серверного процесса без раскрытия секрета или бессмысленных повторных вызовов.
- [Ошибка 402 в OpenRouter: баланс и максимальный размер запроса](https://retrivium.ai/ru/journal/openrouter-402-credits.md): Ошибка 402 OpenRouter при положительном балансе: кредиты аккаунта и ключа, оценка одновременных запросов, max_tokens, metadata и условия ограниченного повтора.
- [Лимиты бесплатных моделей OpenRouter: как планировать тест](https://retrivium.ai/ru/journal/openrouter-free-model-limits.md): Как планировать тесты бесплатных моделей OpenRouter: текущие ограничения аккаунта и запросов, очередь, проверка доступности, платный fallback и условия повторного запуска.
- [Бесплатный роутер OpenRouter: как проверить выбранную модель](https://retrivium.ai/ru/journal/openrouter-free-model-router.md): Как использовать openrouter/free и проверять фактически выбранную модель: параметры запроса, совместимость функций, воспроизводимость теста, лимиты и отличие от суффикса free.
- [Бесплатный API-ключ OpenRouter: что бесплатно, а за что платят](https://retrivium.ai/ru/journal/openrouter-free-api-key.md): Чем отличается бесплатное создание API-ключа OpenRouter от бесплатного инференса: выбор модели, credits, лимиты, резервные маршруты и проверка первого тестового вызова.
- [OpenRouter BYOK: из каких частей складывается стоимость](https://retrivium.ai/ru/journal/openrouter-byok-pricing.md): OpenRouter BYOK pricing: прямой счёт провайдера, allowance платформы, комиссия после него, общая мощность при fallback и пример расчёта по условиям на 1 ноября 2026.
- [OpenRouter BYOK не работает: ключ, регион, модель и fallback](https://retrivium.ai/ru/journal/openrouter-byok-not-working.md): Что проверить, если OpenRouter BYOK не работает: соответствие провайдера и модели, credentials, регион, права, квота и настройка перехода на shared capacity.
- [Провайдер в OpenRouter: чем отличаются only и order](https://retrivium.ai/ru/journal/openrouter-provider-only-order.md): Чем отличаются provider.only и provider.order в OpenRouter: допустимые исполнители, предпочтение, fallback, точные slugs и проверка маршрута на контролируемом запросе.
- [Prompt caching в OpenRouter: почему скидку нужно проверять по usage](https://retrivium.ai/ru/journal/openrouter-cache-cost.md): Как проверить prompt caching в OpenRouter: повторяющийся префикс, фактический провайдер, usage, стоимость записи и чтения кеша, а также влияние резервных маршрутов.
- [Usage OpenRouter: как связать токены и стоимость одного запроса](https://retrivium.ai/ru/journal/openrouter-usage-accounting.md): Как читать usage OpenRouter и сверять стоимость запроса: generation ID, входные и выходные токены, дополнительные компоненты, streaming и различия отчёта шлюза и поставщика.
- [Список моделей OpenRouter через API: что сохранить перед запуском](https://retrivium.ai/ru/journal/openrouter-model-catalog-api.md): Каталог моделей OpenRouter через API: идентификаторы, контекст, поддерживаемые параметры, цена, endpoint и сохранение снимка для безопасного обновления конфигурации приложения.
- [Ошибка внутри потока OpenRouter: почему HTTP 200 недостаточно](https://retrivium.ai/ru/journal/openrouter-stream-errors.md): Почему OpenRouter может вернуть HTTP 200 и ошибку внутри streaming: чтение SSE, частичный текст, завершение, повтор запроса и наблюдаемость прикладного результата.
- [Zero Data Retention в OpenRouter: как ограничить допустимые маршруты](https://retrivium.ai/ru/journal/openrouter-privacy-zdr.md): Zero Data Retention в OpenRouter: настройки маршрутизации, границы политик провайдера, отдельные инструменты и журналы, а также объявленное обновление условий от октября 2026.
- [Fallback OpenRouter с пределом цены: как ограничить резервный маршрут](https://retrivium.ai/ru/journal/openrouter-fallback-price-cap.md): Как ограничить цену резервного маршрута OpenRouter: provider.max_price, единицы prompt/completion, совместимость целей, общий бюджет и отказ без подходящего endpoint.
- [LiteLLM через Docker Compose: что нужно для пилотного gateway](https://retrivium.ai/ru/journal/litellm-docker-compose-start.md): LiteLLM Docker Compose для пилота: официальный compose-файл, gateway и Postgres, секреты, сохранение состояния, проверка моделей и отличие от запуска без базы данных.
- [Виртуальные ключи LiteLLM: отдельный доступ для каждого приложения](https://retrivium.ai/ru/journal/litellm-virtual-key-scopes.md): Виртуальные ключи LiteLLM для приложений: доступные модели, владельцы, бюджет, срок, отзыв, проверка запрещённого вызова и отличие клиентского ключа от master key.
- [Бюджеты LiteLLM: период, общий лимит и проверка превышения](https://retrivium.ai/ru/journal/litellm-budget-reset.md): Бюджеты LiteLLM: база данных, уровни ключа и команды, период сброса, часовой пояс, календарная граница и проверка запрета на маленькой тестовой нагрузке.
- [Guardrails LiteLLM: где проверять запрос и ответ модели](https://retrivium.ai/ru/journal/litellm-guardrails-boundary.md): Guardrails LiteLLM: pre-call, post-call, проверка потока и logging-only, поведение фильтра при сбое, тестовые примеры и влияние на задержку AI gateway.
- [LiteLLM UI: как подготовить управление моделями и ключами](https://retrivium.ai/ru/journal/litellm-ui-setup.md): Как подготовить LiteLLM UI: база, первый административный доступ, добавление модели, отдельный ключ приложения, проверка ролей, сохранение состояния и восстановление.
- [DLP для AI gateway: как уменьшить утечки через запросы к LLM](https://retrivium.ai/ru/journal/ai-gateway-dlp.md): DLP для AI gateway: какие поля проверять до отправки модели, как тестировать маскирование, обрабатывать вложения и логи, отличать наблюдение от блокирующего контроля.
- [Локальный RAG-сервер: какие компоненты размещать рядом с GPU](https://retrivium.ai/ru/journal/rag-server-local-architecture.md): Локальный RAG-сервер для документов: компоненты индексации и поиска, место GPU, RAM и NVMe, внешние зависимости, обновление корпуса и контроль полезного результата.
- [Qdrant для RAG: что хранить в RAM, а что на диске](https://retrivium.ai/ru/journal/qdrant-memory-on-disk.md): Qdrant для RAG: как оценить RAM и диск для векторов, индекса и payload, отличить сырые данные от полного расхода и проверить холодный поиск и обновление коллекции.
- [PostgreSQL и pgvector для RAG: когда хватит существующего сервера](https://retrivium.ai/ru/journal/pgvector-rag-server.md): PostgreSQL и pgvector для RAG: хранение векторов рядом с данными, точный и приближённый поиск, память индекса, нагрузка обновления и проверка влияния на основную базу.
- [Chroma для RAG: локальная база и серверный режим](https://retrivium.ai/ru/journal/chroma-rag-hosting.md): Chroma для RAG: in-memory и PersistentClient, отдельный сервер и HttpClient, embedding functions, сохранение данных, переход от notebook к совместному доступу.
- [FAISS и память сервера: библиотека индексов или готовая база](https://retrivium.ai/ru/journal/faiss-index-memory.md): FAISS для векторного поиска: типы индексов, RAM, float32 и сжатие, отличие библиотеки от серверной базы, контроль качества и восстановление соответствия ID документам.
- [Эмбеддинги текста на своём GPU: как организовать пакетную индексацию](https://retrivium.ai/ru/journal/text-embeddings-batch.md): Эмбеддинги текста на собственном GPU: пакетная индексация, encode_query и encode_document, версия модели, размер batch, очередь ошибок и обновление изменённых документов.
- [Размерность эмбеддингов: как посчитать память индекса](https://retrivium.ai/ru/journal/embedding-dimensions-memory.md): Как посчитать память эмбеддингов: количество фрагментов, размерность, float32 и байты, разница GB/GiB, индекс, payload, реплики и проверка полного потребления сервера.
- [Эмбеддинги для русского языка: как проверить поиск на своих документах](https://retrivium.ai/ru/journal/embeddings-russian-retrieval.md): Как выбрать эмбеддинги для русского языка по своим документам: поисковый набор, сложные термины и сокращения, retrieval-метрики, требования к памяти и повторная оценка.
- [Reranker в RAG: сколько документов передавать на повторную оценку](https://retrivium.ai/ru/journal/reranker-rag-latency.md): Reranker в RAG: выбор top-k, длина пар вопрос–документ, качество повторной оценки, GPU и CPU, общий бюджет задержки и измерение полезности на одном корпусе.
- [BGE reranker на GPU: как проверить память и пакетную обработку](https://retrivium.ai/ru/journal/bge-reranker-gpu.md): Как протестировать BGE reranker на своей GPU: длина пар запрос–документ, batch, пик VRAM, качество ранжирования и пределы очереди.
- [Qwen reranker: как отделить повторную оценку от генерации текста](https://retrivium.ai/ru/journal/qwen-reranker-serving.md): Qwen reranker как отдельный сервис: формат пар и инструкции, смысл оценки, контроль числа кандидатов и измерение задержки повторного ранжирования.
- [GPU для Whisper: как выбрать память под распознавание речи](https://retrivium.ai/ru/journal/whisper-gpu-requirements.md): Выбор GPU для Whisper: ориентиры памяти из официального репозитория, язык, модель, параллельные записи и проверка реального пика VRAM.
- [Whisper на CPU или GPU: как сравнить время и стоимость обработки](https://retrivium.ai/ru/journal/whisper-cpu-vs-gpu.md): Как сравнить Whisper на CPU и GPU: одинаковая модель, real-time factor, запуск процесса, качество расшифровки и стоимость полностью обработанной записи.
- [Whisper в GPU-контейнере: что проверить до обработки файлов](https://retrivium.ai/ru/journal/whisper-gpu-container.md): Whisper в Docker с GPU: проверка драйвера и контейнерной среды, доступного устройства, FFmpeg, каталогов данных и короткого контрольного файла.
- [Длинное аудио в Whisper: сегменты, очередь и хранение результата](https://retrivium.ai/ru/journal/whisper-long-audio.md): Как организовать обработку длинного аудио Whisper на GPU: сегменты, временные метки, очередь, повтор после ошибки и проверка границ результата.
- [OCR на CPU или GPU: где ускоритель меняет весь процесс](https://retrivium.ai/ru/journal/ocr-gpu-vs-cpu.md): OCR на CPU и GPU: как сравнить рендеринг PDF, распознавание, постобработку, качество текста и скорость получения проверенного документа.
- [PaddleOCR с GPU: проверка установки и качества на своих документах](https://retrivium.ai/ru/journal/paddleocr-gpu-pilot.md): Пилот PaddleOCR с GPU: проверка версии и движка, фактического устройства, языков, ориентации страниц и качества на размеченных примерах.
- [Tesseract и GPU: почему установка CUDA не гарантирует ускорение OCR](https://retrivium.ai/ru/journal/tesseract-gpu-acceleration.md): Tesseract и ускорение OCR на GPU: чем CUDA отличается от экспериментального OpenCL, как проверить сборку и измерить CPU без ложных обещаний.
- [GPU-конвейер OCR для PDF: как оценить сервер на 1000 страниц](https://retrivium.ai/ru/journal/pdf-ocr-gpu-pipeline.md): Как оценить GPU-сервер для OCR 1000 страниц PDF: выборка, раздельные этапы, память, очередь, повтор ошибок и расчёт полного времени.
- [GPU для ComfyUI: память зависит от всего workflow](https://retrivium.ai/ru/journal/comfyui-gpu-requirements.md): Как выбрать GPU для ComfyUI по своему workflow: модели, разрешение, дополнительные узлы, пик памяти, первый запуск и повторная генерация.
- [Offload в ComfyUI: когда перенос в RAM помогает запустить workflow](https://retrivium.ai/ru/journal/comfyui-gpu-offload.md): Offload в ComfyUI: как проверять RAM, VRAM, диск и задержку с учётом Dynamic VRAM и версии программы вместо универсального совета lowvram.
- [Несколько GPU для ComfyUI: один workflow или независимые очереди](https://retrivium.ai/ru/journal/comfyui-multi-gpu.md): Несколько GPU в ComfyUI: как сравнить независимые очереди и один распределённый workflow, проверить видимость карт и ограничения конкретных узлов.
- [ComfyUI в облаке: модели, workflow и результаты после остановки](https://retrivium.ai/ru/journal/comfyui-cloud-persistence.md): ComfyUI в облаке: как сохранить веса, workflow, версии дополнительных узлов и результаты, проверить постоянный диск и повторный запуск после остановки.
- [GPU для Stable Diffusion: разрешение, batch и память модели](https://retrivium.ai/ru/journal/stable-diffusion-gpu-requirements.md): Требования GPU для Stable Diffusion: как связать модель, точность весов, разрешение, batch, VAE и offload с пиком VRAM своего сценария.
- [Бенчмарк GPU для Stable Diffusion: что фиксировать в сравнении](https://retrivium.ai/ru/journal/stable-diffusion-gpu-benchmark.md): Воспроизводимый бенчмарк GPU для Stable Diffusion: модель, seed, шаги, разрешение, прогрев, качество, пик памяти и стоимость готового изображения.
- [LoRA и QLoRA: как различается память при дообучении](https://retrivium.ai/ru/journal/lora-qlora-memory.md): Память LoRA и QLoRA при дообучении: базовые веса, обучаемые адаптеры, состояния оптимизатора, активации и измерение полного шага.
- [PEFT и LoRA на своём GPU: как подготовить ограниченный эксперимент](https://retrivium.ai/ru/journal/peft-lora-gpu-budget.md): Ограниченный эксперимент PEFT и LoRA на собственной GPU: цель, отложенная проверка, память шага обучения, время, бюджет и сохранение адаптера.
- [Сервер со 128 ГБ RAM для LLM: что он может дать без большой VRAM](https://retrivium.ai/ru/journal/server-128gb-ram-llm.md): Сервер со 128 ГБ RAM для LLM: CPU-инференс, частичный GPU-offload, рабочая память, задержка ответа и проверка вместо приравнивания RAM к VRAM.
- [256 ГБ RAM для RAG: когда объём оправдан индексом и нагрузкой](https://retrivium.ai/ru/journal/server-256gb-ram-rag.md): Как оценить 256 ГБ RAM для RAG: число векторов, размерность, тип данных, индексы, payload, реплики, обновление и запас под реальные запросы.
- [Матрица совместимости inference API: что проверять провайдеру](https://retrivium.ai/ru/journal/provider-api-conformance-matrix.md): Как построить проверяемую матрицу совместимости inference API: параметры, режимы ответа, fixtures, версии и границы выводов при интеграции провайдера.
- [Неподдерживаемые параметры inference API: отказ, игнорирование и контракт](https://retrivium.ai/ru/journal/provider-unsupported-parameter-policy.md): Как определить поведение inference API при неподдерживаемых параметрах: явный отказ, документированное игнорирование и проверка фактического применения.
- [Отсутствие поля, null и пустая строка в inference API](https://retrivium.ai/ru/journal/provider-json-absent-null-empty.md): Как проверять отсутствие поля, null, пустую строку и пустой массив в inference API: fixtures, допустимые роли и границы нормализации входных сообщений.
- [finish_reason как автомат состояний ответа провайдера](https://retrivium.ai/ru/journal/provider-finish-reason-state-machine.md): Как моделировать finish_reason и native_finish_reason как переходы состояний: завершение choice, accounting-frame, ошибки и проверки допустимых последовательностей.
- [Потоковые tool calls: сборка arguments по index и id](https://retrivium.ai/ru/journal/provider-streamed-tool-argument-assembly.md): Как проверять потоковые tool calls: объединять arguments по index, сохранять id и не исполнять незавершённый JSON при фрагментации ответа.
- [Финальный usage-frame: проверка контракта потокового ответа](https://retrivium.ai/ru/journal/provider-final-usage-frame-contract.md): Как проверять финальный usage chunk без двойного завершения ответа: различия choices, положение DONE и границы внешнего API и upstream-движка.
- [Почему prompt_tokens не равен токенизации одного текста](https://retrivium.ai/ru/journal/provider-prompt-token-template-accounting.md): Почему счётчик prompt_tokens отличается от токенизации видимого текста: chat template, управляющие токены, ревизии токенизатора и воспроизводимая сверка.
- [Лимит ответа и reasoning tokens: контракт завершения по длине](https://retrivium.ai/ru/journal/provider-output-limit-reasoning-contract.md): Как проверять length-завершение при лимите ответа: reasoning tokens, пустой content, разные счётчики и fixtures для контракта API.
- [Content parts в API провайдера: проверка структуры до генерации](https://retrivium.ai/ru/journal/provider-message-content-parts-contract.md): Как валидировать строковый content и массив text/image parts до запуска модели: роли, вложенные поля, негативные fixtures и границы поддержки.
- [Structured output провайдера: тест JSON отдельно от соответствия схеме](https://retrivium.ai/ru/journal/provider-structured-output-conformance-tests.md): Как тестировать structured output на стороне провайдера: синтаксис JSON, required, типы, лишние поля и совместимость выбранного backend.
- [Контракт logprobs: согласованность токенов и возвращённых оценок](https://retrivium.ai/ru/journal/provider-logprobs-response-consistency.md): Как проверять logprobs и top_logprobs в inference API: включение по запросу, соответствие позициям вывода, потоковый режим и ограничения интерпретации.
- [Model alias и реальная ревизия: идентичность ответа провайдера](https://retrivium.ai/ru/journal/provider-model-alias-revision-identity.md): Как связать публичный model alias с реальной ревизией, tokenizer и chat template: идентичность ответа, release record и проверка смены модели.
- [SSE и UTF-8: сетевой chunk не равен JSON-событию](https://retrivium.ai/ru/journal/provider-sse-utf8-chunk-boundaries.md): Почему сетевой read не равен SSE-событию и как сохранять UTF-8 между chunks: декодирование, framing, тесты разрезания и пределы буфера.
- [Завершение SSE: blank line, DONE и неожиданный EOF](https://retrivium.ai/ru/journal/provider-sse-terminal-eof-contract.md): Как различать завершение SSE-события, маркер DONE и закрытие HTTP: минимальные трассы, неожиданный EOF, usage и полнота потокового результата.
- [Heartbeat SSE и idle timeout: что именно поддерживает соединение](https://retrivium.ai/ru/journal/provider-sse-heartbeat-timeout-budget.md): Как связать SSE comments, heartbeat и idle timeout: измерять паузы без данных отдельно от полезного ответа и проверять конкретный reverse proxy.
- [Медленный клиент SSE: backpressure и ограниченная память](https://retrivium.ai/ru/journal/provider-sse-slow-reader-backpressure.md): Как проверять inference stream при медленном клиенте: backpressure, ограничение очередей и памяти, flow control и независимая остановка генерации.
- [Проверка буферизации SSE на reverse proxy](https://retrivium.ai/ru/journal/provider-proxy-sse-buffering-test.md): Как измерить буферизацию SSE на reverse proxy: прямой и проксированный маршрут, proxy_buffering, X-Accel-Buffering и временная трасса событий.
- [Целостность HTTP-ответа: Content-Length, chunked и обрыв](https://retrivium.ai/ru/journal/provider-http-message-framing-integrity.md): Как отличать целостность HTTP body от завершения SSE: Content-Length, chunked transfer, преждевременное закрытие и безопасные локальные fixtures.
- [HTTP/2 GOAWAY при обновлении inference endpoint](https://retrivium.ai/ru/journal/provider-http2-goaway-draining.md): Как проверять HTTP/2 GOAWAY при обновлении inference endpoint: last-stream-ID, принятые запросы, неоднозначный POST и ограниченный draining-тест.
- [SSE reconnect не означает продолжение LLM-генерации](https://retrivium.ai/ru/journal/provider-sse-reconnect-generation-resume.md): Почему SSE reconnect и Last-Event-ID не гарантируют продолжение генерации LLM: EventSource, POST fetch, replay, deduplication и границы контракта.
- [Отмена запроса: проверить всю цепочку от клиента до движка](https://retrivium.ai/ru/journal/provider-client-disconnect-cancellation-chain.md): Как проверить отмену inference-запроса по всей цепочке: abort клиента, прокси, операция движка, счётчики in-flight и освобождение ресурсов.
- [Graceful termination inference-сервера с активными потоками](https://retrivium.ai/ru/journal/provider-graceful-termination-active-streams.md): Как завершать inference-сервер с активными SSE: остановка допуска, draining, preStop, grace period и проверка фактических исходов запросов.
- [Deadline запроса: бюджет очереди, prefill и потоковой выдачи](https://retrivium.ai/ru/journal/provider-request-deadline-stage-budget.md): Как распределить deadline inference-запроса между очередью, prefill и выдачей: абсолютный бюджет, idle timeout, отмена и наблюдаемые границы.
- [Лимит HTTP body и лимит токенов: две проверки inference API](https://retrivium.ai/ru/journal/provider-request-body-size-limits.md): Как разделять лимит HTTP body, JSON parsing и модельный context budget: этапы проверки, compressed input, fixtures и корректная классификация отказа.
- [Перегрузка провайдера: Retry-After как часть контракта](https://retrivium.ai/ru/journal/provider-overload-retry-after-contract.md): Как описывать перегрузку inference API до открытия SSE: rate policy, Retry-After, ограниченные повторы и проверка фактической политики провайдера.
- [Повтор POST генерации: идемпотентность нужно определить явно](https://retrivium.ai/ru/journal/provider-post-retry-idempotency-ledger.md): Как проектировать повтор POST генерации без выдуманной идемпотентности: неоднозначный исход, request ledger, область deduplication и контракт теста.
- [Admission control провайдера: ограничить очередь до роста задержек](https://retrivium.ai/ru/journal/provider-admission-queue-budget.md): Как ограничивать входную очередь inference API: rate gate, in-flight предел, engine queue, bounded burst и наблюдаемая причина раннего отказа.
- [Публикация capabilities и rollout модели без рассогласования API](https://retrivium.ai/ru/journal/provider-capability-rollout-consistency.md): Как согласовать объявленные capabilities модели с rollout реплик: feature matrix, readiness, проверка tools и схемы, безопасная публикация и откат.
- [Startup, readiness и liveness для сервера с долгой загрузкой модели](https://retrivium.ai/ru/journal/provider-startup-readiness-liveness-separation.md): Как разделить startup, readiness и liveness при долгой загрузке модели: критерии, failure thresholds, ошибочные рестарты и безопасный проверочный сценарий.
- [Монотонные часы для измерения задержек inference API](https://retrivium.ai/ru/journal/provider-monotonic-latency-measurement.md): Как измерять задержки inference API монотонными часами: duration внутри процесса, wall-clock для корреляции, границы хостов и схема событий.
- [First byte, first chunk и first token: три разные задержки](https://retrivium.ai/ru/journal/provider-first-byte-first-chunk-first-token.md): Как различать first byte, first chunk и first token в inference API: comments, role delta, reasoning, useful content и версия измерительного SLI.
- [Межтокенные паузы и throughput: не усреднять разные величины](https://retrivium.ai/ru/journal/provider-intertoken-gap-throughput-metrics.md): Как различать TPOT, интервалы SSE и aggregate throughput: границы измерения, нулевой и единичный выход, взвешивание и воспроизводимый пример.
- [p95 нескольких реплик: агрегировать histogram, а не готовые процентили](https://retrivium.ai/ru/journal/provider-latency-histogram-aggregation.md): Как рассчитывать p95 по нескольким inference-репликам: histogram buckets, совместимость границ, фильтры cohort и почему среднее p95 неверно.
- [Успешный stream для SLO: определить событие и знаменатель](https://retrivium.ai/ru/journal/provider-stream-success-sli-denominator.md): Как определить успешный inference stream для SLO: accepted, rejected, completed, failed, cancelled, частичные ответы и явный знаменатель good events.
- [Burn rate inference SLO: оповещения в нескольких окнах](https://retrivium.ai/ru/journal/provider-error-budget-burn-rate-alerts.md): Как строить burn-rate alerts для inference SLO: error budget, несколько временных окон, низкий трафик и проверка правил на синтетических рядах.
- [Cardinality метрик провайдера: request ID не должен быть label](https://retrivium.ai/ru/journal/provider-metric-cardinality-budget.md): Как планировать cardinality метрик inference-провайдера: произведение labels, model/outcome, histogram buckets и перенос уникальных IDs в traces.
- [Request ID и trace context: связать шлюз, API и движок](https://retrivium.ai/ru/journal/provider-request-id-trace-context.md): Как различать generation ID, внутренний request ID и trace/span ID: область уникальности, propagation, безопасная корреляция и проверка missing context.
- [OpenTelemetry GenAI: фиксировать версию semantic conventions](https://retrivium.ai/ru/journal/provider-otel-genai-semconv-versioning.md): Как фиксировать версию OpenTelemetry GenAI conventions: новый официальный репозиторий, Development status, scope, имена метрик и проверка миграции exporter.
- [Телеметрия inference API без записи prompt по умолчанию](https://retrivium.ai/ru/journal/provider-telemetry-content-redaction.md): Как наблюдать inference API без prompt capture по умолчанию: allowlist metadata, nested tool arguments, ошибки, exported payload и проверка redaction.
- [От медленного histogram bucket к trace через exemplar](https://retrivium.ai/ru/journal/provider-metric-exemplar-trace-link.md): Как связать медленное histogram-наблюдение с trace через exemplar: sampling, доступность trace, ограничение metadata и проверка пути от графика.
- [Итоговая запись запроса: согласовать stream, usage и журнал](https://retrivium.ai/ru/journal/provider-terminal-request-record-consistency.md): Как собрать единую итоговую запись inference-запроса, согласовать завершение потока и usage и не задвоить результат при повторной доставке событий.
- [Golden fixtures для inference API: проверять контракт, а не красивый ответ](https://retrivium.ai/ru/journal/provider-golden-contract-fixtures.md): Небольшой набор версионированных JSON и SSE fixtures для проверки inference API: обязательные поля, terminal states, приватность и правила обновления эталонов.
- [Property tests SSE: один поток при любой нарезке байтов](https://retrivium.ai/ru/journal/provider-sse-fragmentation-property-tests.md): Как проверять SSE-парсер случайными границами байтов: инвариант событий, Unicode, CRLF, минимальный контрпример и ограниченный бюджет тестов.
- [Дифференциальные тесты API двух inference-движков](https://retrivium.ai/ru/journal/provider-engine-differential-api-tests.md): Дифференциальная проверка двух inference-движков: сравнение схем и terminal states, явный реестр различий и отделение качества текста от API.
- [Открытая и закрытая модель нагрузки для inference API](https://retrivium.ai/ru/journal/provider-open-closed-load-tests.md): Почему фиксированная конкурентность может скрыть перегрузку inference API и как сравнить открытый поток запросов с закрытой моделью в ограниченном тесте.
- [Ограниченный soak-тест отмен: искать утечки запросов и соединений](https://retrivium.ai/ru/journal/provider-cancel-soak-resource-leaks.md): Ограниченный тест завершений и отмен inference-запросов: базовый уровень ресурсов, паузы восстановления, остановка и проверка подозрительного роста.
- [Локальная инъекция сбоев: оборвать upstream в известной точке stream](https://retrivium.ai/ru/journal/provider-midstream-fault-injection-tests.md): Локальный fake upstream для проверки SSE-сбоев до заголовков, после заголовков и после содержимого: классификация, ограниченные повторы и артефакт.
- [Seed и fingerprint: что проверять в обещании воспроизводимости API](https://retrivium.ai/ru/journal/provider-seed-fingerprint-contract-tests.md): Как проверять seed и system_fingerprint в inference API: поддержка поля, повторяемость в фиксированном окружении и пределы обещаний между версиями.
- [Синтетическая проверка inference endpoint с бюджетом токенов](https://retrivium.ai/ru/journal/provider-bounded-synthetic-probe-contract.md): Внешний synthetic probe для inference endpoint: небольшой запрос, лимиты токенов и частоты, проверка схемы и завершения без подмены SLO одной генерацией.
- [Изменение контракта inference API: deprecation и миграционные проверки](https://retrivium.ai/ru/journal/provider-api-contract-deprecation-migration.md): Как менять публичный контракт inference API: diff схемы, совместимость клиентов, смысл Deprecation и проверяемая миграция JSON и SSE fixtures.
- [vLLM: как устранить несовпадение формата content в chat template](https://retrivium.ai/ru/journal/vllm-chat-content-format.md): Несовпадение формата content исправляют согласованием клиентского сообщения и chat template.
- [Как сверить токены промпта между Hugging Face и vLLM](https://retrivium.ai/ru/journal/vllm-render-token-parity.md): Совпадение текста промпта не гарантирует совпадение входных токенов. Чтобы сравнить Hugging Face и vLLM, сохраните одну историю сообщений, одинаковую ревизию tokenizer и фактические token IDs после применения шаблона.
- [Почему generation_config.json меняет ответы vLLM после обновления модели](https://retrivium.ai/ru/journal/vllm-generation-config-precedence.md): Ответы vLLM могут измениться после обновления model repository из-за generation_config.json, даже если launch command осталась прежней.
- [Stop strings и EOS в vLLM: как найти преждевременную остановку ответа](https://retrivium.ai/ru/journal/vllm-stop-eos-contract.md): Преждевременное завершение ответа в vLLM нужно проверять по механизму остановки: строка stop, ID из stop_token_ids и EOS решают разные задачи.
- [Миграция structured outputs в vLLM: как проверить схемы после смены backend](https://retrivium.ai/ru/journal/vllm-structured-backend-migration.md): Смена backend для structured outputs в vLLM требует повторной проверки схем и регулярных выражений.
- [vLLM tool calling: как согласовать parser, шаблон и историю вызовов](https://retrivium.ai/ru/journal/vllm-tool-parser-template-contract.md): Надежный tool calling в vLLM требует согласованной тройки: parser, chat template и история сообщений с результатами инструментов.
- [Reasoning parser в vLLM: как проверить границы рассуждения и ответа](https://retrivium.ai/ru/journal/vllm-reasoning-parser-boundaries.md): Reasoning parser в vLLM разбирает сгенерированный текст на рассуждение и итоговый ответ.
- [Speculative decoding в vLLM: как проверить пару draft и target](https://retrivium.ai/ru/journal/vllm-draft-target-validation.md): Пару draft и target для speculative decoding в vLLM проверяют как согласованную конфигурацию, а не выбирают только по размеру маленькой модели.
- [N-gram speculation в vLLM: когда обходиться без draft-модели](https://retrivium.ai/ru/journal/vllm-ngram-speculation-evaluation.md): N-gram speculation в vLLM предлагает продолжения из совпадений внутри промпта и не требует отдельной draft-модели.
- [Chunked prefill в vLLM: как подобрать бюджет токенов для смешанного потока](https://retrivium.ai/ru/journal/vllm-chunked-prefill-token-budget.md): Бюджет токенов chunked prefill в vLLM подбирают по смешанному потоку новых длинных промптов и уже генерирующих запросов.
- [Очередь vLLM: как ограничить backlog запросов и prefill-токенов](https://retrivium.ai/ru/journal/vllm-admission-token-backlog.md): Backlog vLLM следует ограничивать с учетом принятой движком работы: количество запросов и объем ожидающего prefill не равнозначны.
- [Кэш torch.compile в vLLM: как переносить прогрев между релизами](https://retrivium.ai/ru/journal/vllm-compile-cache-release.md): Compilation cache vLLM ускоряет повторение совместимого пути запуска, но скопированная папка не доказывает совместимость нового релиза.
- [Режимы CUDA Graphs в vLLM: как заметить fallback после обновления](https://retrivium.ai/ru/journal/vllm-cuda-graph-mode-compatibility.md): После обновления vLLM проверяйте фактический режим CUDA Graphs, а не только запрошенную настройку.
- [Загрузка safetensors в vLLM: lazy, eager или prefetch для локального диска и NFS](https://retrivium.ai/ru/journal/vllm-safetensors-load-strategy.md): Стратегию чтения safetensors в vLLM выбирают по файловой системе и доступной RAM, а не по качеству модели.
- [Sleep и wake в vLLM: как возвращать модель в работу без ложной готовности](https://retrivium.ai/ru/journal/vllm-sleep-wake-readiness.md): Sleep mode vLLM требует отдельной процедуры возвращения модели в работу. Живой API процесс еще не означает, что восстановлены веса и выделен KV cache.
- [EAGLE в SGLang: как проверить draft checkpoint для конкретного target](https://retrivium.ai/ru/journal/sglang-eagle-draft-contract.md): Draft checkpoint для EAGLE в SGLang нужно сопоставлять с конкретной target моделью и выбранной реализацией метода.
- [SGLang: как найти узкое место в tokenizer и detokenizer workers](https://retrivium.ai/ru/journal/sglang-tokenizer-worker-bottleneck.md): Если SGLang принимает запросы медленно при простаивающей GPU, проверьте tokenizer и detokenizer workers до изменения GPU memory fraction.
- [Schedule conservativeness в SGLang: резерв ответа против retractions](https://retrivium.ai/ru/journal/sglang-schedule-conservativeness.md): Schedule conservativeness в SGLang регулируют по неопределенности длины будущих ответов, а не вместо общего бюджета GPU памяти.
- [LRU, LFU и SLRU в SGLang: как защитить горячий набор префиксов](https://retrivium.ai/ru/journal/sglang-radix-eviction-hotset.md): Политику вытеснения Radix cache в SGLang выбирают по характеру повторного использования префиксов.
- [PD disaggregation в SGLang: как отделить передачу KV от вычислений](https://retrivium.ai/ru/journal/sglang-pd-kv-transfer-diagnosis.md): При prefill-decode disaggregation в SGLang задержку передачи KV нужно отделять от вычислений обеих стадий.
- [FP8 и FP4 GEMM в SGLang: как проверить совместимость ядра и checkpoint](https://retrivium.ai/ru/journal/sglang-quantized-gemm-backends.md): Совместимость FP8 или FP4 в SGLang проверяют по сочетанию checkpoint, scaling recipe, GPU architecture и GEMM backend.
- [Почему temperature 0 в SGLang не гарантирует одинаковый ответ](https://retrivium.ai/ru/journal/sglang-deterministic-batch-invariance.md): Температура 0 в SGLang не гарантирует одинаковый ответ при изменении состава batch.
- [SGLang: когда encoder data parallelism отличается от TP языковой модели](https://retrivium.ai/ru/journal/sglang-multimodal-encoder-dp.md): Data parallelism мультимодального encoder в SGLang не равнозначен tensor parallelism языковой части модели.
- [Трассировка SGLang: как связать задержки одного запроса между workers](https://retrivium.ai/ru/journal/sglang-opentelemetry-request-traces.md): Трассировка SGLang помогает разобрать задержку конкретного запроса между workers, когда агрегированного TTFT недостаточно.
- [Checkpoint engine в SGLang: как ждать реальные веса перед readiness](https://retrivium.ai/ru/journal/sglang-checkpoint-readiness-gate.md): При работе SGLang с checkpoint engine готовность процесса нужно отделять от получения реальных весов.
- [Автоподбор fit в llama.cpp: как сохранить воспроизводимые параметры сервера](https://retrivium.ai/ru/journal/llama-cpp-fit-reproducible-settings.md): Автоматический fit в llama.cpp способен менять незаданные параметры, чтобы уложить запуск в доступную device memory.
- [llama.cpp: как связать общий KV pool и лимит контекста каждого слота](https://retrivium.ai/ru/journal/llama-cpp-unified-kv-slot-limits.md): Общий KV pool llama.cpp и контекст одного параллельного слота нужно учитывать отдельно.
- [Router в llama.cpp: как управлять резидентными моделями и их выгрузкой](https://retrivium.ai/ru/journal/llama-cpp-router-model-residency.md): Model router llama.cpp нужно проверять по фактической резидентности моделей и состоянию дочерних процессов.
- [JSON Schema в GBNF для llama.cpp: как обнаружить пропущенные ограничения](https://retrivium.ai/ru/journal/llama-cpp-json-schema-gbnf-validation.md): Преобразование JSON Schema в GBNF для llama.cpp не доказывает, что все ограничения схемы будут действовать.
- [Сохранение слота llama.cpp: как проверить restore prompt cache из файла](https://retrivium.ai/ru/journal/llama-cpp-slot-cache-persistence.md): Сохранение prompt cache слота llama.cpp нужно проверять как цикл save и restore конкретного состояния.
- [llama.cpp threads и threads-batch: как раздельно настроить prefill и decode](https://retrivium.ai/ru/journal/llama-cpp-prefill-decode-cpu-threads.md): Число CPU threads для prompt processing и token generation в llama.cpp нужно подбирать раздельно.
- [Перенос сборки llama.cpp на другую GPU: compute capability и CUDA targets](https://retrivium.ai/ru/journal/llama-cpp-portable-cuda-build.md): При переносе llama.cpp CUDA binary на другую GPU проверьте, для каких архитектур он собран.
- [Разделенный GGUF: как проверить все shards и безопасно собрать модель](https://retrivium.ai/ru/journal/llama-cpp-split-gguf-integrity.md): Разделенный GGUF нужно принимать как комплект shards, а не как один файл с похожим названием.
- [llama.cpp mmproj: как проверить пару language model и projector](https://retrivium.ai/ru/journal/llama-cpp-mmproj-pair-validation.md): В llama.cpp language GGUF и mmproj должны образовывать поддерживаемую мультимодальную пару.
- [llama-bench: как отделить регрессию prompt processing от token generation](https://retrivium.ai/ru/journal/llama-bench-phase-regression.md): Чтобы локализовать регрессию llama.cpp, сначала отделите prompt processing от token generation через llama-bench.
- [Decoupled streaming в Triton: как определить завершение всех ответов](https://retrivium.ai/ru/journal/triton-decoupled-stream-completion.md): В decoupled режиме Triton завершение запроса нужно определять по протокольному признаку, а не по последнему непустому фрагменту текста.
- [Triton и TensorRT-LLM: как понять, какой scheduler собирает batch](https://retrivium.ai/ru/journal/triton-llmapi-batching-boundaries.md): В Triton и TensorRT-LLM сначала выясните, какой компонент собирает batch в выбранном пути запуска.
- [Ragged batching в Triton: контракт токенов переменной длины](https://retrivium.ai/ru/journal/triton-ragged-token-input-contract.md): Ragged batching в Triton требует согласованного контракта переменной длины между клиентом, моделью и backend.
- [Отмена генерации в Triton: как проверить освобождение запроса после disconnect](https://retrivium.ai/ru/journal/triton-inference-cancellation.md): Отмена генерации в Triton должна подтверждаться поддерживаемым протокольным действием и прекращением обработки, а не только закрытием клиентского окна.
- [TensorRT-LLM в Triton: переход со сборки engines на актуальный LLM API](https://retrivium.ai/ru/journal/tensorrt-llm-triton-llmapi-migration.md): Миграцию Triton TensorRT-LLM следует начинать с определения deployment пути, а не с автоматического повторения trtllm-build.
- [Переносимость TensorRT engine: GPU, runtime, plugins и платформа](https://retrivium.ai/ru/journal/tensorrt-plan-portability.md): Сериализованный TensorRT engine нельзя считать универсальным файлом для любой NVIDIA GPU и версии runtime.
- [Triton model control: как связать reload, version policy и готовность версии](https://retrivium.ai/ru/journal/triton-model-control-version-policy.md): Обновление Triton repository нужно проверять вместе с model control mode и version policy.
- [Triton ensemble: как проверить связку tokenizer, inference и postprocessing](https://retrivium.ai/ru/journal/triton-tokenizer-ensemble-contract.md): Triton ensemble нужно проверять как граф передачи tensors между preprocessing, inference и postprocessing.
- [Triton latency: как отделить queue, input, inference и output](https://retrivium.ai/ru/journal/triton-latency-stage-diagnosis.md): Задержку Triton нужно разбирать по queue, input processing, inference и output processing.
- [ModelOpt checkpoint: как проверить scales, calibration и export metadata](https://retrivium.ai/ru/journal/modelopt-quantized-checkpoint-provenance.md): Quantized ModelOpt checkpoint нужно принимать вместе со scales, конфигурацией квантования и происхождением calibration.
- [Offline-запуск LLM: как собрать полный Hugging Face snapshot по commit](https://retrivium.ai/ru/journal/huggingface-pinned-offline-snapshot.md): Offline-запуск LLM требует полного согласованного snapshot модели, а не только скачанного файла весов.
- [trust_remote_code: как закрепить и проверить код кастомной модели](https://retrivium.ai/ru/journal/huggingface-remote-code-review.md): trust_remote_code разрешает загрузчику использовать Python код кастомной модели из repository, поэтому его нужно рассматривать отдельно от доверия к файлам весов.
- [Safetensors и pickle: как проверить формат весов перед загрузкой](https://retrivium.ai/ru/journal/safetensors-artifact-validation.md): Safetensors и pickle следует различать по механизму сериализации, а целостность конкретных весов проверять отдельно.
- [Релиз токенизатора: как не смешать vocab, special tokens и chat template](https://retrivium.ai/ru/journal/tokenizer-artifact-release-manifest.md): Релиз tokenizer нужно принимать как согласованный набор vocabulary, special tokens и chat template одной предназначенной версии.
- [Attention backend в vLLM: как проверить auto selection и явную фиксацию](https://retrivium.ai/ru/journal/vllm-attention-backend-acceptance.md): Attention backend vLLM нужно принимать по фактическому выбору и поддержке конкретной конфигурации модели.
- [Контейнер замедляется без OOM: как читать memory.high и memory.events](https://retrivium.ai/ru/journal/cgroup-v2-memory-high-events.md): Диагностика: Контейнер замедляется без OOM: как читать memory.high и memory.events. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [GPU простаивает из-за CPU quota: проверка cpu.stat контейнера](https://retrivium.ai/ru/journal/cgroup-cpu-throttling-gpu-feeder.md): Диагностика: GPU простаивает из-за CPU quota: проверка cpu.stat контейнера. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [Cannot create thread в контейнере: проверка pids.max и pids.events](https://retrivium.ai/ru/journal/container-pids-limit-thread-errors.md): Диагностика: Cannot create thread в контейнере: проверка pids.max и pids.events. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [Закончился /dev/shm: как задать IPC-бюджет GPU-контейнера](https://retrivium.ai/ru/journal/container-dev-shm-ipc-budget.md): Диагностика: Закончился /dev/shm: как задать IPC-бюджет GPU-контейнера. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [OOMKilled или Evicted: как различить две причины остановки Pod](https://retrivium.ai/ru/journal/kubernetes-oomkilled-vs-evicted.md): Диагностика: OOMKilled или Evicted: как различить две причины остановки Pod. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [Высокая задержка при умеренной загрузке: диагностика Linux PSI](https://retrivium.ai/ru/journal/linux-psi-inference-stalls.md): Диагностика: Высокая задержка при умеренной загрузке: диагностика Linux PSI. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [Too many open files в контейнере: чей лимит дескрипторов исчерпан](https://retrivium.ai/ru/journal/container-file-descriptor-exhaustion.md): Диагностика: Too many open files в контейнере: чей лимит дескрипторов исчерпан. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [Контейнер зависает на stdout: backpressure и ротация логов Docker](https://retrivium.ai/ru/journal/docker-log-rotation-application-blocking.md): Диагностика: Контейнер зависает на stdout: backpressure и ротация логов Docker. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [Почему docker stop не завершает worker: PID 1, сигналы и zombie](https://retrivium.ai/ru/journal/container-pid1-signals-zombies.md): Диагностика: Почему docker stop не завершает worker: PID 1, сигналы и zombie. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [Swap на хосте есть, а контейнер его не использует: проверка лимитов](https://retrivium.ai/ru/journal/container-swap-limit-mismatch.md): Диагностика: Swap на хосте есть, а контейнер его не использует: проверка лимитов. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [Pod перезапускается во время загрузки: как настроить startupProbe](https://retrivium.ai/ru/journal/kubernetes-startup-probe-restart-loop.md): Диагностика: Pod перезапускается во время загрузки: как настроить startupProbe. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [preStop съедает grace period: как распределить время завершения Pod](https://retrivium.ai/ru/journal/kubernetes-prestop-termination-budget.md): Диагностика: preStop съедает grace period: как распределить время завершения Pod. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [kubectl drain заблокирован PDB: что защищает disruption budget](https://retrivium.ai/ru/journal/kubernetes-pdb-voluntary-disruption.md): Диагностика: kubectl drain заблокирован PDB: что защищает disruption budget. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [GPU Deployment завис на обновлении: maxSurge при занятой ёмкости](https://retrivium.ai/ru/journal/kubernetes-gpu-rollout-surge-deadlock.md): Диагностика: GPU Deployment завис на обновлении: maxSurge при занятой ёмкости. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [Pod уже Terminating, а трафик идёт: проверка EndpointSlice conditions](https://retrivium.ai/ru/journal/kubernetes-terminating-endpoints.md): Диагностика: Pod уже Terminating, а трафик идёт: проверка EndpointSlice conditions. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [ImagePullBackOff до старта GPU-процесса: образ, registry и Secret](https://retrivium.ai/ru/journal/kubernetes-imagepullbackoff-registry-auth.md): Диагностика: ImagePullBackOff до старта GPU-процесса: образ, registry и Secret. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [Init container повторно скачивает артефакт: как сделать подготовку идемпотентной](https://retrivium.ai/ru/journal/kubernetes-init-artifact-download.md): Диагностика: Init container повторно скачивает артефакт: как сделать подготовку идемпотентной. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [Ресурс завис в Terminating: как диагностировать finalizer](https://retrivium.ai/ru/journal/kubernetes-finalizer-stuck-deletion.md): Диагностика: Ресурс завис в Terminating: как диагностировать finalizer. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [Узел NotReady, а Pod не переносится: tolerationSeconds и eviction](https://retrivium.ai/ru/journal/kubernetes-node-notready-taint-delay.md): Диагностика: Узел NotReady, а Pod не переносится: tolerationSeconds и eviction. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [В образе нет shell: диагностика Pod через ephemeral container](https://retrivium.ai/ru/journal/kubernetes-ephemeral-container-debug.md): Диагностика: В образе нет shell: диагностика Pod через ephemeral container. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [NVIDIA_VISIBLE_DEVICES и CUDA_VISIBLE_DEVICES: почему номера GPU не совпадают](https://retrivium.ai/ru/journal/nvidia-visible-vs-cuda-visible-devices.md): Диагностика: NVIDIA_VISIBLE_DEVICES и CUDA_VISIBLE_DEVICES: почему номера GPU не совпадают. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [CDI-устройство не найдено: проверка имени и спецификации NVIDIA GPU](https://retrivium.ai/ru/journal/nvidia-cdi-device-selection.md): Диагностика: CDI-устройство не найдено: проверка имени и спецификации NVIDIA GPU. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [NVML Unknown Error после daemon-reload: когда контейнер теряет GPU](https://retrivium.ai/ru/journal/nvidia-container-nvml-systemd-reload.md): Диагностика: NVML Unknown Error после daemon-reload: когда контейнер теряет GPU. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [nvidia-smi работает, CUDA нет: проверка compute и utility capabilities](https://retrivium.ai/ru/journal/nvidia-driver-capabilities-compute-utility.md): Диагностика: nvidia-smi работает, CUDA нет: проверка compute и utility capabilities. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [DNS в Pod отвечает медленно: search domains и ndots](https://retrivium.ai/ru/journal/kubernetes-dns-ndots-search-latency.md): Диагностика: DNS в Pod отвечает медленно: search domains и ndots. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [Часть DNS-запросов не проходит: зачем разрешать TCP и UDP 53](https://retrivium.ai/ru/journal/kubernetes-dns-udp-tcp-policy.md): Диагностика: Часть DNS-запросов не проходит: зачем разрешать TCP и UDP 53. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [Ping проходит, загрузка зависает: как распознать MTU black hole](https://retrivium.ai/ru/journal/network-mtu-blackhole-diagnostics.md): Диагностика: Ping проходит, загрузка зависает: как распознать MTU black hole. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [Новые соединения пропадают: проверка заполнения Linux conntrack](https://retrivium.ai/ru/journal/linux-conntrack-table-pressure.md): Диагностика: Новые соединения пропадают: проверка заполнения Linux conntrack. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [Сервер отдаёт чужой сертификат: SNI, SAN и default virtual host](https://retrivium.ai/ru/journal/tls-sni-san-wrong-certificate.md): Диагностика: Сервер отдаёт чужой сертификат: SNI, SAN и default virtual host. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [HTTPS работает на хосте, но не в контейнере: CA и цепочка доверия](https://retrivium.ai/ru/journal/container-ca-chain-validation.md): Диагностика: HTTPS работает на хосте, но не в контейнере: CA и цепочка доверия. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [После перезапуска неверное время: TLS-ошибки и порядок событий в логах](https://retrivium.ai/ru/journal/clock-skew-tls-telemetry.md): Диагностика: После перезапуска неверное время: TLS-ошибки и порядок событий в логах. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [Prometheus relabel_configs и metric_relabel_configs: где фильтровать данные](https://retrivium.ai/ru/journal/prometheus-target-vs-metric-relabeling.md): Диагностика: Prometheus relabel_configs и metric_relabel_configs: где фильтровать данные. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [Prometheus remote_write отстаёт: WAL, очереди и shards](https://retrivium.ai/ru/journal/prometheus-remote-write-wal-backlog.md): Диагностика: Prometheus remote_write отстаёт: WAL, очереди и shards. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [OpenTelemetry Collector теряет данные при отказе backend: очередь и лимиты](https://retrivium.ai/ru/journal/otel-collector-backpressure.md): Диагностика: OpenTelemetry Collector теряет данные при отказе backend: очередь и лимиты. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [Телеметрия не доходит в Collector: OTLP gRPC, HTTP и endpoint](https://retrivium.ai/ru/journal/otlp-protocol-endpoint-mismatch.md): Диагностика: Телеметрия не доходит в Collector: OTLP gRPC, HTTP и endpoint. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [Метрика исчезла с графика: staleness, up и нулевые значения](https://retrivium.ai/ru/journal/prometheus-scrape-staleness.md): Диагностика: Метрика исчезла с графика: staleness, up и нулевые значения. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [Head и tail sampling: почему трасса распадается между Collector](https://retrivium.ai/ru/journal/otel-head-tail-sampling-collector-routing.md): Диагностика: Head и tail sampling: почему трасса распадается между Collector. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [Алерт то молчит, то срабатывает: for, pending и keep_firing_for](https://retrivium.ai/ru/journal/prometheus-alert-pending-flapping.md): Диагностика: Алерт то молчит, то срабатывает: for, pending и keep_firing_for. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [После рестарта метрика скорости скачет: counter reset и порядок rate/sum](https://retrivium.ai/ru/journal/prometheus-counter-reset-rate.md): Диагностика: После рестарта метрика скорости скачет: counter reset и порядок rate/sum. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [kubectl logs --previous уже не помогает: ротация и сбор логов Pod](https://retrivium.ai/ru/journal/kubernetes-log-rotation-restarts.md): Диагностика: kubectl logs --previous уже не помогает: ротация и сбор логов Pod. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [Откат Deployment запустил новый образ: проблема изменяемого тега](https://retrivium.ai/ru/journal/kubernetes-rollback-mutable-image-tag.md): Диагностика: Откат Deployment запустил новый образ: проблема изменяемого тега. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [Digest совпадает, но кому доверять: проверка подписи контейнерного образа](https://retrivium.ai/ru/journal/artifact-signature-verification.md): Диагностика: Digest совпадает, но кому доверять: проверка подписи контейнерного образа. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [ConfigMap изменён, процесс видит старое: env, volume и subPath](https://retrivium.ai/ru/journal/kubernetes-configmap-update-reload.md): Диагностика: ConfigMap изменён, процесс видит старое: env, volume и subPath. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [Secret обновился, доступ всё ещё старый: ротация файла и перечитывание](https://retrivium.ai/ru/journal/kubernetes-secret-volume-rotation.md): Диагностика: Secret обновился, доступ всё ещё старый: ротация файла и перечитывание. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [Токен ServiceAccount истёк: audience и обновление projected volume](https://retrivium.ai/ru/journal/kubernetes-projected-serviceaccount-token.md): Диагностика: Токен ServiceAccount истёк: audience и обновление projected volume. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [GPU доступен root, но не rootless-контейнеру: runtime и права устройств](https://retrivium.ai/ru/journal/rootless-nvidia-cdi-permissions.md): Диагностика: GPU доступен root, но не rootless-контейнеру: runtime и права устройств. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [Operation not permitted в GPU-контейнере: как проверить seccomp](https://retrivium.ai/ru/journal/container-seccomp-permission-denied.md): Диагностика: Operation not permitted в GPU-контейнере: как проверить seccomp. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [После deny-all Pod не готов: сетевые зависимости init container](https://retrivium.ai/ru/journal/kubernetes-egress-networkpolicy-bootstrap.md): Диагностика: После deny-all Pod не готов: сетевые зависимости init container. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [No matching manifest или exec format error: архитектура контейнерного образа](https://retrivium.ai/ru/journal/container-image-platform-manifest-errors.md): Диагностика: No matching manifest или exec format error: архитектура контейнерного образа. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [Read-only контейнер не стартует: где разрешить запись tmp и cache](https://retrivium.ai/ru/journal/read-only-container-writable-caches.md): Диагностика: Read-only контейнер не стартует: где разрешить запись tmp и cache. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [ECC GPU: volatile и aggregate счётчики ошибок](https://retrivium.ai/ru/journal/gpu-ecc-volatile-aggregate.md): Как читать ECC GPU с учётом типа ошибки, области памяти и истории сбросов. Практическая таблица отделяет новые приращения от исторических итогов и недоступных полей.
- [Row remapping GPU: pending, remapped и запас строк](https://retrivium.ai/ru/journal/gpu-row-remapping-state.md): Как трактовать число row remapping, состояние pending и резерв строк GPU, не смешивая их с retired pages и универсальным порогом замены оборудования.
- [Xid GPU: как восстановить последовательность сбоя](https://retrivium.ai/ru/journal/gpu-xid-timeline.md): Как составить полезную хронологию Xid по идентификаторам GPU, исходным журналам и условиям нагрузки, отделяя последовательность наблюдений от гипотезы о причине.
- [Xid 79: какие данные сохранить при потере GPU](https://retrivium.ai/ru/journal/gpu-xid-79-event-record.md): Диагностика Xid 79 по контексту PCIe, исходным журналам и истории восстановления: какие свидетельства сохранить до выводов о неисправном компоненте.
- [Почему GPU снижает частоты: несколько причин одновременно](https://retrivium.ai/ru/journal/gpu-clock-event-reasons.md): Как читать одновременные причины снижения частот GPU, учитывать поддержку полей и связывать наблюдения с нагрузкой до изменения рабочих ограничений.
- [P-state GPU и короткие запросы инференса](https://retrivium.ai/ru/journal/gpu-pstate-burst-inference.md): Как проверять всплески инференса с заданными паузами и телеметрией, отделяя P-state GPU от загрузки модели, соединения и прогрева движка.
- [BAR1 и VRAM: почему показания памяти GPU различаются](https://retrivium.ai/ru/journal/gpu-bar1-vs-framebuffer.md): Чем отображения BAR1 отличаются от framebuffer GPU и как исследовать отказ операции, не складывая разные показатели свободной памяти в вымышленную ёмкость.
- [Сброс GPU и эпохи счётчиков телеметрии](https://retrivium.ai/ru/journal/gpu-reset-counter-epochs.md): Как разделять эпохи счётчиков GPU при смене драйвера, сбросе и пропусках, проверяя расчёт приращений сохранёнными данными без воздействия на устройство.
- [DCGM: активная диагностика и история пассивного мониторинга](https://retrivium.ai/ru/journal/dcgm-active-passive-evidence.md): Как сопоставлять активные тесты DCGM с пассивной историей здоровья по покрытию наблюдений, сроку хранения, выбранным проверкам и условиям нагрузки.
- [Результат DCGM в JSON: Pass, Fail, Skip и версия схемы](https://retrivium.ai/ru/journal/dcgm-diagnostic-json-status.md): Как разбирать JSON диагностики DCGM с закреплённой версией, исходным выводом и отдельными состояниями успеха, отказа, пропуска и неизвестного результата.
- [PCIe GPU: текущая скорость, ширина и допустимый максимум](https://retrivium.ai/ru/journal/gpu-pcie-negotiated-link.md): Как сравнивать возможности PCIe GPU с согласованным поколением и шириной при передаче, учитывая слот, путь устройства и реальные ограничения приложения.
- [Матрица топологии GPU: близость устройств и реальные измерения](https://retrivium.ai/ru/journal/gpu-topology-distance-matrix.md): Как читать матрицу GPU как карту путей устройств и проверять нужную передачу, сохраняя легенду и маршрут вместо превращения близости в скорость.
- [Peer access GPU: проверка каждой пары и направления](https://retrivium.ai/ru/journal/gpu-peer-access-matrix.md): Как построить направленную матрицу peer access GPU и проверить маршрут передачи и движка, отделяя топологию от возможностей и реального поведения.
- [First touch и NUMA: где размещены буферы для GPU](https://retrivium.ai/ru/journal/gpu-host-memory-first-touch.md): Как измерять NUMA-размещение буферов GPU по времени выделения, фактическим страницам и фиксированной передаче: привязка CPU не определяет место старых данных.
- [Pinned memory для GPU: бюджет закреплённой памяти хоста](https://retrivium.ai/ru/journal/gpu-pinned-host-memory-budget.md): Как ограничить pinned host memory для GPU: живые буферы, стоимость закрепления, давление на RAM, NUMA и проверка повторного использования.
- [CUDA: как проверить перекрытие копирования и вычислений](https://retrivium.ai/ru/journal/gpu-async-copy-overlap.md): Как доказать overlap копирования и вычислений CUDA: pinned memory, streams, зависимости, timeline и сравнение с последовательным контрольным запуском.
- [CUDA Events и время запроса: разные границы измерения](https://retrivium.ai/ru/journal/gpu-cuda-events-wall-time.md): Почему CUDA Events и время HTTP-запроса показывают разные интервалы: границы host/device, завершение операций, синхронизация и корректный отчёт.
- [Ошибки NVLink: дельты счётчиков и поколение оборудования](https://retrivium.ai/ru/journal/gpu-nvlink-error-deltas.md): Как читать ошибки NVLink: область счётчика, поколение GPU, дельты за окно, сбросы и отличие накопленных ошибок от показателей BER.
- [Resizable BAR: инвентаризация ресурсов без изменения BIOS](https://retrivium.ai/ru/journal/gpu-resizable-bar-discovery.md): Read-only проверка Resizable BAR: возможность устройства, назначенные PCIe-ресурсы, BAR1 usage и границы выводов без универсального рецепта BIOS.
- [GPU, NVMe и NIC: конкуренция за общий путь PCIe](https://retrivium.ai/ru/journal/gpu-shared-pcie-root-contention.md): Как проверить конкуренцию GPU, NVMe и NIC за PCIe: карта пути, изолированные и совместные передачи, контроль CPU и ограниченный воспроизводимый опыт.
- [NVMe Percentage Used: износ SSD и границы показателя](https://retrivium.ai/ru/journal/nvme-percentage-used.md): Что означает NVMe Percentage Used, почему значение 100 не равно немедленному отказу и как связать оценку износа с историей конкретного SSD.
- [NVMe: unsafe shutdowns и media errors означают разное](https://retrivium.ai/ru/journal/nvme-errors-unsafe-shutdowns.md): Почему unsafe shutdowns, media errors и error log entries NVMe нельзя считать одним показателем: определения, дельты, версии CLI и проверка причин.
- [Температура NVMe и нестабильное время загрузки модели](https://retrivium.ai/ru/journal/nvme-thermal-model-loading.md): Как проверить связь температуры NVMe со временем загрузки модели: фазы startup, кеш, read-only опыт, thermal counters и пределы причинного вывода.
- [Кеш моделей и ресурс SSD: загрузки, записи хоста и NAND](https://retrivium.ai/ru/journal/model-cache-ssd-write-amplification.md): Как оценить записи кеша моделей без выдуманного write amplification: загрузки, временные файлы, NVMe host writes и отдельная telemetry NAND.
- [Загрузка LLM: хвост задержки чтения важнее одной скорости SSD](https://retrivium.ai/ru/journal/nvme-read-latency-model-load.md): Как исследовать нестабильную загрузку модели по профилю чтения fio, хвостам задержки и этапам приложения вместо прогноза по последовательной скорости SSD.
- [fio: buffered и direct read измеряют разные пути](https://retrivium.ai/ru/journal/fio-buffered-direct-read.md): Как сравнивать buffered и direct чтение fio с историей кеша, защитой от записи и проверкой поддержки, сохраняя границы файловой системы и устройства.
- [Тёплый кеш ОС и холодная загрузка модели: что фиксировать](https://retrivium.ai/ru/journal/model-load-os-page-cache.md): Как определять холодную и тёплую загрузку по артефактам, кешу ОС, процессу и памяти GPU, не очищая кеши общего рабочего узла ради сравнения.
- [RAID1 с моделями: доступность диска и восстановление версий](https://retrivium.ai/ru/journal/raid1-model-backup-boundary.md): Чем доступность RAID1 отличается от резервной копии версии модели и как составить карту восстановления с артефактами, проверкой и этапами готовности сервиса.
- [EDAC и ECC оперативной памяти: это не ошибки VRAM](https://retrivium.ai/ru/journal/host-ram-ecc-edac.md): Ошибки ECC оперативной памяти хоста и ошибки памяти GPU относятся к разным устройствам и счетчикам.
- [PCIe AER рядом с GPU: severity, requester и хронология](https://retrivium.ai/ru/journal/pcie-aer-gpu-evidence.md): Сообщение PCIe AER рядом с GPU нужно читать по severity, requester identity и месту регистрации в topology.
- [Энергия GPU, CPU и сервера: где проходит граница измерения](https://retrivium.ai/ru/journal/gpu-board-server-power-boundary.md): Мощность GPU, CPU package и сервера на входе AC относятся к разным границам измерения.
- [Короткие всплески GPU и редкое измерение мощности](https://retrivium.ai/ru/journal/gpu-power-sampling-aliasing.md): Редкие снимки мощности GPU не позволяют восстановить все короткие всплески нагрузки.
- [Лимит мощности GPU: эксперимент с энергией и задержкой](https://retrivium.ai/ru/journal/gpu-power-cap-latency-frontier.md): Лимит мощности GPU следует исследовать как эксперимент с энергией и задержкой на разрешенных поддерживаемых режимах.
- [Два блока питания: учёт входов A и B и резервирования](https://retrivium.ai/ru/journal/dual-psu-input-accounting.md): При двух PSU серверную энергию учитывают по непересекающимся входам A и B, а резервирование описывают отдельно.
- [ИБП для GPU-узла: время автономии и бюджет восстановления](https://retrivium.ai/ru/journal/ups-runtime-recovery-budget.md): Время автономии ИБП для GPU узла нужно выбирать по реальной защищаемой нагрузке и требуемой последовательности действий.
- [Температура на входе, GPU и памяти: разные датчики](https://retrivium.ai/ru/journal/gpu-inlet-device-temperature.md): Температуры входящего воздуха, GPU и памяти GPU относятся к разным точкам измерения.
- [Вентиляторы сервера: почему проценты оборотов не равны ваттам](https://retrivium.ai/ru/journal/server-fan-energy-boundary.md): Процент скорости вентилятора не является его электрической мощностью и не определяет энергию охлаждения всего сервера.
- [Синхронизация измерителей энергии с окном GPU-теста](https://retrivium.ai/ru/journal/power-meter-time-alignment.md): Энергию GPU теста сравнивают только после согласования окна workload и временных границ измерителей.
- [Бенчмарк GPU: медиана, разброс и порядок прогонов](https://retrivium.ai/ru/journal/gpu-benchmark-median-dispersion.md): Диагностика: Бенчмарк GPU: медиана, разброс и порядок прогонов. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [Доверительный интервал бенчмарка GPU: что является наблюдением](https://retrivium.ai/ru/journal/gpu-benchmark-confidence-interval.md): Диагностика: Доверительный интервал бенчмарка GPU: что является наблюдением. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [Драйвер GPU: контролируемое сравнение двух версий](https://retrivium.ai/ru/journal/gpu-driver-controlled-ab.md): Диагностика: Драйвер GPU: контролируемое сравнение двух версий. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [VBIOS и InfoROM GPU: разные поля технического паспорта](https://retrivium.ai/ru/journal/gpu-inforom-vbios-baseline.md): Диагностика: VBIOS и InfoROM GPU: разные поля технического паспорта. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [OAM: модуль ускорителя и требования к системе](https://retrivium.ai/ru/journal/oam-gpu-module-system-boundary.md): Диагностика: OAM: модуль ускорителя и требования к системе. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [GPU с дисплеем: резерв VRAM до запуска модели](https://retrivium.ai/ru/journal/display-attached-vram-baseline.md): Диагностика: GPU с дисплеем: резерв VRAM до запуска модели. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [Память сервера GPU: одинаковые гигабайты и разные каналы DIMM](https://retrivium.ai/ru/journal/gpu-host-ram-channel-population.md): Диагностика: Память сервера GPU: одинаковые гигабайты и разные каналы DIMM. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [N+1 для GPU: запас обслуживания измеряется на рабочей нагрузке](https://retrivium.ai/ru/journal/gpu-n-plus-one-maintenance-capacity.md): Диагностика: N+1 для GPU: запас обслуживания измеряется на рабочей нагрузке. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [NVMe Available Spare: это не свободное место файловой системы](https://retrivium.ai/ru/journal/nvme-spare-threshold-capacity.md): Диагностика: NVMe Available Spare: это не свободное место файловой системы. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [Разные GPU в одном отчёте: как агрегировать результаты](https://retrivium.ai/ru/journal/heterogeneous-gpu-benchmark-aggregation.md): Диагностика: Разные GPU в одном отчёте: как агрегировать результаты. Признаки, последовательность проверки, рабочий пример и критерии восстановления.
- [AMD SMI в смешанном GPU-пуле: единицы и поддержка метрик](https://retrivium.ai/ru/journal/amd-smi-cross-vendor-telemetry.md): Как включать AMD SMI в смешанный GPU-пул с явными единицами, областью и статусом запросов, не принимая одинаковые подписи за сопоставимые измерения.
- [Intel xpu-smi: телеметрия не доказывает готовность LLM-сервиса](https://retrivium.ai/ru/journal/intel-xpu-telemetry-boundary.md): Как отделять обнаружение Intel xpu-smi и зависящие от версии метрики от runtime, загрузки модели и готовности inference API в многоуровневой приёмке.
- [NVIDIA GeForce RTX 5090: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-rtx-5090-inference-rendering.md): RTX 5090 32 GB для LLM и Cycles: память, эталонные 575 W, совместимость Blackwell и проверка переключения сервера между двумя нагрузками.
- [NVIDIA GeForce RTX 5080: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-rtx-5080-inference-rendering.md): RTX 5080 16 GB для inference и серверного рендеринга: что ограничивает память, как проверить backend и выбрать режим очереди при эталонных 360 W.
- [NVIDIA GeForce RTX 5070 Ti: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-rtx-5070-ti-inference-rendering.md): RTX 5070 Ti 16 GB: проверка LLM-контекста, рендера сцен и серверного допуска с учётом Blackwell, эталонных 300 W и различий с RTX 5070.
- [NVIDIA GeForce RTX 5070: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-rtx-5070-inference-rendering.md): RTX 5070 12 GB для LLM и Cycles: ограничения контекста, проверка GDDR7-конфигурации, серверный worker и тест повторной загрузки сцены.
- [NVIDIA GeForce RTX 5060: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-rtx-5060-inference-rendering.md): RTX 5060 8 GB: ограниченный LLM-сервис, GPU-рендеринг, серверная память и проверка освобождения ресурсов после отмены запроса.
- [NVIDIA GeForce RTX 5050: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-rtx-5050-inference-rendering.md): Настольная RTX 5050 8 GB GDDR6: небольшие LLM-задачи, Cycles, отличие от соседей и проверка worker с подключённым дисплеем.
- [NVIDIA GeForce RTX 5060 Ti: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-rtx-5060-ti-inference-rendering.md): RTX 5060 Ti 8 и 16 GB: полная таблица вариантов, проверка памяти LLM и Cycles, серверная конфигурация и воспроизводимое сравнение двух плат.
- [NVIDIA GeForce RTX 5090 D: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-rtx-5090-d-inference-rendering.md): Исходная RTX 5090 D 32 GB: отличие от D v2, подтверждённые NVIDIA характеристики, LLM и Cycles и паспорт региональной карты для сервера.
- [NVIDIA GeForce RTX 5090 D v2: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-rtx-5090-d-v2-inference-rendering.md): RTX 5090 D v2 24 GB: отдельный профиль GDDR7-карты, отличия от исходной D, эталонные 575 W и проверка inference и серверной сцены.
- [NVIDIA GeForce RTX 4090: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-rtx-4090-inference-rendering.md): RTX 4090 24 GB для LLM и серверного Cycles: официальный desktop-профиль, мощность 450 W, worker на выбранном GPU и проверка двух очередей.
- [NVIDIA GeForce RTX 4080 SUPER: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-rtx-4080-super-inference-rendering.md): RTX 4080 SUPER 16 GB: LLM-инференс и Cycles, эталонные 320 W и проверка обновления worker без подмены модели обычной RTX 4080.
- [NVIDIA GeForce RTX 4080: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-rtx-4080-inference-rendering.md): Обычная RTX 4080 16 GB: профиль inference и Cycles, отличие от SUPER и проверка cold start с раздельным учётом чтения файлов и GPU-памяти.
- [NVIDIA GeForce RTX 4070 Ti SUPER: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-rtx-4070-ti-super-inference-rendering.md): RTX 4070 Ti SUPER 16 GB: память LLM и сцены Cycles, отличие от 12 GB Ti и проверка серверных ограничений для длинной истории запросов.
- [NVIDIA GeForce RTX 4070 Ti: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-rtx-4070-ti-inference-rendering.md): RTX 4070 Ti 12 GB для inference и Cycles: официальный профиль без SUPER, память контекста, эталонные 285 W и проверка энергии полного задания.
- [NVIDIA GeForce RTX 4070 SUPER: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-rtx-4070-super-inference-rendering.md): RTX 4070 SUPER 12 GB: память inference и Cycles, отличие от обычной 4070 и проверка полного streaming-ответа на серверном worker.
- [NVIDIA GeForce RTX 4060: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-rtx-4060-inference-rendering.md): RTX 4060 8 GB GDDR6: профиль LLM и Cycles, эталонные 115 W, проверка GPU в контейнере и перенос воспроизводимого задания между workers.
- [NVIDIA GeForce RTX 4070: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-rtx-4070-inference-rendering.md): RTX 4070 12 GB GDDR6 и GDDR6X: единый профиль вариантов для LLM и Cycles, инвентаризация памяти и проверка разных фаз серверной задачи.
- [NVIDIA GeForce RTX 4060 Ti: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-rtx-4060-ti-inference-rendering.md): RTX 4060 Ti 8 и 16 GB: таблица вариантов, неизвестная мощность конкретной платы, LLM и Cycles и маршрутизация заданий по подтверждённой памяти.
- [NVIDIA GeForce RTX 4090 D: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-rtx-4090-d-inference-rendering.md): RTX 4090 D 24 GB: официальная региональная Ada, характеристика 425 W, inference и Cycles и проверка классификации GPU в серверном инвентаре.
- [NVIDIA GeForce RTX 3090 Ti: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-rtx-3090-ti-inference-rendering.md): RTX 3090 Ti 24 GB для inference и Cycles: Ampere, эталонные 450 W, отличие от RTX 3090 и проверка повторных задач при штатном охлаждении.
- [NVIDIA GeForce RTX 3090: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-rtx-3090-inference-rendering.md): RTX 3090 24 GB: полный профиль inference и серверного Cycles, эталонные 350 W и проверка существующей карты на воспроизводимом наборе заданий.
- [NVIDIA GeForce RTX 3080 Ti: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-rtx-3080-ti-inference-rendering.md): RTX 3080 Ti 12 GB: inference и GPU-рендеринг, эталонные 350 W и проверка резидентных данных при смене модели или сцены на серверном worker.
- [NVIDIA GeForce RTX 3070 Ti: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-rtx-3070-ti-inference-rendering.md): RTX 3070 Ti 8 GB GDDR6X: LLM и Cycles, эталонные 290 W и проверка отказа по памяти без бесконтрольного расширения серверной очереди.
- [NVIDIA GeForce RTX 3070: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-rtx-3070-inference-rendering.md): RTX 3070 8 GB GDDR6: LLM и Cycles, проверка частичного GPU offload, эталонные 220 W и воспроизводимое размещение задачи на сервере.
- [NVIDIA GeForce RTX 3080: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-rtx-3080-inference-rendering.md): RTX 3080 10 и 12 GB: таблица GDDR6X-вариантов, 320/350 W, LLM и Cycles и проверка правил допуска к разным серверным worker classes.
- [NVIDIA GeForce RTX 3060 Ti: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-rtx-3060-ti-inference-rendering.md): RTX 3060 Ti 8 GB GDDR6 и GDDR6X: LLM, Cycles, неизвестная мощность конкретной ревизии и паспорт платы для повторяемого server workload.
- [NVIDIA GeForce RTX 3060: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-rtx-3060-inference-rendering.md): RTX 3060 8 и 12 GB: варианты GDDR6, 170 W, LLM и Cycles и проверка сценария, где ёмкость важнее общего имени и паспортной мощности.
- [NVIDIA GeForce RTX 3050: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-rtx-3050-inference-rendering.md): RTX 3050 6 и 8 GB, включая OEM: LLM, Cycles, эталонные 70/130 W и проверка низкомощной платы без подмены неизвестных характеристик.
- [NVIDIA GeForce RTX 2080 Ti: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-rtx-2080-ti-inference-rendering.md): RTX 2080 Ti 11 GB: Turing для LLM и Cycles, мощность дизайна сравнения NVIDIA и проверка worker без округления ёмкости до 12 GB.
- [NVIDIA GeForce RTX 2080 SUPER: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-rtx-2080-super-inference-rendering.md): RTX 2080 SUPER 8 GB: Turing для inference и Cycles, 250 W дизайна сравнения и проверка смены CUDA/OptiX backend на серверной сцене.
- [NVIDIA GeForce RTX 2080: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-rtx-2080-inference-rendering.md): Оригинальная RTX 2080 8 GB: Turing для LLM и Cycles, мощность дизайна NVIDIA и проверка программной совместимости отдельно от нехватки VRAM.
- [NVIDIA GeForce RTX 2070 SUPER: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-rtx-2070-super-inference-rendering.md): RTX 2070 SUPER 8 GB: inference и Cycles, характеристика 215 W и проверка задержки очереди отдельно от времени вычисления на серверном GPU.
- [NVIDIA GeForce RTX 2070: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-rtx-2070-inference-rendering.md): RTX 2070 8 GB для LLM и Cycles: оригинальная Turing, мощность дизайна NVIDIA и проверка workstation worker при изменении фоновой графической нагрузки.
- [NVIDIA GeForce RTX 2060 SUPER: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-rtx-2060-super-inference-rendering.md): RTX 2060 SUPER 8 GB: отличие от RTX 2060 6/12 GB, LLM и Cycles, дизайн 175 W и проверка полного имени GPU при распределении серверных задач.
- [NVIDIA GeForce RTX 2060: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-rtx-2060-inference-rendering.md): RTX 2060 6 и 12 GB: варианты Turing для LLM и Cycles, 160/185 W и проверка обновления памяти без предположения о новой архитектуре.
- [NVIDIA TITAN RTX: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-titan-rtx-inference-rendering.md): TITAN RTX 24 GB: LLM и Cycles, 280 W, Turing software path и проверка NVLink без обещания автоматического объединения памяти двух карт.
- [NVIDIA TITAN V: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-titan-v-inference-rendering.md): TITAN V 12 GB HBM2: условный legacy inference, граница vLLM CC 7.5, совместимый CUDA toolkit и проверка Cycles на серверном worker.
- [NVIDIA TITAN Xp: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-titan-xp-inference-rendering.md): TITAN Xp 12 GB GDDR5X: Pascal для условного LLM inference и Cycles, 250 W и проверка legacy бинарника с правильной архитектурой сборки.
- [NVIDIA TITAN X Pascal: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-titan-x-pascal-inference-rendering.md): TITAN X Pascal 12 GB GDDR5X: отличить Maxwell и Xp, проверить legacy inference и Cycles и сохранить неизвестную мощность конкретной платы.
- [NVIDIA GeForce GTX 1660 Ti: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-gtx-1660-ti-inference-rendering.md): GTX 1660 Ti 6 GB GDDR6: Turing без Tensor и RT cores, LLM offload, Cycles и проверка ограниченного worker при мощности дизайна 120 W.
- [NVIDIA GeForce GTX 1660 SUPER: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-gtx-1660-super-inference-rendering.md): GTX 1660 SUPER 6 GB GDDR6: LLM и Cycles без Tensor/RT cores, характеристика 125 W и раздельная проверка памяти, загрузки и вычислительных фаз.
- [NVIDIA GeForce GTX 1660: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-gtx-1660-inference-rendering.md): GTX 1660 6 GB GDDR5: оригинальная Turing без Tensor/RT cores, ограниченный LLM и Cycles и проверка происхождения GGUF для server worker.
- [NVIDIA GeForce GTX 16 4 GB family: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-gtx-16-4-gb-family-inference-rendering.md): GTX 1650, 1650 SUPER и 1630 4 GB: таблица GDDR5/GDDR6, маленькие LLM и сцены Cycles и честная граница ограниченного server worker.
- [NVIDIA GeForce GTX 1080 Ti: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-gtx-1080-ti-inference-rendering.md): GTX 1080 Ti 11 GB GDDR5X: Pascal для legacy LLM и Cycles, пример платы 250 W и проверка supported build отдельно от памяти и имени Ti.
- [NVIDIA GeForce GTX 1080: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-gtx-1080-inference-rendering.md): GTX 1080 8 GB GDDR5X: исходная и 11 Gbps ревизии, legacy LLM и Cycles и проверка памяти без путаницы скорости передачи и ёмкости.
- [NVIDIA GeForce GTX 1070 Ti: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-gtx-1070-ti-inference-rendering.md): GTX 1070 Ti 8 GB GDDR5: пример MSI GAMING 180 W, legacy LLM и Cycles и паспорт фактической платы вместо обобщения всех Pascal GPU.
- [NVIDIA GeForce GTX 1070: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-gtx-1070-inference-rendering.md): GTX 1070 8 GB GDDR5: пример Founders Edition 150 W, условный legacy inference и Cycles и проверка переноса сохранённого worker environment.
- [NVIDIA GeForce GTX 1060: LLM-инференс и GPU-рендеринг](https://retrivium.ai/ru/journal/gpu-nvidia-gtx-1060-inference-rendering.md): GTX 1060 3, 5 и 6 GB, GDDR5/GDDR5X: единый паспорт вариантов, legacy LLM и Cycles и проверка фактической AIB платы перед server workload.
- [NVIDIA RTX PRO 6000 Blackwell Workstation Edition: 96 ГБ в одной рабочей станции](https://retrivium.ai/ru/journal/rtx-pro-6000-blackwell-workstation-llm-rendering.md): Характеристики и проверка NVIDIA RTX PRO 6000 Blackwell Workstation Edition: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition: 96 ГБ и лимит платы 300 Вт](https://retrivium.ai/ru/journal/rtx-pro-6000-blackwell-max-q-llm-rendering.md): Характеристики и проверка NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA RTX PRO 6000 Blackwell Server Edition: воздушное и жидкостное серверное исполнение](https://retrivium.ai/ru/journal/rtx-pro-6000-blackwell-server-llm-rendering.md): Характеристики и проверка NVIDIA RTX PRO 6000 Blackwell Server Edition: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA RTX PRO 5500 Blackwell Workstation Edition: 84 ГБ и предварительные характеристики](https://retrivium.ai/ru/journal/rtx-pro-5500-blackwell-workstation-llm-rendering.md): Характеристики и проверка NVIDIA RTX PRO 5500 Blackwell Workstation Edition: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA RTX PRO 5000 Blackwell: варианты памяти 48 и72 ГБ](https://retrivium.ai/ru/journal/rtx-pro-5000-blackwell-llm-rendering.md): Характеристики и проверка NVIDIA RTX PRO 5000 Blackwell: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA RTX PRO 4500 Blackwell Workstation Edition: активная плата рабочей станции на200 Вт](https://retrivium.ai/ru/journal/rtx-pro-4500-blackwell-workstation-llm-rendering.md): Характеристики и проверка NVIDIA RTX PRO 4500 Blackwell Workstation Edition: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA RTX PRO 4500 Blackwell Server Edition: 32 ГБ в пассивной однослотовой серверной плате](https://retrivium.ai/ru/journal/rtx-pro-4500-blackwell-server-llm-rendering.md): Характеристики и проверка NVIDIA RTX PRO 4500 Blackwell Server Edition: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA RTX PRO 4000 Blackwell: 24 ГБ в полноразмерном одном слоте](https://retrivium.ai/ru/journal/rtx-pro-4000-blackwell-llm-rendering.md): Характеристики и проверка NVIDIA RTX PRO 4000 Blackwell: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA RTX PRO 4000 Blackwell SFF Edition: 24 ГБ в низкопрофильном корпусе](https://retrivium.ai/ru/journal/rtx-pro-4000-blackwell-sff-llm-rendering.md): Характеристики и проверка NVIDIA RTX PRO 4000 Blackwell SFF Edition: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA RTX PRO 2000 Blackwell: инференс на16 ГБ и компактный рендеринг](https://retrivium.ai/ru/journal/rtx-pro-2000-blackwell-llm-rendering.md): Характеристики и проверка NVIDIA RTX PRO 2000 Blackwell: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA RTX 6000 Ada Generation: 48 ГБ без смешения с Ampere A6000](https://retrivium.ai/ru/journal/rtx-6000-ada-llm-rendering.md): Характеристики и проверка NVIDIA RTX 6000 Ada Generation: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA RTX 5880 Ada Generation: определить вариант Ada на48 ГБ](https://retrivium.ai/ru/journal/rtx-5880-ada-llm-rendering.md): Характеристики и проверка NVIDIA RTX 5880 Ada Generation: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA RTX 5000 Ada Generation: 32 ГБ и совместимость движка](https://retrivium.ai/ru/journal/rtx-5000-ada-llm-rendering.md): Характеристики и проверка NVIDIA RTX 5000 Ada Generation: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA RTX 4500 Ada Generation: 24 ГБ для смешанных задач станции](https://retrivium.ai/ru/journal/rtx-4500-ada-llm-rendering.md): Характеристики и проверка NVIDIA RTX 4500 Ada Generation: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA RTX 4000 Ada Generation: 20 ГБ в одном полноразмерном слоте](https://retrivium.ai/ru/journal/rtx-4000-ada-llm-rendering.md): Характеристики и проверка NVIDIA RTX 4000 Ada Generation: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA RTX 4000 SFF Ada Generation: 20 ГБ при лимите платы70 Вт](https://retrivium.ai/ru/journal/rtx-4000-sff-ada-llm-rendering.md): Характеристики и проверка NVIDIA RTX 4000 SFF Ada Generation: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA RTX 2000 Ada Generation: 16 ГБ в компактном узле рендера](https://retrivium.ai/ru/journal/rtx-2000-ada-llm-rendering.md): Характеристики и проверка NVIDIA RTX 2000 Ada Generation: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA A800 40GB Active: вычисления для инференса и оговорки рендеринга](https://retrivium.ai/ru/journal/a800-40gb-active-llm-rendering.md): Характеристики и проверка NVIDIA A800 40GB Active: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA RTX A6000: 48 ГБ и явное распределение памяти между GPU](https://retrivium.ai/ru/journal/rtx-a6000-llm-rendering.md): Характеристики и проверка NVIDIA RTX A6000: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA RTX A5500: 24 ГБ без смешения названий Ada](https://retrivium.ai/ru/journal/rtx-a5500-llm-rendering.md): Характеристики и проверка NVIDIA RTX A5500: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA RTX A5000: базовый узел Ampere на24 ГБ](https://retrivium.ai/ru/journal/rtx-a5000-llm-rendering.md): Характеристики и проверка NVIDIA RTX A5000: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA RTX A4500: 20 ГБ и ограниченный контекст](https://retrivium.ai/ru/journal/rtx-a4500-llm-rendering.md): Характеристики и проверка NVIDIA RTX A4500: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA RTX A4000: 16 ГБ в одном полноразмерном слоте](https://retrivium.ai/ru/journal/rtx-a4000-llm-rendering.md): Характеристики и проверка NVIDIA RTX A4000: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA RTX A2000: 6 и12 ГБ в одном семействе](https://retrivium.ai/ru/journal/rtx-a2000-llm-rendering.md): Характеристики и проверка NVIDIA RTX A2000: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA RTX A1000: 8 ГБ в компактной плате на50 Вт](https://retrivium.ai/ru/journal/rtx-a1000-llm-rendering.md): Характеристики и проверка NVIDIA RTX A1000: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA RTX A400: 4 ГБ определяют границы задачи](https://retrivium.ai/ru/journal/rtx-a400-llm-rendering.md): Характеристики и проверка NVIDIA RTX A400: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA T400, T600 и T1000: ограничения малых LLM и рендеринга](https://retrivium.ai/ru/journal/compact-nvidia-t400-t600-t1000-llm-rendering.md): Характеристики и проверка NVIDIA T400, T600 и T1000: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA Quadro RTX 8000: 48 ГБ и активное исполнение](https://retrivium.ai/ru/journal/quadro-rtx-8000-llm-rendering.md): Характеристики и проверка NVIDIA Quadro RTX 8000: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA Quadro RTX 6000: 24 ГБ до поколений Ada и Blackwell](https://retrivium.ai/ru/journal/quadro-rtx-6000-llm-rendering.md): Характеристики и проверка NVIDIA Quadro RTX 6000: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA Quadro RTX 5000: 16 ГБ в исходной модели Turing5000](https://retrivium.ai/ru/journal/quadro-rtx-5000-llm-rendering.md): Характеристики и проверка NVIDIA Quadro RTX 5000: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA Quadro RTX 4000: 8 ГБ в исходной однослотовой RTX](https://retrivium.ai/ru/journal/quadro-rtx-4000-llm-rendering.md): Характеристики и проверка NVIDIA Quadro RTX 4000: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA Quadro RTX 8000 Passive PCIe Server Card: пассивное серверное исполнение250 Вт](https://retrivium.ai/ru/journal/quadro-rtx-8000-passive-server-llm-rendering.md): Характеристики и проверка NVIDIA Quadro RTX 8000 Passive PCIe Server Card: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA Quadro RTX 6000 Passive PCIe Server Card: пассивное серверное исполнение250 Вт](https://retrivium.ai/ru/journal/quadro-rtx-6000-passive-server-llm-rendering.md): Характеристики и проверка NVIDIA Quadro RTX 6000 Passive PCIe Server Card: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA Quadro GV100: 32 ГБ Volta требуют фиксированного стека](https://retrivium.ai/ru/journal/quadro-gv100-llm-rendering.md): Характеристики и проверка NVIDIA Quadro GV100: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA Quadro GP100: 16 ГБ HBM2 без современного vLLM](https://retrivium.ai/ru/journal/quadro-gp100-llm-rendering.md): Характеристики и проверка NVIDIA Quadro GP100: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA Quadro P6000: 24 ГБ при старом поколении CUDA](https://retrivium.ai/ru/journal/quadro-p6000-llm-rendering.md): Характеристики и проверка NVIDIA Quadro P6000: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA Quadro P5000: 16 ГБ Pascal для ограниченного повторного применения](https://retrivium.ai/ru/journal/quadro-p5000-llm-rendering.md): Характеристики и проверка NVIDIA Quadro P5000: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA Quadro P4000: 8 ГБ и однослотовая плата105 Вт](https://retrivium.ai/ru/journal/quadro-p4000-llm-rendering.md): Характеристики и проверка NVIDIA Quadro P4000: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA Quadro P400, P600, P620, P1000, P2000 и P2200: границы старых задач на2–5 ГБ](https://retrivium.ai/ru/journal/compact-quadro-pascal-2gb-5gb-llm-rendering.md): Характеристики и проверка NVIDIA Quadro P400, P600, P620, P1000, P2000 и P2200: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA Quadro M6000: 12 и24 ГБ в сохраняемом старом стеке](https://retrivium.ai/ru/journal/quadro-m6000-llm-rendering.md): Характеристики и проверка NVIDIA Quadro M6000: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA Quadro M5000: 8 ГБ с ограничениями совместимости Maxwell](https://retrivium.ai/ru/journal/quadro-m5000-llm-rendering.md): Характеристики и проверка NVIDIA Quadro M5000: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA Quadro M4000: 8 ГБ в одном старом слоте](https://retrivium.ai/ru/journal/quadro-m4000-llm-rendering.md): Характеристики и проверка NVIDIA Quadro M4000: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [Radeon RX 9070 XT: 16 ГБ RDNA 4 и границы применения](https://retrivium.ai/ru/journal/amd-radeon-rx-9070-xt-llm-rendering.md): Radeon RX 9070 XT: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon RX 9070: 16 ГБ памяти и плата на 220 Вт](https://retrivium.ai/ru/journal/amd-radeon-rx-9070-llm-rendering.md): Radeon RX 9070: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon RX 9070 GRE: проверка 12 ГБ перед расчётом модели](https://retrivium.ai/ru/journal/amd-radeon-rx-9070-gre-llm-rendering.md): Radeon RX 9070 GRE: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon RX 9060 XT: 8 и 16 ГБ для инференса](https://retrivium.ai/ru/journal/amd-radeon-rx-9060-xt-llm-rendering.md): Radeon RX 9060 XT: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon RX 9060 XT LP: модель на 140 Вт и проверка корпуса](https://retrivium.ai/ru/journal/amd-radeon-rx-9060-xt-lp-llm-rendering.md): Radeon RX 9060 XT LP: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon RX 9060: вариант без XT с 8 ГБ памяти](https://retrivium.ai/ru/journal/amd-radeon-rx-9060-llm-rendering.md): Radeon RX 9060: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon RX 9050: ограничения 4 и 8 ГБ для малых моделей](https://retrivium.ai/ru/journal/amd-radeon-rx-9050-llm-rendering.md): Radeon RX 9050: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon RX 7900 XTX: 24 ГБ на одном GPU](https://retrivium.ai/ru/journal/amd-radeon-rx-7900-xtx-llm-rendering.md): Radeon RX 7900 XTX: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon RX 7900 XT: планирование нагрузки на 20 ГБ](https://retrivium.ai/ru/journal/amd-radeon-rx-7900-xt-llm-rendering.md): Radeon RX 7900 XT: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon RX 7900 GRE: отдельная GRE с 16 ГБ](https://retrivium.ai/ru/journal/amd-radeon-rx-7900-gre-llm-rendering.md): Radeon RX 7900 GRE: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon RX 7800 XT: воспроизводимая рабочая станция на 16 ГБ](https://retrivium.ai/ru/journal/amd-radeon-rx-7800-xt-llm-rendering.md): Radeon RX 7800 XT: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon RX 7700 XT: 12 ГБ и отличие от версии без XT](https://retrivium.ai/ru/journal/amd-radeon-rx-7700-xt-llm-rendering.md): Radeon RX 7700 XT: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon RX 7700: как определить официальную версию без XT на 16 ГБ](https://retrivium.ai/ru/journal/amd-radeon-rx-7700-llm-rendering.md): Radeon RX 7700: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon RX 7650 GRE: региональная модель и проверка поддержки ПО](https://retrivium.ai/ru/journal/amd-radeon-rx-7650-gre-llm-rendering.md): Radeon RX 7650 GRE: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon RX 7600 XT: 16 ГБ не подтверждают поддержку ROCm](https://retrivium.ai/ru/journal/amd-radeon-rx-7600-xt-llm-rendering.md): Radeon RX 7600 XT: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon RX 7600: конкретная модель ROCm с 8 ГБ](https://retrivium.ai/ru/journal/amd-radeon-rx-7600-llm-rendering.md): Radeon RX 7600: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon RX 7400: модель на 8 ГБ с малой мощностью платы](https://retrivium.ai/ru/journal/amd-radeon-rx-7400-llm-rendering.md): Radeon RX 7400: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon RX 6950 XT: 16 ГБ и референсная мощность 335 Вт](https://retrivium.ai/ru/journal/amd-radeon-rx-6950-xt-llm-rendering.md): Radeon RX 6950 XT: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon RX 6900 XT: проверка имеющейся флагманской карты на 16 ГБ](https://retrivium.ai/ru/journal/amd-radeon-rx-6900-xt-llm-rendering.md): Radeon RX 6900 XT: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon RX 6800 XT: различия поддержки RX и PRO](https://retrivium.ai/ru/journal/amd-radeon-rx-6800-xt-llm-rendering.md): Radeon RX 6800 XT: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon RX 6800: 16 ГБ без допущений от XT и PRO](https://retrivium.ai/ru/journal/amd-radeon-rx-6800-llm-rendering.md): Radeon RX 6800: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon RX 6750 XT: 12 ГБ для проверяемой схемы выгрузки](https://retrivium.ai/ru/journal/amd-radeon-rx-6750-xt-llm-rendering.md): Radeon RX 6750 XT: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon RX 6700 XT: проверка узла RDNA 2 с 12 ГБ](https://retrivium.ai/ru/journal/amd-radeon-rx-6700-xt-llm-rendering.md): Radeon RX 6700 XT: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon RX 6700: граница 10 ГБ у версии без XT](https://retrivium.ai/ru/journal/amd-radeon-rx-6700-llm-rendering.md): Radeon RX 6700: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon RX 6650 XT: проверка обновлённой модели на 8 ГБ](https://retrivium.ai/ru/journal/amd-radeon-rx-6650-xt-llm-rendering.md): Radeon RX 6650 XT: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon RX 6600 XT: проверка вычислительного бэкенда на 8 ГБ](https://retrivium.ai/ru/journal/amd-radeon-rx-6600-xt-llm-rendering.md): Radeon RX 6600 XT: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon RX 6600: частичная выгрузка слоёв на 8 ГБ](https://retrivium.ai/ru/journal/amd-radeon-rx-6600-llm-rendering.md): Radeon RX 6600: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon RX 6400: 4 ГБ и ограничения обмена с хостом](https://retrivium.ai/ru/journal/amd-radeon-rx-6400-llm-rendering.md): Radeon RX 6400: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon RX 6750 GRE: официальные варианты 10 и 12 ГБ](https://retrivium.ai/ru/journal/amd-radeon-rx-6750-gre-llm-rendering.md): Radeon RX 6750 GRE: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon RX 6500 XT: 4 и 8 ГБ при малом бюджете памяти](https://retrivium.ai/ru/journal/amd-radeon-rx-6500-xt-llm-rendering.md): Radeon RX 6500 XT: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon RX 5700: имеющаяся рабочая станция RDNA 1 на 8 ГБ](https://retrivium.ai/ru/journal/amd-radeon-rx-5700-llm-rendering.md): Radeon RX 5700: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon RX 5600 XT: практическая проверка распределения 6 ГБ](https://retrivium.ai/ru/journal/amd-radeon-rx-5600-xt-llm-rendering.md): Radeon RX 5600 XT: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon RX 5600: определение OEM-карты без XT на 6 ГБ](https://retrivium.ai/ru/journal/amd-radeon-rx-5600-llm-rendering.md): Radeon RX 5600: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon RX 5500: OEM-модель на 4 ГБ требует отдельного профиля](https://retrivium.ai/ru/journal/amd-radeon-rx-5500-llm-rendering.md): Radeon RX 5500: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon RX 5300: что означает граница 3 ГБ у OEM-карты](https://retrivium.ai/ru/journal/amd-radeon-rx-5300-llm-rendering.md): Radeon RX 5300: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon RX 5700 XT: обычная и Anniversary: ограничения плат](https://retrivium.ai/ru/journal/amd-radeon-rx-5700-xt-llm-rendering.md): Radeon RX 5700 XT: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon RX 5500 XT: официальные конфигурации 4 и 8 ГБ](https://retrivium.ai/ru/journal/amd-radeon-rx-5500-xt-llm-rendering.md): Radeon RX 5500 XT: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon VII: 16 ГБ HBM2 и границы устаревшего ПО](https://retrivium.ai/ru/journal/amd-radeon-vii-llm-rendering.md): Radeon VII: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon RX Vega 64: проверка устаревшей карты с 8 ГБ](https://retrivium.ai/ru/journal/amd-radeon-rx-vega-64-llm-rendering.md): Radeon RX Vega 64: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon RX Vega 56: проверка устаревшей карты с 8 ГБ](https://retrivium.ai/ru/journal/amd-radeon-rx-vega-56-llm-rendering.md): Radeon RX Vega 56: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon Vega Frontier Edition: воздушная и жидкостная версии и физическая VRAM](https://retrivium.ai/ru/journal/amd-radeon-vega-frontier-edition-llm-rendering.md): Radeon Vega Frontier Edition: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon AI PRO R9700: 32 ГБ в рабочей станции с активным охлаждением](https://retrivium.ai/ru/journal/amd-radeon-ai-pro-r9700-llm-rendering.md): Radeon AI PRO R9700: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon AI PRO R9700S: 32 ГБ и требования пассивного охлаждения](https://retrivium.ai/ru/journal/amd-radeon-ai-pro-r9700s-llm-rendering.md): Radeon AI PRO R9700S: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon AI PRO R9600: 32 ГБ у однослотовой модели на 150 Вт](https://retrivium.ai/ru/journal/amd-radeon-ai-pro-r9600-llm-rendering.md): Radeon AI PRO R9600: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon AI PRO R9600D: проверка хоста для пассивной модели на 150 Вт](https://retrivium.ai/ru/journal/amd-radeon-ai-pro-r9600d-llm-rendering.md): Radeon AI PRO R9600D: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon PRO W7900: 48 ГБ: обычная и двухслотовая платы](https://retrivium.ai/ru/journal/amd-radeon-pro-w7900-llm-rendering.md): Radeon PRO W7900: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon PRO W7800: 32 и 48 ГБ для моделей и сцен](https://retrivium.ai/ru/journal/amd-radeon-pro-w7800-llm-rendering.md): Radeon PRO W7800: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon PRO W7700: 16 ГБ и точная запись поддержки рабочей станции](https://retrivium.ai/ru/journal/amd-radeon-pro-w7700-llm-rendering.md): Radeon PRO W7700: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon PRO W7600: профессиональный драйвер не подтверждает поддержку LLM](https://retrivium.ai/ru/journal/amd-radeon-pro-w7600-llm-rendering.md): Radeon PRO W7600: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon PRO W7500: 8 ГБ на плате рабочей станции мощностью 70 Вт](https://retrivium.ai/ru/journal/amd-radeon-pro-w7500-llm-rendering.md): Radeon PRO W7500: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon PRO W7400: проверка модели с 8 ГБ и мощностью 55 Вт](https://retrivium.ai/ru/journal/amd-radeon-pro-w7400-llm-rendering.md): Radeon PRO W7400: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon PRO W6800: конкретная рабочая станция RDNA 2 на 32 ГБ](https://retrivium.ai/ru/journal/amd-radeon-pro-w6800-llm-rendering.md): Radeon PRO W6800: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon PRO W6600: рабочая станция на 8 ГБ со спецификацией 130 Вт](https://retrivium.ai/ru/journal/amd-radeon-pro-w6600-llm-rendering.md): Radeon PRO W6600: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon PRO W6400: граница 4 ГБ у рабочей станции](https://retrivium.ai/ru/journal/amd-radeon-pro-w6400-llm-rendering.md): Radeon PRO W6400: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon PRO W5700: 8 ГБ на имеющейся рабочей станции RDNA](https://retrivium.ai/ru/journal/amd-radeon-pro-w5700-llm-rendering.md): Radeon PRO W5700: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon PRO W5500: проверка рабочей станции с 8 ГБ и 125 Вт](https://retrivium.ai/ru/journal/amd-radeon-pro-w5500-llm-rendering.md): Radeon PRO W5500: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon PRO VII: PRO VII отличается от потребительской Radeon VII](https://retrivium.ai/ru/journal/amd-radeon-pro-vii-llm-rendering.md): Radeon PRO VII: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon PRO WX 9100: 16 ГБ и версионные ограничения старой спецификации](https://retrivium.ai/ru/journal/amd-radeon-pro-wx-9100-llm-rendering.md): Radeon PRO WX 9100: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon PRO WX 8200: 8 ГБ HBM2 и ограничения современных бэкендов](https://retrivium.ai/ru/journal/amd-radeon-pro-wx-8200-llm-rendering.md): Radeon PRO WX 8200: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon PRO V710: 28 ГБ и видимость GPU на сервере и в гостевой ОС](https://retrivium.ai/ru/journal/amd-radeon-pro-v710-llm-rendering.md): Radeon PRO V710: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon PRO V620: 32 ГБ на плате и память гостевой системы](https://retrivium.ai/ru/journal/amd-radeon-pro-v620-llm-rendering.md): Radeon PRO V620: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon PRO V520: 8 ГБ HBM2 у платы для виртуализации](https://retrivium.ai/ru/journal/amd-radeon-pro-v520-llm-rendering.md): Radeon PRO V520: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [Radeon PRO V340: память двух GPU не становится общей VRAM](https://retrivium.ai/ru/journal/amd-radeon-pro-v340-llm-rendering.md): Radeon PRO V340: официальные варианты памяти и мощности платы, условия поддержки ROCm и Blender Cycles и практическая проверка конкретной нагрузки.
- [NVIDIA L40S: инференс LLM и границы серверного рендеринга](https://retrivium.ai/ru/journal/nvidia-l40s-llm-rendering.md): Характеристики и проверка NVIDIA L40S: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA L40: инференс LLM и границы серверного рендеринга](https://retrivium.ai/ru/journal/nvidia-l40-llm-rendering.md): Характеристики и проверка NVIDIA L40: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA L4: инференс LLM и границы серверного рендеринга](https://retrivium.ai/ru/journal/nvidia-l4-llm-rendering.md): Характеристики и проверка NVIDIA L4: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA L20: инференс LLM и границы серверного рендеринга](https://retrivium.ai/ru/journal/nvidia-l20-llm-rendering.md): Характеристики и проверка NVIDIA L20: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA A40: инференс LLM и границы серверного рендеринга](https://retrivium.ai/ru/journal/nvidia-a40-llm-rendering.md): Характеристики и проверка NVIDIA A40: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA A10: инференс LLM и границы серверного рендеринга](https://retrivium.ai/ru/journal/nvidia-a10-llm-rendering.md): Характеристики и проверка NVIDIA A10: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA A16: инференс LLM и границы серверного рендеринга](https://retrivium.ai/ru/journal/nvidia-a16-llm-rendering.md): Характеристики и проверка NVIDIA A16: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA A2: инференс LLM и границы серверного рендеринга](https://retrivium.ai/ru/journal/nvidia-a2-llm-rendering.md): Характеристики и проверка NVIDIA A2: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA A30: инференс LLM и границы серверного рендеринга](https://retrivium.ai/ru/journal/nvidia-a30-llm-rendering.md): Характеристики и проверка NVIDIA A30: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA A100: инференс LLM и границы серверного рендеринга](https://retrivium.ai/ru/journal/nvidia-a100-llm-rendering.md): NVIDIA A100: A100 — семейство ускорителей PCIe и SXM с разными объёмами памяти. Размещение модели, выделение MIG и пригодность для рендера требуют отдельных проверок.
- [NVIDIA A800: инференс LLM и границы серверного рендеринга](https://retrivium.ai/ru/journal/nvidia-a800-llm-rendering.md): NVIDIA A800: Серверным конфигурациям A800 80 ГБ нужны собственная инвентаризация и проверка поддержки. Их нельзя путать с платой A800 40 ГБ Active для рабочей станции.
- [NVIDIA H100: инференс LLM и границы серверного рендеринга](https://retrivium.ai/ru/journal/nvidia-h100-llm-rendering.md): NVIDIA H100: H100 PCIe, SXM и NVL — разные варианты развёртывания. У пары NVL 188 ГБ распределены между двумя GPU по 94 ГБ, а не образуют одно выделение.
- [NVIDIA H200: инференс LLM и границы серверного рендеринга](https://retrivium.ai/ru/journal/nvidia-h200-llm-rendering.md): NVIDIA H200: Для H200 заявлены 141 ГБ HBM3e на GPU в конфигурациях SXM и NVL. Такая ёмкость — бюджет runtime, а не гарантия размера модели или конкурентности.
- [NVIDIA H800: инференс LLM и границы серверного рендеринга](https://retrivium.ai/ru/journal/nvidia-h800-llm-rendering.md): NVIDIA H800: Оценке H800 нужна точная конфигурация OEM: PCIe и SXM на 80 ГБ либо NVL на 94 ГБ на GPU. Похожие названия не подтверждают одинаковые требования к хосту и соединениям.
- [NVIDIA H20: инференс LLM и границы серверного рендеринга](https://retrivium.ai/ru/journal/nvidia-h20-llm-rendering.md): NVIDIA H20: Официальная документация платформ различает конфигурации H20 на 96 и 141 ГБ. Объём памяти определяется точной платформой, а не общим названием H20.
- [NVIDIA B200: инференс LLM и границы серверного рендеринга](https://retrivium.ai/ru/journal/nvidia-b200-llm-rendering.md): NVIDIA B200: Проверенная архитектура HGX указывает 180 ГБ используемой HBM3e на B200. Номинальную ёмкость, профили MIG и сумму памяти узла нужно различать.
- [NVIDIA B300: инференс LLM и границы серверного рендеринга](https://retrivium.ai/ru/journal/nvidia-b300-llm-rendering.md): NVIDIA B300: Для HGX B300 заявлены 288 ГБ HBM3e на GPU. Физическая ёмкость, профили разделов и сумма памяти узла описывают разные бюджеты ресурсов.
- [NVIDIA Rubin GPU: инференс LLM и границы серверного рендеринга](https://retrivium.ai/ru/journal/nvidia-rubin-gpu-llm-rendering.md): NVIDIA Rubin GPU: Документация Rubin описывает GPU платформы с 288 ГБ HBM4. Спецификация служит ориентиром планирования; доступность и программная совместимость проверяются отдельно.
- [NVIDIA Tesla V100: инференс LLM и границы серверного рендеринга](https://retrivium.ai/ru/journal/nvidia-tesla-v100-llm-rendering.md): Характеристики и проверка NVIDIA Tesla V100: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA Tesla V100S: инференс LLM и границы серверного рендеринга](https://retrivium.ai/ru/journal/nvidia-tesla-v100s-llm-rendering.md): Характеристики и проверка NVIDIA Tesla V100S: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA Tesla P100: инференс LLM и границы серверного рендеринга](https://retrivium.ai/ru/journal/nvidia-tesla-p100-llm-rendering.md): Характеристики и проверка NVIDIA Tesla P100: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA Tesla P40: инференс LLM и границы серверного рендеринга](https://retrivium.ai/ru/journal/nvidia-tesla-p40-llm-rendering.md): Характеристики и проверка NVIDIA Tesla P40: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA Tesla P4: инференс LLM и границы серверного рендеринга](https://retrivium.ai/ru/journal/nvidia-tesla-p4-llm-rendering.md): Характеристики и проверка NVIDIA Tesla P4: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA Tesla T4: инференс LLM и границы серверного рендеринга](https://retrivium.ai/ru/journal/nvidia-tesla-t4-llm-rendering.md): Характеристики и проверка NVIDIA Tesla T4: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA Tesla M40: инференс LLM и границы серверного рендеринга](https://retrivium.ai/ru/journal/nvidia-tesla-m40-llm-rendering.md): Характеристики и проверка NVIDIA Tesla M40: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA Tesla M60: инференс LLM и границы серверного рендеринга](https://retrivium.ai/ru/journal/nvidia-tesla-m60-llm-rendering.md): Характеристики и проверка NVIDIA Tesla M60: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA Tesla M10: инференс LLM и границы серверного рендеринга](https://retrivium.ai/ru/journal/nvidia-tesla-m10-llm-rendering.md): Характеристики и проверка NVIDIA Tesla M10: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA Tesla M6 и P6: инференс LLM и границы серверного рендеринга](https://retrivium.ai/ru/journal/nvidia-tesla-m6-and-p6-llm-rendering.md): Характеристики и проверка NVIDIA Tesla M6 и P6: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA GeForce GTX 980 Ti: инференс LLM и границы серверного рендеринга](https://retrivium.ai/ru/journal/nvidia-geforce-gtx-980-ti-llm-rendering.md): Характеристики и проверка NVIDIA GeForce GTX 980 Ti: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [NVIDIA GeForce GTX TITAN X Maxwell: инференс LLM и границы серверного рендеринга](https://retrivium.ai/ru/journal/nvidia-geforce-gtx-titan-x-maxwell-llm-rendering.md): Характеристики и проверка NVIDIA GeForce GTX TITAN X Maxwell: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [AMD Instinct MI100: инференс LLM и границы серверного рендеринга](https://retrivium.ai/ru/journal/amd-instinct-mi100-llm-rendering.md): Характеристики и проверка AMD Instinct MI100: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [AMD Instinct MI210: инференс LLM и границы серверного рендеринга](https://retrivium.ai/ru/journal/amd-instinct-mi210-llm-rendering.md): Характеристики и проверка AMD Instinct MI210: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [AMD Instinct MI250 и MI250X: инференс LLM и границы серверного рендеринга](https://retrivium.ai/ru/journal/amd-instinct-mi250-and-mi250x-llm-rendering.md): Характеристики и проверка AMD Instinct MI250 и MI250X: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [AMD Instinct MI300X: инференс LLM и границы серверного рендеринга](https://retrivium.ai/ru/journal/amd-instinct-mi300x-llm-rendering.md): Характеристики и проверка AMD Instinct MI300X: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [AMD Instinct MI300A: инференс LLM и границы серверного рендеринга](https://retrivium.ai/ru/journal/amd-instinct-mi300a-llm-rendering.md): AMD Instinct MI300A: MI300A объединяет CPU и GPU в платформе APU со 128 ГБ общей HBM3. Это совместный бюджет, а не отдельная VRAM GPU плюс ещё 128 ГБ для CPU.
- [AMD Instinct MI325X: инференс LLM и границы серверного рендеринга](https://retrivium.ai/ru/journal/amd-instinct-mi325x-llm-rendering.md): Характеристики и проверка AMD Instinct MI325X: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [AMD Instinct MI350P: инференс LLM и границы серверного рендеринга](https://retrivium.ai/ru/journal/amd-instinct-mi350p-llm-rendering.md): Характеристики и проверка AMD Instinct MI350P: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [AMD Instinct MI350X и MI355X: инференс LLM и границы серверного рендеринга](https://retrivium.ai/ru/journal/amd-instinct-mi350x-and-mi355x-llm-rendering.md): Характеристики и проверка AMD Instinct MI350X и MI355X: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [AMD Instinct MI455X: инференс LLM и границы серверного рендеринга](https://retrivium.ai/ru/journal/amd-instinct-mi455x-llm-rendering.md): AMD Instinct MI455X: AMD указывает 432 ГБ HBM4 для ускорителя платформы MI455X EAM. Прямое жидкостное охлаждение и проверка всей системы являются условиями развёртывания.
- [AMD Instinct MI430X: инференс LLM и границы серверного рендеринга](https://retrivium.ai/ru/journal/amd-instinct-mi430x-llm-rendering.md): AMD Instinct MI430X: AMD описывает MI430X как запланированный на 2027 год и указывает 432 ГБ HBM4. Это профиль дорожной карты, а не рекомендация уже проверенной сменной GPU.
- [AMD Instinct MI50 и MI60: инференс LLM и границы серверного рендеринга](https://retrivium.ai/ru/journal/amd-instinct-mi50-and-mi60-llm-rendering.md): Характеристики и проверка AMD Instinct MI50 и MI60: варианты памяти, совместимость LLM и Cycles, установка в рабочую станцию или сервер.
- [Совместимость GPU для инференса LLM и рендеринга Cycles](https://retrivium.ai/ru/journal/gpu-llm-renderer-compatibility-matrix.md): CUDA, ROCm и backend рендера отвечают на разные вопросы совместимости. До назначения узла нужно проверить точную GPU, версию ПО и рабочую нагрузку.
- [VRAM GPU, память платы и общая память: как читать спецификации](https://retrivium.ai/ru/journal/gpu-vram-board-module-shared-memory.md): VRAM одной GPU, сумма платы, память модуля и общая память CPU/GPU — разные бюджеты. Сложение этих чисел может создать ложный вывод о размещении модели.
- [Настольная GPU, рабочая станция или серверный ускоритель: проверка хоста](https://retrivium.ai/ru/journal/gpu-server-chassis-cooling-qualification.md): Совместимый backend не доказывает пригодность GPU для серверного корпуса. Охлаждение, питание, механика и валидация производителя требуют отдельной оценки.
- [Старые GPU для LLM и рендера: эксперимент и поддерживаемая конфигурация](https://retrivium.ai/ru/journal/legacy-gpu-inference-rendering-boundaries.md): Старым NVIDIA и Radeon могут понадобиться прежние версии ПО или условные эксперименты с backend. Отсутствие текущей поддержки не равно полной невозможности вычислений.
- [Совмещение инференса LLM и серверного рендеринга на GPU](https://retrivium.ai/ru/journal/gpu-llm-rendering-workload-scheduling.md): GPU, прошедшая отдельные тесты LLM и рендера, может не выдержать смешанную нагрузку. Планирование учитывает память, задержки и поддерживаемое разделение ресурсов.
- [Каталог GPU NVIDIA и AMD для инференса LLM и серверного рендеринга](https://retrivium.ai/ru/journal/nvidia-amd-gpu-catalog.md): 194 профиля моделей и групп вариантов, а также шесть руководств: память NVIDIA, Radeon и Instinct, границы ПО, охлаждение и проверка нагрузок на двух языках.
- [Qwen3-30B-A3B Instruct или Thinking: выбор под задачу](https://retrivium.ai/ru/journal/qwen3-30b-instruct-vs-thinking-tasks.md): Сравнение Qwen3-30B-A3B 2507 Instruct и Thinking по проверяемым задачам, ограничениям ответа и воспроизводимому протоколу оценки.
- [Qwen3-4B-Thinking-2507 для математики: проверка ответов и ошибок](https://retrivium.ai/ru/journal/qwen3-4b-thinking-math-verification.md): Оценка Qwen3-4B-Thinking-2507 на математических задачах: проверенные ответы, альтернативные решения, лимиты вывода и протокол ошибок.
- [Qwen3-4B-Instruct-2507 для классификации текста](https://retrivium.ai/ru/journal/qwen3-4b-instruct-text-classification.md): Проверка Qwen3-4B-Instruct-2507 для классификации по фиксированным меткам: таксономия, отказ от угадывания, ошибки и формат результата.
- [Qwen3-Coder-Next или 30B-A3B для работы с репозиторием](https://retrivium.ai/ru/journal/qwen3-coder-next-vs-30b-repository-tasks.md): Сравнение Qwen3-Coder-Next и 30B-A3B на поиске причины ошибки, связанных изменениях файлов, приёмочных тестах и одинаковых условиях.
- [Qwen3-Coder 480B или 30B: когда усложнять модель для задачи](https://retrivium.ai/ru/journal/qwen3-coder-480b-vs-30b-task-escalation.md): Когда переходить с Qwen3-Coder 30B на 480B: зафиксированная ошибка, новый бюджет попытки и неизменные критерии приёмки исправления.
- [Qwen3-Coder-Next после падения теста: оценка исправления](https://retrivium.ai/ru/journal/qwen3-coder-next-failed-test-recovery.md): Проверка Qwen3-Coder-Next после падения теста: сохранённый протокол, защищённые условия приёмки и отдельные проверки исправления и регрессий.
- [Qwen2.5-Coder FIM или чат: выбор модели и формата запроса](https://retrivium.ai/ru/journal/qwen25-coder-fim-vs-chat-completion.md): Выбор Qwen2.5-Coder Base для fill-in-the-middle или Instruct для чата с кодом с проверкой суффикса и сгенерированной вставки.
- [Qwen3-Next или Qwen3-32B для длинных текстовых инструкций](https://retrivium.ai/ru/journal/qwen3-next-vs-32b-long-text-instructions.md): Сравнение Qwen3-Next и Qwen3-32B на удалённых текстовых ограничениях с разделением нативного контекста, расширения длины и точности.
- [Gated DeltaNet в Qwen3-Next: что меняется для текстового инференса](https://retrivium.ai/ru/journal/qwen3-next-gated-deltanet-explained.md): Как устроены Gated DeltaNet, gated attention и эксперты Qwen3-Next и как проверить удалённые требования без обещаний точности или скорости.
- [Qwen3-Next Thinking или Instruct: разные модели и бюджет ответа](https://retrivium.ai/ru/journal/qwen3-next-thinking-vs-instruct-checkpoints.md): Выбор Qwen3-Next Thinking или Instruct по типу задачи, точному checkpoint, завершённому ответу и отдельным ограничениям рассуждения и вывода.
- [Qwen3.6 preserve_thinking при последовательных изменениях кода](https://retrivium.ai/ru/journal/qwen36-preserve-thinking-code-iterations.md): Проверка preserve_thinking в Qwen3.6 на последовательных изменениях кода с сохранёнными сообщениями, фиксированным диалогом и приёмкой.
- [Qwen3.6-27B или 35B-A3B для текстовых задач программирования](https://retrivium.ai/ru/journal/qwen36-27b-vs-35b-a3b-coding.md): Сравнение Qwen3.6-27B и 35B-A3B на исправлении функций и зависимостях файлов без подмены качества или скорости активными параметрами.
- [Qwen3.8 reasoning_effort: проверка глубины рассуждений на тексте](https://retrivium.ai/ru/journal/qwen38-reasoning-effort-text-tasks.md): Проверка reasoning_effort в Qwen3.8 на ограниченной текстовой задаче с разделением открытого checkpoint, размещённого Qwen-Max и завершения ответа.
- [Qwen3.8 FP8 и исходные веса: проверка качества кода](https://retrivium.ai/ru/journal/qwen38-fp8-vs-original-checkpoint-quality.md): Проверка официального checkpoint Qwen3.8 FP8 относительно исходных весов по метаданным квантования, тестам кода и одинаковой генерации.
- [Qwen3-Coder-Next или Qwen3.6: специализированная или общая модель для кода](https://retrivium.ai/ru/journal/qwen3-coder-next-vs-qwen36-code-specialization.md): Сравнение Qwen3-Coder-Next и Qwen3.6 на исправлении кода, трактовке требований и итоговых объяснениях в общей текстовой задаче.
- [DeepSeek-V3.2 или Speciale: рассуждения и ограничения инструментов](https://retrivium.ai/ru/journal/deepseek-v32-vs-speciale-reasoning-tools.md): Выбор DeepSeek-V3.2 или Speciale по необходимости инструментов и проверяемым рассуждениям с отделением checkpoint от исторических API-предложений.
- [DeepSeek-V3.2 thinking with tools: какую историю сохранять](https://retrivium.ai/ru/journal/deepseek-v32-thinking-tool-history.md): Как reference encoder DeepSeek-V3.2 обрабатывает историю thinking: новое сообщение пользователя и продолжение после результата инструмента.
- [DeepSeek-V4 Flash или Pro: выбор по задачам кода и рассуждений](https://retrivium.ai/ru/journal/deepseek-v4-flash-vs-pro-task-choice.md): Сравнение DeepSeek-V4 Flash и Pro по исправлению кода, ограничениям и приёмке задач с отделением checkpoint от режима Max effort.
- [DeepSeek-V4 Max effort: сравнение рассуждений при равном бюджете](https://retrivium.ai/ru/journal/deepseek-v4-max-effort-evaluation.md): Отличие вариантов DeepSeek-V4 от Max reasoning effort и сравнение завершённых ответов при заданных ограничениях вывода, повторов и времени.
- [DeepSeek-V4.1-Flash-1017: проверка обновления модели для кода](https://retrivium.ai/ru/journal/deepseek-v41-flash-1017-coding-migration.md): Проверка DeepSeek-V4.1-Flash-1017 как обновления для кода с одинаковыми примерами, кодированием и приёмкой без присвоения чужих результатов.
- [DeepSeek-V4.1 prompt encoding: текстовые сообщения и effort локально](https://retrivium.ai/ru/journal/deepseek-v41-prompt-encoding-reference.md): Разбор текстового encoding DeepSeek-V4.1: числовой reasoning effort, изменённые DSML-теги и границы system по опубликованному эталону.
- [GLM-4.7-Flash или Qwen3-30B-A3B для кода и инструментов](https://retrivium.ai/ru/journal/glm47-flash-vs-qwen3-30b-coding.md): Сравнение GLM-4.7-Flash и точных checkpoint Qwen3 30B на исправлении кода и инструментах с учётом режимов и различий формата.
- [GLM-4.7: preserved thinking и управление по ходам](https://retrivium.ai/ru/journal/glm47-preserved-turn-level-thinking.md): Различие preserved, interleaved и turn-level thinking в GLM-4.7 по документированным правилам истории и примеру последовательной работы с кодом.
- [GLM-5 или GLM-4.7 для длительных инженерных задач](https://retrivium.ai/ru/journal/glm5-vs-glm47-long-horizon-code.md): Сравнение GLM-5 и GLM-4.7 на поэтапной миграции репозитория с проверкой интерфейсов, промежуточных этапов и завершения всей задачи.
- [GLM-5.2 или GLM-5.3: что меняется при той же базовой модели](https://retrivium.ai/ru/journal/glm52-vs-glm53-post-training-choice.md): Сравнение GLM-5.2 и GLM-5.3 как вариантов после дообучения общей основы по соблюдению требований, приёмке патчей и завершению работы.
- [Управление thinking в GLM-5.3: API и локальная модель](https://retrivium.ai/ru/journal/glm53-thinking-api-vs-local-controls.md): Обязательный thinking GLM-5.3 в документированном API, отличие от настроек локального checkpoint и разбор незавершённых окончательных ответов.
- [Длинный контекст GLM-5.2: проверка зависимостей в репозитории](https://retrivium.ai/ru/journal/glm52-million-context-code-dependencies.md): Проверка длинного контекста GLM-5.2 на удалённых определениях, вызовах и устаревших заметках в самостоятельном наборе исходников.
- [Kimi K2 Thinking или Instruct-0905 для текстовых задач](https://retrivium.ai/ru/journal/kimi-k2-thinking-vs-instruct-0905.md): Сравнение Kimi K2 Thinking и Instruct-0905 по требованиям к итоговому тексту, глубине рассуждения и объявленным ограничениям вывода.
- [Kimi K2 Thinking INT4: нативный QAT и распакованные веса](https://retrivium.ai/ru/journal/kimi-k2-native-int4-vs-unpacked-weights.md): Как читать нативный INT4 QAT и compressed-tensors Kimi K2 Thinking, отличая распакованные широкие веса от исходного master-checkpoint.
- [KDA и Attention Residuals в Kimi K3: архитектура текстовой модели](https://retrivium.ai/ru/journal/kimi-k3-kda-attention-residuals-text.md): Разбор KDA, Attention Residuals и разреженных экспертов Kimi K3 как отдельных механизмов архитектуры с ограниченной текстовой проверкой.
- [Kimi K3 или K2 Thinking для длительной работы с кодом](https://retrivium.ai/ru/journal/kimi-k3-vs-k2-thinking-code-sessions.md): Сравнение Kimi K3 и K2 Thinking в длительных текстовых сеансах программирования с сохранением требований, восстановлением и итоговой приёмкой.
- [MiniMax-M2.5 для исправления кода: тесты и качество патча](https://retrivium.ai/ru/journal/minimax-m25-test-driven-code-repair.md): Проверка исправления кода MiniMax-M2.5 по предложенной спецификации, защищённым тестам, поведению патча и регрессиям ограниченного примера.
- [Ошибки инструментов MiniMax-M2.5: проверка аргументов и остановки](https://retrivium.ai/ru/journal/minimax-m25-tool-error-recovery.md): Проверка MiniMax-M2.5 после ошибки валидации инструмента с разделением XML-разбора, типов аргументов, нарушений схемы и повторных ошибок.
- [MiniMax-M2.5 или GLM-4.7 для сопровождения репозитория](https://retrivium.ai/ru/journal/minimax-m25-vs-glm47-repository-maintenance.md): Сравнение MiniMax-M2.5 и GLM-4.7 на сопровождении репозитория: небольшие патчи, повторные изменения, наблюдения инструментов и лишние правки.
- [Devstral 2 или Small 2 для изменений в нескольких файлах](https://retrivium.ai/ru/journal/devstral2-vs-small2-multifile-code.md): Сравнение Devstral 2 и Devstral Small 2 на связанных изменениях кода, согласованности вызовов и регрессиях с точными артефактами 2512.
- [Devstral 2 или Qwen3-Coder-Next: сравнение работы с патчами](https://retrivium.ai/ru/journal/devstral2-vs-qwen-coder-next-patches.md): Сравнение плотной Devstral 2 и гибридной Qwen3-Coder-Next по применимости патча, сохранению требований и тестам без рейтинга по архитектуре.
- [Devstral Small 2: устаревший API и доступные веса модели](https://retrivium.ai/ru/journal/devstral-small2-deprecated-api-open-weights.md): Как отличать прекращение поддержки API Devstral Small 2 от версионного артефакта весов, локальной проверки и выбора модели на замену.
- [Ministral 3 Instruct или Reasoning для короткого текста и математики](https://retrivium.ai/ru/journal/ministral3-instruct-vs-reasoning-text.md): Выбор Ministral 3 8B Instruct или Reasoning по различиям дообучения, точности, рекомендаций семплирования и проверяемых текстовых задач.
- [Ministral 3 3B, 8B или 14B для ограниченных текстовых задач](https://retrivium.ai/ru/journal/ministral3-3b-8b-14b-text-selection.md): Выбор Ministral 3 3B, 8B или 14B для ограниченных текстовых задач по одинаковому варианту, ясным меткам, контрпримерам и приёмке.
- [Mistral Small 4 reasoning_effort: none или high](https://retrivium.ai/ru/journal/mistral-small4-reasoning-none-high.md): Использование reasoning_effort none и high Mistral Small 4 как отдельных условий с проверкой ответа, семплирования и завершения генерации.
- [Mistral Small 4 или Devstral 2 для текста и кода](https://retrivium.ai/ru/journal/mistral-small4-vs-devstral2-code-generalist.md): Выбор Mistral Small 4 или Devstral 2 для текста и кода по пониманию требований, правильности исправления и точности итогового объяснения.
- [Mistral Small 4 NVFP4 и исходный checkpoint: проверка качества](https://retrivium.ai/ru/journal/mistral-small4-nvfp4-checkpoint-choice.md): Проверка Mistral Small 4 NVFP4 относительно исходного checkpoint по происхождению, одинаковому reasoning и ограниченным задачам текста и кода.
- [Ministral 3 и Gemma 4: разные правила истории рассуждений](https://retrivium.ai/ru/journal/ministral3-vs-gemma4-thinking-history.md): Сравнение правил истории рассуждения Ministral 3 и Gemma 4 с разделением завершённых ходов, продолжения tools и окончательных ответов.
- [Gemma 4 26B-A4B или 31B для текстовых задач с кодом](https://retrivium.ai/ru/journal/gemma4-26b-a4b-vs-31b-coding.md): Сравнение Gemma 4 26B-A4B и 31B для текста и кода по документированным MoE и плотной архитектуре, одинаковому thinking и проверкам патча.
- [Переход с Gemma 3 на Gemma 4: system role и текстовые промпты](https://retrivium.ai/ru/journal/gemma3-to-gemma4-system-prompt-roles.md): Переход текстовых промптов Gemma 3 на Gemma 4 с разделением ролей сообщений, управляющих токенов и повторяющихся системных инструкций.
- [Thinking mode Gemma 4 и пустые блоки thought](https://retrivium.ai/ru/journal/gemma4-thinking-channel-empty-block.md): Почему Gemma 4 показывает пустые thought-блоки: enable_thinking, префиксы шаблона, сгенерированные токены и разбор окончательного ответа.
- [Gemma 4 QAT unquantized или GGUF: выбор правильного файла](https://retrivium.ai/ru/journal/gemma4-qat-unquantized-vs-gguf.md): Как отличить unquantized QAT-веса Gemma 4 от готовых GGUF Q4_0, определить назначение артефакта и проверить качество задач.
- [Gemma 4 или Qwen3.6 для инструкций на русском и английском](https://retrivium.ai/ru/journal/gemma4-vs-qwen36-russian-english-text.md): Сравнение Gemma 4 и Qwen3.6 на парных русских и английских инструкциях, терминологии, отрицании и объяснениях кода по независимым эталонам.
- [Granite 4.0 Hybrid и Granite 4.2 Dense: сначала определите модель](https://retrivium.ai/ru/journal/granite4-hybrid-vs-granite42-dense.md): Отличие гибридной MoE Granite 4.0 H-Small от плотных Granite 4.2 по метаданным архитектуры, масштабу и приёмке текстовых задач.
- [Granite 4.2: полные рассуждения, low-effort и non-thinking](https://retrivium.ai/ru/journal/granite42-thinking-low-effort-selection.md): Режимы Granite 4.2 full, low-effort и non-thinking через реальные настройки шаблона с проверкой окончательного ответа и поведения истории.
- [Granite 4.2 на русском: проверка за пределами списка языков](https://retrivium.ai/ru/journal/granite42-russian-language-evaluation.md): Проверка Granite 4.2 для русского текста без превращения списка испытанных языков в гарантию точности либо доказательство невозможности работы.
- [Бюджет рассуждений Nemotron 3 Nano: как работает механизм](https://retrivium.ai/ru/journal/nemotron3-nano-thinking-budget-mechanism.md): Как работает бюджет reasoning Nemotron 3 Nano в документированном клиенте: ограничение, продолжение запроса и остаток на окончательный ответ.
- [Nemotron 3 Nano или Qwen3-Next: разные гибридные текстовые модели](https://retrivium.ai/ru/journal/nemotron3-nano-vs-qwen3-next-hybrid.md): Сравнение Nemotron 3 Nano и Qwen3-Next как разных гибридных текстовых моделей с разделением Mamba, Gated DeltaNet и результатов задач.
- [Nemotron 3 Super или Nano: выбор по задаче рассуждения](https://retrivium.ai/ru/journal/nemotron3-super-vs-nano-task-escalation.md): Выбор Nemotron 3 Super или Nano по проверяемым рассуждениям с разделением LatentMoE, точности обучения и dtype скачанного checkpoint.
- [SmolLM3 /think или /no_think для небольших текстовых задач](https://retrivium.ai/ru/journal/smollm3-thinking-vs-no-think-tasks.md): Проверка /think и /no_think SmolLM3 на кратком тексте и рассуждении с сохранением документированных system-настроек и языковых границ.
- [Лучшая локальная нейросеть для кода: выбор под задачи в 2026 году](https://retrivium.ai/ru/journal/best-local-llm-coding-2026-task-shortlist.md): Практический выбор локальной модели для кода в 2026 году среди проверенных Qwen, Devstral, GLM и Gemma по критериям конкретной задачи.
- [LFM2.5 или LFM2 для узких текстовых задач: границы применения](https://retrivium.ai/ru/journal/lfm25-vs-lfm2-narrow-text-tasks.md): Сравнение LFM2.5 и LFM2 на узких текстовых решениях с соблюдением ограничений карточек по программированию и задачам глубоких знаний.
- [BitNet b1.58 и четырёхбитный PTQ: обучение и среда исполнения](https://retrivium.ai/ru/journal/bitnet-native-158-vs-post-training-quantization.md): Отличие нативного тернарного обучения BitNet b1.58 от четырёхбитного PTQ, упакованных артефактов и эффективности конкретной среды.
- [Falcon-H1: проверка текстовой модели с attention и SSM](https://retrivium.ai/ru/journal/falcon-h1-parallel-hybrid-text-evaluation.md): Разбор параллельных attention и SSM Falcon-H1, точного checkpoint 1.5B Instruct и ограниченной текстовой цепочки требований.
- [Olmo 3 Think или Instruct: выбор задачи и checkpoint в model flow](https://retrivium.ai/ru/journal/olmo3-think-vs-instruct-model-flow.md): Выбор Olmo 3 Think или Instruct по задаче с отделением окончательных релизов от Base, SFT, DPO и промежуточных checkpoint model flow.
- [LM Studio: первый локальный настольный помощник](https://retrivium.ai/ru/journal/lm-studio-first-local-assistant.md): Первый разговор в LM Studio: выбор локальной модели, проверка контекста и разграничение чата, инструментов и внешнего редактора.
- [LM Studio или Ollama: локальный процесс работы с кодом](https://retrivium.ai/ru/journal/lm-studio-vs-ollama-coding-workflow.md): Сравнение LM Studio и Ollama по управлению моделями, подключению редактора и проверке кода без неподтверждённых рейтингов скорости.
- [Локальный API LM Studio для редактора](https://retrivium.ai/ru/journal/lm-studio-local-api-app-onboarding.md): Подключение редактора к серверу LM Studio: выбор модели, проверка объяснения функции и просмотр изменений до их принятия.
- [llmster: локальный AI без окна LM Studio](https://retrivium.ai/ru/journal/llmster-without-lm-studio-gui.md): Различия llmster, lms и приложения LM Studio: проверка локального редактора без постоянно открытого графического окна.
- [Jan или LM Studio: выбор локального помощника](https://retrivium.ai/ru/journal/jan-vs-lm-studio-local-desktop.md): Выбор Jan или LM Studio для бесед, проектов и локального API с отдельной проверкой возможностей и настроек агента.
- [Jan Desktop: первый локальный проект и источник модели](https://retrivium.ai/ru/journal/jan-first-local-project.md): Первый проект Jan Desktop: организация бесед, выбор локального или удалённого источника модели и повторная проверка контекста.
- [Jan Agent с локальной моделью: первое проверенное изменение](https://retrivium.ai/ru/journal/jan-agent-local-coding-workflow.md): Первая задача Jan Agent с локальной моделью: проверенный endpoint, ограничение действий и просмотр конкретного изменения файла.
- [Open WebUI с Ollama: подключение локального runtime](https://retrivium.ai/ru/journal/open-webui-with-ollama-local-chat.md): Подключение работающего Ollama к Open WebUI: список моделей, доступ пользователя и беседа с уточняющим вопросом.
- [Open WebUI с vLLM: модели сервера и Workspace](https://retrivium.ai/ru/journal/open-webui-vllm-model-workspace.md): Open WebUI с vLLM: идентификатор модели сервера, оболочки Workspace, получение каталога и доступ целевого пользователя.
- [Open WebUI, AnythingLLM или LibreChat для локального AI](https://retrivium.ai/ru/journal/open-webui-anythingllm-librechat-choice.md): Сравнение Open WebUI, AnythingLLM Desktop и LibreChat по владению рабочей областью, оболочкам моделей, агентам и доступу.
- [Open WebUI Desktop или серверный интерфейс](https://retrivium.ai/ru/journal/open-webui-native-desktop-workflow.md): Нативный Open WebUI Desktop: подключение существующей модели, повторное открытие беседы и отдельная проверка оболочек Workspace.
- [LibreChat с локальными моделями: первый агент](https://retrivium.ai/ru/journal/librechat-local-model-agent-start.md): Первый агент LibreChat с локальной моделью: поля Agent Builder, узкая инструкция и повторяемая проверка текстовой задачи.
- [AnythingLLM Desktop: встроенный инференс или локальный сервер](https://retrivium.ai/ru/journal/anythingllm-desktop-local-model-start.md): Настройка генератора AnythingLLM Desktop: локальный провайдер, подключение LM Studio и обычная беседа до добавления документов.
- [AnythingLLM Desktop или сервер: личный и общий Workspace](https://retrivium.ai/ru/journal/anythingllm-desktop-vs-server-users.md): AnythingLLM Desktop или серверная версия: личное владение, отдельные учётные записи, приглашения и доступ к рабочим областям.
- [Continue, Cline или Aider для локального кода](https://retrivium.ai/ru/journal/continue-cline-aider-coding-choice.md): Выбор Continue, Cline или Aider для локального кода: подсказки IDE, действия агента, интеграция Git и проверка изменений.
- [Continue с локальной моделью: чат и автодополнение](https://retrivium.ai/ru/journal/continue-local-vscode-chat-completion.md): Continue в VS Code с локальной моделью: активный config.yaml, роли chat и autocomplete и отдельная проверка каждой операции.
- [Cline с LM Studio или Ollama: проверяемая правка](https://retrivium.ai/ru/journal/cline-local-server-reviewed-edit.md): Первое изменение Cline с локальной моделью: выбор runtime, небольшая задача, проверка инструментов и просмотр различий файла.
- [Cline Desktop или расширение IDE для локальных моделей](https://retrivium.ai/ru/journal/cline-desktop-vs-ide-local-models.md): Cline Desktop или IDE: управление локальными моделями, выбор runtime, контекст репозитория и проверка одинакового изменения.
- [Aider с локальными моделями: изменение репозитория и проверка](https://retrivium.ai/ru/journal/aider-local-model-editing-start.md): Первый запуск Aider с Ollama: исходное состояние Git, явный выбор файлов и небольшое изменение с проверяемым результатом.
- [OpenCode custom provider: локальная модель в V2](https://retrivium.ai/ru/journal/opencode-v2-custom-local-provider.md): Локальный провайдер OpenCode V2: структура providers, пакет выполнения, settings.baseURL и явный выбор провайдера и модели.
- [OpenHands Agent Canvas: папка проекта, backend и модель](https://retrivium.ai/ru/journal/openhands-agent-canvas-local-workflow.md): OpenHands Agent Canvas с локальной моделью: выбор backend, рабочей папки и профиля LLM для небольшого проверяемого изменения кода.
- [Zed с локальной моделью: встроенный агент](https://retrivium.ai/ru/journal/zed-native-local-ai-start.md): Локальная модель в собственном агенте Zed: выбор runtime, получение списка и разграничение инструментов, Edit Prediction и внешних агентов.
- [goose с локальной моделью: первое задание проекта](https://retrivium.ai/ru/journal/goose-local-model-first-task.md): Goose с Ollama или LM Studio: настройка локального провайдера, первая задача и отдельная проверка инструментов расширений.
- [Cherry Studio: локальные чат-провайдеры и вспомогательные модели](https://retrivium.ai/ru/journal/cherry-studio-local-chat-model-choice.md): Выбор локальной модели беседы в Cherry Studio через Model Provider и отличие генератора от встроенных вспомогательных моделей.
- [Dify с локальной LLM: провайдер и первое приложение](https://retrivium.ai/ru/journal/dify-local-llm-first-app.md): Локальная LLM в существующем Dify: провайдер рабочей области, явный выбор модели в приложении и проверка простого текстового потока.
- [n8n с локальной LLM: ограниченный рабочий процесс](https://retrivium.ai/ru/journal/n8n-local-ai-chat-workflow.md): Первый локальный AI-процесс в существующем n8n: сведения Ollama, подключение модели чата и явная передача текста в узел генерации.
- [Flowise с Ollama: первый локальный Chatflow](https://retrivium.ai/ru/journal/flowise-local-chatflow-first-run.md): Первый локальный Chatflow в Flowise: узел ChatOllama, существующая модель Ollama и простой путь беседы до добавления агентов.
- [Langflow с локальной моделью: первый разговорный flow](https://retrivium.ai/ru/journal/langflow-local-model-first-flow.md): Локальный диалог Langflow: Model Providers, компонент Language Model, явные соединения ввода и вывода и проверка в Playground.
- [n8n, Dify, Flowise или Langflow для локального AI](https://retrivium.ai/ru/journal/n8n-dify-flowise-langflow-choice.md): Сравнение n8n, Dify, Flowise и Langflow для локальных AI-приложений по структуре потока, настройке модели и первому полезному результату.
- [Выбор локального AI: настольный чат, общий UI или агент кода](https://retrivium.ai/ru/journal/local-ai-app-stack-selection.md): Минимальный набор локальных AI-приложений: разделение runtime модели, интерфейса беседы, клиента для кода и дополнительных инструментов.
- [Локальные помощники кода: чтение, правки, проверка и тесты](https://retrivium.ai/ru/journal/local-coding-app-read-edit-review-test.md): Первая задача локального помощника кода: явное чтение, небольшое изменение, просмотр различий и фактический вывод проверки.
- [LM Studio работает в чате, но не в редакторе](https://retrivium.ai/ru/journal/lm-studio-chat-works-editor-cannot-connect.md): Редактор не видит LM Studio при рабочем чате: проверка процесса runtime, локального сервера и собственного выбора модели клиентом.
- [Сервер Jan не запускается: проверьте стартовую модель](https://retrivium.ai/ru/journal/jan-local-server-startup-model-required.md): Запуск API сервера Jan требует загружаемой локальной модели по умолчанию; удалённый провайдер последующих запросов не заменяет это условие.
- [Модель Open WebUI видна администратору, но не пользователю](https://retrivium.ai/ru/journal/open-webui-model-visible-admin-only.md): Модель Open WebUI видна только администратору: каталог сервера, скрытие, права базовой модели и публикация оболочки Workspace.
- [Open WebUI Tools, Functions и Pipes: выбор расширения](https://retrivium.ai/ru/journal/open-webui-tools-functions-pipes-choice.md): Выбор расширения Open WebUI по задаче: вызываемый Tool, модель Pipe, преобразование Filter, кнопка Action или существующий HTTP-сервис.
- [MCP LibreChat подключён, но у агента нет инструмента](https://retrivium.ai/ru/journal/librechat-agent-mcp-tool-not-visible.md): Инструмент MCP отсутствует у агента LibreChat: выбор чата, привязка Agent Builder, аутентификация пользователя и возможности модели.
- [LibreChat Code Interpreter: исполнение кода и получение файлов](https://retrivium.ai/ru/journal/librechat-code-interpreter-files-workflow.md): Code Interpreter LibreChat в настроенном экземпляре: файлы окружения кода, вывод выполнения и получение созданного результата.
- [MCP AnythingLLM Desktop не запускается или не вызывается](https://retrivium.ai/ru/journal/anythingllm-desktop-mcp-not-starting.md): MCP в AnythingLLM Desktop: запуск через Agent Skills, доступность команды компьютера, Refresh и поддерживаемые возможности инструментов.
- [Чат Continue работает, но автодополнения нет](https://retrivium.ai/ru/journal/continue-chat-works-autocomplete-missing.md): Continue отвечает в чате, но не дополняет код: роль autocomplete, активная конфигурация, вызов подсказки и фильтрация вывода.
- [Откат Cline: checkpoints, Git и побочные действия](https://retrivium.ai/ru/journal/cline-checkpoints-restore-boundaries.md): Контрольные точки Cline: варианты восстановления файлов и беседы, отдельный Git и последствия, которые снимок рабочей области не отменяет.
- [Коммиты и undo Aider при существующих правках](https://retrivium.ai/ru/journal/aider-git-dirty-tree-undo.md): Aider при существующих изменениях Git: разделение пользовательской работы, автоматических коммитов, просмотра diff и фактической границы отмены.
- [Aider repo map и файлы для изменения](https://retrivium.ai/ru/journal/aider-repomap-editable-files.md): Карта репозитория Aider и редактируемые файлы: структурный контекст, исходная реализация и узкие границы изменения локальной моделью.
- [OpenCode V2 отвечает, но инструмент запрещён](https://retrivium.ai/ru/journal/opencode-v2-tool-permission-denied.md): Запрет инструмента OpenCode V2: порядок permissions, реальные названия действий, правила агента и решение для нескольких ресурсов.
- [OpenCode V1 → V2: перенос локального процесса](https://retrivium.ai/ru/journal/opencode-v1-v2-local-migration.md): Переход локального OpenCode с V1 на V2: поколение команды, схема провайдера, правила permissions и небольшая проверяемая задача.
- [OpenHands Canvas не видит файлы: рабочая папка backend](https://retrivium.ai/ru/journal/openhands-canvas-workspace-file-location.md): OpenHands Canvas не находит файлы: различия браузера, backend выполнения, выбранной рабочей папки и endpoint модели.
- [Встроенный агент Zed или ACP: какие настройки действуют?](https://retrivium.ai/ru/journal/zed-native-vs-acp-settings-owner.md): Кто управляет AI-настройками Zed: собственный Agent, внешний процесс ACP, переданные MCP-инструменты и конфигурация самого агента.
- [Roo Code закрыт: сохранение процесса перед переходом](https://retrivium.ai/ru/journal/roo-code-retired-local-workflow-migration.md): Переход с закрытого Roo Code: сохранение правил, назначения режимов и локальной модели до проверки подходящей замены.
- [goose подключён к модели, но расширение недоступно](https://retrivium.ai/ru/journal/goose-local-extension-not-found.md): Расширение Goose недоступно при рабочей модели: включение, запуск процесса, команда компьютера, разрешения и поддержка инструментов.
- [Пресеты LM Studio не восстанавливают параметры загрузки](https://retrivium.ai/ru/journal/lm-studio-presets-load-defaults.md): Пресеты LM Studio и настройки загрузки модели: где сохраняются инструкции беседы, параметры инференса и значения следующей загрузки.
- [Fork и rewind Jan Agent: история и восстановление файлов](https://retrivium.ai/ru/journal/jan-agent-fork-rewind-files.md): Fork и rewind Jan Agent: сохранённые сессии, восстановление файлов через Git, идентичность проекта и отдельная постоянная память.
- [Безопасный режим Jan Agent и изоляция shell — разные настройки](https://retrivium.ai/ru/journal/jan-safe-mode-shell-sandbox.md): Отличие подтверждений Jan Agent от ограничения shell, проверка настроек проекта и отдельной политики инструментов долговременной памяти.
- [Экспорт чатов и Workspace Open WebUI: разные области](https://retrivium.ai/ru/journal/open-webui-chat-vs-workspace-export.md): Перенос бесед и настроек Workspace Open WebUI разными экспортами: новые ID при импорте и проверка ресурсов на целевой установке.
- [Переменные промпта Open WebUI: повторяемые формы заданий](https://retrivium.ai/ru/journal/open-webui-prompt-template-variables.md): Шаблоны slash-команд Open WebUI с типизированными полями: пользовательский ввод, системные подстановки и отличие prompts от оболочек моделей.
- [Общий агент LibreChat и отдельные права инструментов](https://retrivium.ai/ru/journal/librechat-share-agent-tool-permissions.md): Совместное использование агента LibreChat по ролям с отдельной проверкой доступа к модели, учётных данных MCP и подтверждений инструментов.
- [Правила проекта Continue и актуальная конфигурация](https://retrivium.ai/ru/journal/continue-project-rules-current-config.md): Правила проекта Continue вместе с актуальной YAML-конфигурацией: инструкции, принудительные ограничения и перенос старых примеров с сохранением области действия.
- [Роли architect и editor Aider с локальными моделями](https://retrivium.ai/ru/journal/aider-architect-editor-local-workflow.md): Настройка ролей architect и editor Aider для локальных моделей, отличие обсуждения от редактирования и проверка реального изменения репозитория.
- [Skills OpenHands: перенос старых инструкций репозитория](https://retrivium.ai/ru/journal/openhands-repository-skills-current-layout.md): Перенос инструкций репозитория OpenHands в AGENTS.md и актуальные каталоги Agent Skills с отдельной проверкой hooks, подготовки среды и прав инструментов.
- [Zed Agent Profiles: наличие инструмента не равно разрешению](https://retrivium.ai/ru/journal/zed-agent-profiles-tool-availability.md): Настройка профилей встроенного агента Zed отдельно от подтверждений инструментов, проверка активного профиля и собственных настроек внешних ACP-агентов.
- [Рецепты goose: повтор локального задания с явными входами](https://retrivium.ai/ru/journal/goose-recipes-local-task-reuse.md): Повторяемые recipes goose с явными параметрами, доступными расширениями и проверенной локальной моделью: обработка отсутствующего ввода и повторных запусков.
- [Резервная копия и архив Cherry Studio: что восстановится?](https://retrivium.ai/ru/journal/cherry-studio-backup-archive-local-data.md): Отличие резервной копии Cherry Studio от Archive, состав full и Lite и проверка зависимостей восстановления локальных данных.
- [Qdrant RRF и DBSF: выбор слияния по отложенному набору запросов](https://retrivium.ai/ru/journal/qdrant-rrf-dbsf-fusion-selection.md): RRF и DBSF в Qdrant решают разные задачи слияния: первый объединяет позиции, второй сохраняет информацию о разнице баллов.
- [Qdrant и фильтрованный HNSW: зачем нужен индекс payload](https://retrivium.ai/ru/journal/qdrant-payload-index-filtered-hnsw.md): Фильтр метаданных меняет задачу поиска в Qdrant, а не просто скрывает строки после получения выдачи.
- [ColBERT в Qdrant: токеновые векторы и семантика MaxSim](https://retrivium.ai/ru/journal/qdrant-colbert-maxsim-multivectors.md): Представление ColBERT является матрицей токеновых векторов, а не длинным обычным эмбеддингом для усреднения перед поиском.
- [Группировка документов в Qdrant: как не заполнить выдачу фрагментами одного файла](https://retrivium.ai/ru/journal/qdrant-document-grouping-chunk-diversity.md): Группировка документов в Qdrant отвечает на другой вопрос, чем выдача ближайших фрагментов.
- [Индекс halfvec в pgvector: полные векторы для финального ранжирования](https://retrivium.ai/ru/journal/pgvector-halfvec-expression-index-rerank.md): Expression-индекс halfvec позволяет искать по представлению пониженной точности, не заменяя исходные векторы в таблице.
- [Бинарное квантование pgvector: кандидаты Hamming и ранжирование полными векторами](https://retrivium.ai/ru/journal/pgvector-binary-hamming-candidate-rerank.md): Бинарное квантование в pgvector помогает формировать кандидатов, но не заменяет проверку итоговой релевантности исходной метрикой векторов.
- [Cosine и inner product в pgvector: согласовать нормализацию и ORDER BY](https://retrivium.ai/ru/journal/pgvector-cosine-inner-product-ordering.md): Cosine distance и inner product могут давать сопоставимый порядок при определённых условиях нормализации, но их SQL-операторы различаются знаком и смыслом.
- [Функции BM25 в Milvus: объединить разреженный и плотный поиск](https://retrivium.ai/ru/journal/milvus-bm25-function-dense-sparse-fusion.md): Milvus способен формировать sparse-векторы BM25 из исходного текста объявленной функцией и одновременно искать отдельное плотное представление.
- [Согласованность Milvus: почему новый документ ещё не находится](https://retrivium.ai/ru/journal/milvus-consistency-new-document-visibility.md): Подтверждённая вставка и доступный поиску документ являются разными наблюдениями в Milvus.
- [Partition key в Milvus: маршрутизация арендатора не заменяет права доступа](https://retrivium.ai/ru/journal/milvus-partition-key-tenant-query-boundary.md): Partition key в Milvus помогает организовать и маршрутизировать данные, но не является политикой авторизации приложения.
- [Слияние Weaviate hybrid: alpha и разница баллов решают разные задачи](https://retrivium.ai/ru/journal/weaviate-hybrid-fusion-alpha-score-gaps.md): Гибридное слияние Weaviate объединяет лексическую и векторную выдачу, но смена стратегии fusion отличается от изменения alpha.
- [Фильтрованный поиск Weaviate: sweeping, ACORN и PathSeer](https://retrivium.ai/ru/journal/weaviate-filter-strategies-acorn-pathseer.md): У фильтрованного HNSW Weaviate несколько стратегий обхода, поэтому выбор ACORN не равен простому включению общего фильтра.
- [Weaviate BM25F: веса заголовков и текста без потери документов](https://retrivium.ai/ru/journal/weaviate-bm25f-field-weighting.md): Веса полей BM25F в Weaviate меняют вклад лексических доказательств в ранжирование, но не заменяют решение о том, какие материалы доступны поиску.
- [Гибридный поиск Elasticsearch: RRF и нормализованный linear retriever](https://retrivium.ai/ru/journal/elasticsearch-rrf-linear-hybrid-retrievers.md): RRF и linear retriever в Elasticsearch объединяют сигналы по разным контрактам: позиции против нормализованных взвешенных баллов.
- [Гибридный поиск OpenSearch: normalization и score-ranker pipeline](https://retrivium.ai/ru/journal/opensearch-hybrid-normalization-score-ranker.md): Нормализация баллов OpenSearch и reciprocal rank fusion относятся к разным конфигурациям search pipeline.
- [Фразовый поиск LanceDB: позиции слов до гибридного ранжирования](https://retrivium.ai/ru/journal/lancedb-phrase-search-hybrid-candidates.md): Фразовому поиску LanceDB нужен контракт индекса и запроса, сохраняющий позиции слов.
- [Стратегии chunking для RAG: структура документа и фиксированные окна](https://retrivium.ai/ru/journal/rag-chunking-structure-token-boundaries.md): Стратегия chunking для RAG определяет совместно извлекаемые доказательства, а не только число токенов одного embedding-вызова.
- [Late chunking для RAG: контекст до объединения токенов во фрагменты](https://retrivium.ai/ru/journal/rag-late-chunking-contextual-embeddings.md): Late chunking кодирует более широкий контекст документа до объединения диапазонов токенов в эмбеддинги фрагментов.
- [Перекрытие фрагментов RAG: границы смысла и дубли доказательств](https://retrivium.ai/ru/journal/rag-chunk-overlap-duplicate-evidence.md): Увеличение overlap меняет и сохранность границ, и повторение доказательств в индексе RAG.
- [Таблицы для RAG: фрагменты с заголовками столбцов и единицами](https://retrivium.ai/ru/journal/rag-table-chunks-headers-units.md): Извлекаемому фрагменту таблицы нужна структура, объясняющая смысл каждого значения, а не только символы одной строки.
- [Поиск с EmbeddingGemma: разные промпты запросов и документов](https://retrivium.ai/ru/journal/embeddinggemma-query-document-prompts.md): Поиск EmbeddingGemma использует разные роли входа для запроса и исходного документа, поэтому общему вызову кодирования нужен явный контракт промптов.
- [Jina embeddings v4: плотный и многовекторный выход требуют разных индексов](https://retrivium.ai/ru/journal/jina-v4-dense-multivector-task-contract.md): Jina embeddings v4 предоставляет плотные и многовекторные представления, но эти выходы требуют разных индексных контрактов и не являются взаимозаменяемыми вариантами сериализации.
- [Nemotron 3.5 Embed: совместная проверка текста и изображений страниц](https://retrivium.ai/ru/journal/nemotron-35-embed-multimodal-retrieval.md): Nemotron 3.5 Embed стоит проверять на согласованном наборе текстовых запросов и изображений страниц: представление документа меняет саму задачу поиска.
- [Поиск ColPali: переход на Sentence Transformers без незаметной смены скоринга](https://retrivium.ai/ru/journal/colpali-sentence-transformers-v6-migration.md): Переход ColPali на Sentence Transformers требует проверки паритета скоринга: одной замены импортов недостаточно для сохранения обработки запросов и сходства.
- [Карты сходства ColPali: внимание к патчам не равно OCR-цитате](https://retrivium.ai/ru/journal/colpali-similarity-maps-source-grounding.md): Карты сходства ColPali показывают вклад патчей изображения в совпадение с токенами запроса, но не подтверждают OCR-цитату или точную область цитирования.
- [BEIR qrels: неразмеченный фрагмент не является подтверждённо нерелевантным](https://retrivium.ai/ru/journal/beir-qrels-unjudged-retrieval-evaluation.md): Отсутствующая оценка релевантности BEIR не означает, что фрагмент проверен и признан нерелевантным.
- [MTEB и MMTEB: выбор задач до рейтинга embedding-моделей](https://retrivium.ai/ru/journal/mteb-mmteb-domain-task-selection.md): Оценки MTEB и MMTEB полезны после выбора задач и языков, соответствующих будущему поиску.
- [Ragas context precision, recall и faithfulness измеряют разные ошибки](https://retrivium.ai/ru/journal/ragas-retrieval-faithfulness-metric-boundaries.md): Ragas context precision, context recall и faithfulness отвечают на разные вопросы о конвейере RAG.
- [Синтетические тесты RAG: не допустить утечки документов в отложенную выборку](https://retrivium.ai/ru/journal/rag-synthetic-testset-leakage-controls.md): Синтетические вопросы RAG следует создавать после разделения исходных документов на разработочную и отложенную группы.
- [Устойчивость RAG к шуму: отвлекающие фрагменты при неизменной цели ответа](https://retrivium.ai/ru/journal/rag-noise-sensitivity-distractor-tests.md): Тесты устойчивости RAG к шуму меняют окружающий контекст при неизменном вопросе и целевом ответе.
- [Цитаты RAG: отдельно проверить подтверждение и полноту](https://retrivium.ai/ru/journal/rag-citation-precision-completeness.md): У качества цитирования есть разные стороны: поддерживают ли приложенные источники утверждение и получили ли важные утверждения ссылки вообще.
- [Matryoshka-эмбеддинги: согласовать усечение и нормализацию запроса и индекса](https://retrivium.ai/ru/journal/matryoshka-truncation-query-index-contract.md): Matryoshka embeddings сокращают только по контракту выбранной модели, одинаково обрабатывая запросы и индексируемые документы.
- [Nemotron 3.5 Rerank: смысл баллов до выбора порога релевантности](https://retrivium.ai/ru/journal/nemotron-35-rerank-score-thresholds.md): Оценки Nemotron 3.5 Rerank нужно трактовать по контракту выхода checkpoint до выбора порога отклонения.
- [PDF в Markdown для RAG: порядок чтения до индексации](https://retrivium.ai/ru/journal/pdf-to-markdown-reading-order-rag.md): Преобразование PDF в Markdown должно сохранять порядок чтения до построения индекса RAG: даже правильно распознанные слова способны составить неверный документ.
- [Извлечение таблиц PDF для RAG: объединённые ячейки и повторные заголовки](https://retrivium.ai/ru/journal/pdf-table-extraction-merged-cells.md): Таблицы PDF должны сохранять связи заголовков и область объединённых ячеек до превращения в подтверждения RAG.
- [Разбор PDF в Unstructured: fast, hi_res и ocr_only для разных входов](https://retrivium.ai/ru/journal/unstructured-pdf-strategy-selection.md): Стратегии Unstructured для PDF выбирают по содержимому документа и требуемой структуре, а не как уровни качества fast, hi_res и ocr_only.
- [Текст PyMuPDF: текстовый слой не гарантирует правильный порядок чтения](https://retrivium.ai/ru/journal/pymupdf-digital-pdf-text-order.md): Наличие выделяемого текстового слоя PDF не гарантирует человеческого порядка извлечённых слов.
- [OCR смешанного PDF: не дублировать существующий текстовый слой](https://retrivium.ai/ru/journal/pdf-ocr-overlay-duplicate-text.md): Смешанным PDF нужна политика OCR, различающая существующий цифровой текст и надписи только внутри изображений.
- [Цитаты PDF: координаты страницы после поворота и обрезки](https://retrivium.ai/ru/journal/pdf-citation-coordinates-rotation-crop.md): Области цитирования PDF требуют явно заданной системы координат, особенно после поворота, обрезки или рендеринга страницы.
- [Документы в Markdown или JSON: сохранить происхождение доказательств для RAG](https://retrivium.ai/ru/journal/document-markdown-json-provenance.md): Markdown и структурированный JSON решают разные задачи конвейера документов RAG: читаемый текст удобен поиску, а структурированное происхождение позволяет восстановить подтверждение.
- [Excel для RAG: формулы, кешированные значения и объединённые ячейки](https://retrivium.ai/ru/journal/excel-rag-formulas-merged-hidden-cells.md): Загрузка Excel в RAG должна различать формулы, кешированные значения и структуру книги до превращения ячеек в прозу.
- [Веб-страницы для RAG: убрать навигацию и сохранить доказательства](https://retrivium.ai/ru/journal/webpage-clean-text-rag-trafilatura.md): Очистка веб-страниц для RAG должна сохранять подтверждения статьи и исключать навигацию с посторонними служебными блоками.
- [Поиск по встречам: реплики спикеров и доказательства в аудиозаписи](https://retrivium.ai/ru/journal/meeting-search-transcript-speaker-evidence.md): Поиск по встречам требует подтверждений из записи, а не только аккуратной расшифровки с добавленными именами участников.
- [Пропуски alignment WhisperX: числа и символы без временных меток](https://retrivium.ai/ru/journal/whisperx-forced-alignment-missing-words.md): WhisperX способен оставить распознанные слова без надёжного времени, если модель выравнивания не сопоставляет их символы или звучание.
- [Диаризация pyannote: реплики, перекрытие речи и личность спикера](https://retrivium.ai/ru/journal/pyannote-exclusive-diarization-speaker-identity.md): Exclusive-диаризация pyannote упрощает назначение слов говорящим, но не устанавливает личности реальных людей.
- [Silero VAD перед ASR: частота дискретизации и границы речи](https://retrivium.ai/ru/journal/silero-vad-resampling-speech-boundaries.md): Определение речевой активности требует правильной дискретизации звука и привязки времени до безопасного удаления тишины.
- [Пакетный faster-whisper: настройки VAD до сравнения транскриптов](https://retrivium.ai/ru/journal/faster-whisper-batched-vad-output-differences.md): Переход faster-whisper на пакетный конвейер способен изменить предварительную обработку, включая настройки VAD по умолчанию.
- [WER и CER для ASR: нормализация текста без сокрытия ошибок](https://retrivium.ai/ru/journal/asr-wer-cer-normalization-russian.md): WER и CER сравнивают расшифровки только при объявленной нормализации, особенно для русского текста с числами, пунктуацией и вариантами написания.
- [Очистка транскрипта: пунктуация не должна ломать привязку слов ко времени](https://retrivium.ai/ru/journal/asr-punctuation-word-timestamp-integrity.md): Восстановление пунктуации должно менять оформление расшифровки без скрытой замены слов и происхождения времени.
- [Из речи в субтитры: проверить границы SRT и WebVTT](https://retrivium.ai/ru/journal/speech-subtitles-srt-vtt-cue-validation.md): Экспорт субтитров требует собственной проверки даже при правильной расшифровке речи.
- [Временные метки видеопоиска: PTS вместо арифметики номеров кадров](https://retrivium.ai/ru/journal/video-vfr-pts-frame-indexing.md): Видео с переменной частотой кадров индексируют по временным отметкам показа и time base, а не предполагают точность деления номера кадра на номинальную частоту.
- [Индексация ключевых кадров: смена сцен и выборка через интервал](https://retrivium.ai/ru/journal/video-keyframes-scene-detection-indexing.md): Детекция сцен и периодическая выборка кадров решают разные задачи видеоиндекса, поэтому ни одну нельзя считать универсальным выбором ключевых изображений.
- [Локальный поиск по видео: связать транскрипт и ключевые кадры](https://retrivium.ai/ru/journal/local-video-search-transcript-keyframes.md): Локальный видеопоиск связывает расшифровку и выбранные кадры через исходное время, сохраняя подтверждения каждой модальности отдельно.
- [Русский лексический поиск: стемминг не должен разрушать идентификаторы](https://retrivium.ai/ru/journal/russian-bm25-analyzer-exact-identifiers.md): Русский BM25-поиск должен разделять языковые совпадения и точные идентификаторы вместо принудительной обработки одним анализируемым полем.
- [Поиск фрагментов Elasticsearch: nested kNN и подтверждающие inner hits](https://retrivium.ai/ru/journal/elasticsearch-nested-passage-inner-hits.md): Поиск вложенных фрагментов Elasticsearch должен возвращать отрывок, создавший совпадение документа, а не только родительский объект.
- [Нейронный разреженный поиск OpenSearch: веса токенов не равны BM25](https://retrivium.ai/ru/journal/opensearch-neural-sparse-vocabulary-contract.md): Обучаемый разреженный поиск требует согласованных словарей документов и запросов, а не только массивов идентификаторов и весов.
- [Sparse IDF в Qdrant: изменения корпуса и оценка запроса](https://retrivium.ai/ru/journal/qdrant-sparse-idf-corpus-updates.md): Оценки sparse IDF в Qdrant могут меняться при обновлении корпуса даже без изменения запроса и сохранённых документных векторов.
- [Text match и BM25 в Milvus: фильтрация не равна ранжированию](https://retrivium.ai/ru/journal/milvus-text-match-bm25-filter-ranking.md): TEXT_MATCH Milvus фильтрует документы по анализируемым терминам, а BM25 Function предоставляет ранжированный полнотекстовый поиск.
- [Обновление документов RAG без старых фрагментов и неверных цитат](https://retrivium.ai/ru/journal/rag-document-updates-stale-chunk-citations.md): Явные версии документов и фрагментов RAG, удаление устаревших поисковых свидетельств и сохранение происхождения цитат отдельно от активного корпуса.
- [ColBERT PLAID: сжатие индекса и отсечение кандидатов проверяются отдельно](https://retrivium.ai/ru/journal/colbert-plaid-late-interaction-index.md): Отличие residual compression ColBERTv2 от отсечения PLAID: отдельные проверки размера индекса, полноты кандидатов и итогового late-interaction ранжирования.
- [LMCache и prefix caching vLLM: где проходит граница кэша](https://retrivium.ai/ru/journal/lmcache-vs-vllm-prefix-caching.md): Сравнение локального повторного использования префикса с внешним KV-кэшем: собственный offload vLLM, срок жизни блоков и цена их переноса.
- [LMCache и offload KV в RAM: как оценить рабочий набор](https://retrivium.ai/ru/journal/lmcache-cpu-kv-offload.md): Планирование RAM для повторно используемых KV-блоков: отличие от выгрузки весов и проверка нагрузки на передачу вместе с запросами инференса.
- [Инвалидация постоянного KV-кэша: когда префикс перестаёт подходить](https://retrivium.ai/ru/journal/persistent-kv-cache-invalidation.md): Как разделять KV-кэш по ревизиям весов, токенизаторам, формату блоков и арендаторам, чтобы безопасно переиспользовать его после обновления инференса.
- [CacheBlend для RAG: повторение документов за пределами общего префикса](https://retrivium.ai/ru/journal/cacheblend-rag-non-prefix-reuse.md): Как CacheBlend использует выборочное повторное вычисление, почему перестановка найденных документов мешает prefix caching и как проверять качество ответов.
- [FP8 KV-кэш: точность, калибровка и качество длинного контекста](https://retrivium.ai/ru/journal/fp8-kv-cache-calibration-quality.md): Разделение точности KV-кэша и весов, проверка backend и масштабов, оценка длинного контекста до увеличения числа одновременных запросов.
- [NVIDIA Dynamo и vLLM: оркестрация и инференс на разных уровнях](https://retrivium.ai/ru/journal/nvidia-dynamo-vs-vllm-serving-layer.md): Где находятся маршрутизация Dynamo, планирование и перенос кэша относительно движка инференса и когда для нагрузки достаточно обычного сервиса vLLM.
- [KV-aware routing Dynamo: баланс знакомого контекста и очереди](https://retrivium.ai/ru/journal/dynamo-kv-aware-routing-cache-queue.md): Проверка выбора воркера по локальности префикса, очереди и устаревшим сведениям о блоках без смешивания с маршрутизацией между моделями.
- [Dynamo KVBM: отдельные бюджеты GPU, RAM и хранилища](https://retrivium.ai/ru/journal/dynamo-kvbm-memory-tiers.md): KV Block Manager как иерархия памяти: перемещение блоков, закреплённая RAM, задержка хранилища и ограничения интеграции конкретной версии.
- [Разделение prefill и decode в vLLM: когда нужны отдельные пулы](https://retrivium.ai/ru/journal/vllm-prefill-decode-disaggregation-architecture.md): Проверка отдельных воркеров prefill и decode: взаимное влияние фаз, передача KV, баланс реплик и полезные завершения при ограничениях задержки.
- [NIXL и NCCL: перенос KV и коллективные коммуникации](https://retrivium.ai/ru/journal/nixl-vs-nccl-data-movement.md): Различие слоя перемещения неоднородных данных и примитивов связи GPU, их дополняющие роли в распределённом обслуживании языковых моделей.
- [LMCache и Mooncake: сравнивайте компонент, а не только проект](https://retrivium.ai/ru/journal/lmcache-vs-mooncake-kv-cache.md): Сравнение интеграции LMCache с транспортом и хранилищем Mooncake: пересечения ролей, совместные пути и критерии проверки конкретной нагрузки.
- [RoCE и InfiniBand для LLM: проверяйте фабрику целиком](https://retrivium.ai/ru/journal/roce-vs-infiniband-llm-serving.md): Сравнение RDMA поверх Ethernet и InfiniBand по адаптерам, коммутаторам, перегрузке и реальным передачам инференса вместо выбора по скорости порта.
- [Expert parallel и tensor parallel для инференса MoE](https://retrivium.ai/ru/journal/expert-parallel-vs-tensor-parallel-moe.md): Различие размещения экспертов и разбиения тензоров: группы attention и MoE, неравномерность маршрутизации и проверка многопроцессорной топологии.
- [Data parallel и tensor parallel: реплики или разделённая модель?](https://retrivium.ai/ru/journal/data-parallel-vs-tensor-parallel-serving.md): Выбор независимых реплик или тензорного разделения по размещению модели, локальности кэша, границам отказа и измеренным коммуникациям.
- [FlashAttention и PagedAttention: разные задачи attention](https://retrivium.ai/ru/journal/flashattention-vs-pagedattention.md): Различие эффективного вычисления attention и страничного управления KV-памятью: почему backend сервинга может сочетать идеи обоих подходов.
- [FlashInfer и FlashAttention: сравнение фактического пути ядер](https://retrivium.ai/ru/journal/flashinfer-vs-flashattention-kernel-stack.md): Роль набора ядер FlashInfer и реализаций FlashAttention в backend: сравнение поддерживаемых операций и фактического исполнения вместо названий.
- [CUDA Graphs и torch.compile: повтор графа и компиляция совместимы](https://retrivium.ai/ru/journal/cuda-graphs-vs-torch-compile.md): Отличие повторного запуска ядер от компиляции графа: старт, установившаяся работа и разные формы запросов при выборе оптимизации инференса.
- [Goodput LLM и токены в секунду: считайте запросы в пределах цели](https://retrivium.ai/ru/journal/llm-goodput-vs-tokens-per-second.md): Полезная ёмкость сервинга по завершённым запросам с нужным первым токеном и темпом вывода, отдельно от сырого количества токенов в секунду.
- [SGLang HiCache и RadixAttention: иерархия вокруг повторения префикса](https://retrivium.ai/ru/journal/sglang-hicache-vs-radixattention.md): Различие radix-повторения префикса и иерархии RAM и хранилища: перенос блоков, совместимость состояния модели и вытеснение рабочего набора.
- [Gateway API Inference Extension и обычная балансировка нагрузки](https://retrivium.ai/ru/journal/gateway-api-inference-extension-vs-load-balancer.md): InferencePool и выбор воркеров LLM: совместимость, устаревшие метрики и граница маршрутизации относительно фактического исполнения модели.

## Ретроспективы AI (500)

События 3 августа — 3 ноября 2026. Разборы опубликованы 3 ноября. Каждый материал отвечает на самостоятельный вопрос; отбор опирается на датированные первоисточники, независимые публикации и открытые обсуждения, а не на измеренную мировую популярность.

- [Раздел и метод отбора](https://retrivium.ai/ru/retrospectives/)
- [RSS](https://retrivium.ai/ru/retrospectives/rss.xml)
- [Как оцифровка градостроительных архивов подготовила PlanAssist](https://retrivium.ai/ru/retrospectives/planassist-digitization-before-assistance.md): Как ранняя программа Extract и оцифровка градостроительных данных подготовили контекст PlanAssist, при разных ролях записей и рекомендаций. (событие: 2026-10-31)
- [Почему PlanAssist требует различать время проверки и итог разрешения](https://retrivium.ai/ru/retrospectives/planassist-assessment-time-vs-outcome.md): Почему пилот PlanAssist требует отдельно измерять время проверки специалистом, общую длительность рассмотрения и качество окончательного решения. (событие: 2026-10-31)
- [Как местные правила стали испытанием масштабирования государственного AI](https://retrivium.ai/ru/retrospectives/planassist-local-policy-portability.md): Как расширение PlanAssist превращает местные правила, качество записей и квалифицированную проверку в практическое испытание масштабирования административного AI. (событие: 2026-10-31)
- [Веса Large4: почему checkpoint 29 октября не просто загрузка preview](https://retrivium.ai/ru/retrospectives/large4-improved-weights-not-preview-snapshot.md): Публикация весов Large4 важна появлением улучшенного артефакта после preview, а не простой загрузкой того же наблюдаемого сервиса. (событие: 2026-10-29)
- [Открытые веса Large4: опубликованная граница model-as-a-service](https://retrivium.ai/ru/retrospectives/large4-open-weight-maas-boundary.md): Открытые веса Mistral Large4 используют изменённую лицензию с условием model-as-a-service, поэтому их нельзя архивировать как обычный неограниченный релиз MIT. (событие: 2026-10-29)
- [Mistral публикует улучшенные веса Large4: внутреннее применение и model-as-a-service](https://retrivium.ai/ru/retrospectives/retro-mistral-large4-weights-maas-license.md): Для Mistral Large4 внутреннее приложение и предложение обслуживания модели являются разными описаниями развёртывания, поэтому реестр определяет отношения прежде интерпретации условий релиза. (событие: 2026-10-29)
- [Mistral публикует улучшенные веса Large4: дополнительное post-training после preview](https://retrivium.ai/ru/retrospectives/retro-mistral-large4-weights-checkpoint-delta.md): Опубликованные веса Mistral Large4 прошли дополнительное обучение после preview, поэтому ранняя оценка не является прямой приёмкой более позднего артефакта модели. (событие: 2026-10-29)
- [Carbon сократил окно оценки после общего выпуска Argon](https://retrivium.ai/ru/retrospectives/carbon-after-argon-evaluation-window.md): Как анонс Carbon вскоре после Argon GA показывает необходимость границы оценки и явных причин пересмотра выбора модели. (событие: 2026-10-28)
- [Анонс для доверенных партнёров не является рабочей моделью по умолчанию](https://retrivium.ai/ru/retrospectives/carbon-trusted-access-procurement.md): Почему анонс Carbon для доверенных партнёров относится к условному планированию, а не непроверенной текущей модели внедрения. (событие: 2026-10-28)
- [Кибероценки Carbon относятся к разным границам задач](https://retrivium.ai/ru/retrospectives/carbon-cyber-benchmark-boundaries.md): Как читать обнаружение, подтверждение и исправление Carbon как разные исходы вместо единой сквозной гарантии безопасности. (событие: 2026-10-28)
- [Долгой работе Carbon нужна честная обработка блокировок](https://retrivium.ai/ru/retrospectives/carbon-long-horizon-avoid-shortcuts.md): Почему долгую работу Carbon нужно проверять через полезные частичные артефакты, явные зависимости и честные финальные ограничения. (событие: 2026-10-28)
- [Почему цена входного токена перестала определять весь маршрут](https://retrivium.ai/ru/retrospectives/retro-openrouter-effective-routing-cost.md): Октябрьской перестройке OpenRouter предшествовала работа над качеством провайдеров. Сравнивать полезно счёт и последствия исполнения, а не один номинальный тариф. (событие: 2026-10-28)
- [Какие решения новый роутер OpenRouter оставляет клиенту](https://retrivium.ai/ru/retrospectives/retro-openrouter-routing-explicit-constraints.md): Октябрьский роутер разделяет допустимость провайдера и его выбор. Упорядоченные маршруты, явная сортировка и фильтры кандидатов действуют по-разному. (событие: 2026-10-28)
- [Как сигналы маршрутизации меняют стимул наращивать надёжную мощность](https://retrivium.ai/ru/retrospectives/retro-openrouter-provider-incentives.md): Перестройка OpenRouter связывает выбор провайдера с наблюдаемым сервисом. Установленные GPU, доступная мощность маршрута и выделенный трафик остаются разными величинами. (событие: 2026-10-28)
- [Nemotron Transcribe и Granaryv2: речевая модель и путь адаптации](https://retrivium.ai/ru/retrospectives/nemotron-transcribe-granary-model-data-split.md): Nemotron Transcribe и Granaryv2 являются выпуском модели и пути адаптации, а не только новым endpoint транскрипции. (событие: 2026-10-28)
- [Nemotron 3.5 Transcribe: проверка адаптации на новых дикторах](https://retrivium.ai/ru/retrospectives/retro-nemotron35-transcribe-speaker-holdout.md): Адаптации NemotronTranscribe нужна приёмка с разделением говорящих, когда утверждение касается незнакомых голосов, иначе успех знакомых участников преувеличивает обобщение выбранного изменённого распознавателя речи. (событие: 2026-10-28)
- [NVIDIA выпускает Nemotron3.5 Transcribe и Granaryv2: подсказанный словарь и верная транскрипция](https://retrivium.ai/ru/retrospectives/retro-nemotron35-transcribe-prompted-asr.md): Подсказанный словарь NemotronTranscribe помогает учитывать редкие термины, но предоставленные слова не становятся доказательством того, что они действительно были произнесены в исходной записи говорящим. (событие: 2026-10-28)
- [NVIDIA выпускает Nemotron3.5 Transcribe и Granaryv2: открытый процесс данных и воспроизводимость](https://retrivium.ai/ru/retrospectives/retro-nemotron35-transcribe-data-recipe.md): Открытый процесс Granary и доступная модель NemotronTranscribe являются разными артефактами воспроизводимости, поэтому получение одного автоматически не повторяет полную историю обучения и исходных данных другого. (событие: 2026-10-28)
- [Тестирование Helios у Meta и соглашение на шесть гигаватт](https://retrivium.ai/ru/retrospectives/retro-meta-helios-testing-vs-capacity.md): Установка и тестирование первых Helios в Meta подтверждают продвижение. Февральское обязательство, выпуск платформы и полезная мощность приложения остаются разными этапами. (событие: 2026-10-27)
- [Почему этап Meta и AMD охватывает ROCm, CPU и сеть](https://retrivium.ai/ru/retrospectives/retro-meta-amd-co-design-software.md): Хроника AMD и Meta превращает совместное проектирование в вопрос интерфейсов. Системный результат зависит от сочетаний компонентов, обратной связи и среды оператора. (событие: 2026-10-27)
- [Поддержка в день выпуска не завершает проверку инфраструктуры](https://retrivium.ai/ru/retrospectives/retro-meta-day-zero-support-validation.md): Поддержка модели в день выпуска и приёмка стойки проверяют разные слои. Хроника Helios показывает, почему готовность ПО не заменяет испытания системы. (событие: 2026-10-27)
- [Установить, проверить и принять Helios — разные этапы](https://retrivium.ai/ru/retrospectives/retro-meta-helios-acceptance-ladder.md): Испытания Helios показывают приёмку как решение о конкретной конфигурации. Полезная запись сохраняет нагрузку, результат, исключения и ответственного за решение. (событие: 2026-10-27)
- [Зачем облаку GPU магистраль для моделей и наборов данных](https://retrivium.ai/ru/retrospectives/retro-global-ai-backbone-model-artifacts.md): Сеть CoreWeave расширяет варианты подготовки артефактов между местами. Полезному развёртыванию нужны согласованная версия, проверка получения и отдельная активация. (событие: 2026-10-27)
- [Точка присутствия сети не равна новому региону GPU](https://retrivium.ai/ru/retrospectives/retro-network-pop-is-not-compute-region.md): Сетевые и площадочные анонсы CoreWeave имеют разные графики. Новый PoP описывает связность; GPU-сервису и выделению заказчика нужны отдельные подтверждения. (событие: 2026-10-27)
- [Шифрование магистрали и оставшиеся границы доверия AI-облака](https://retrivium.ai/ru/retrospectives/retro-ai-backbone-encryption-boundary.md): Утверждение MACsec CoreWeave касается сетевых путей. Завершение прикладного канала, доступ к открытому тексту, хранение и целостность runtime остаются отдельными вопросами. (событие: 2026-10-27)
- [Переносу артефактов и выдаче токенов нужны разные сетевые доказательства](https://retrivium.ai/ru/retrospectives/retro-ai-backbone-artifact-inference.md): Сеть CoreWeave влияет на подготовку и живой ответ разными путями. Измерению нужны явные начальное и конечное события для объяснения каждого результата. (событие: 2026-10-27)
- [ECS переходит от назначения целого GPU к совместному планированию](https://retrivium.ai/ru/retrospectives/retro-ecs-gpu-granularity-mps.md): Совместный GPU ECS вводит бюджеты задач на общем устройстве. Мелкое выделение расширяет размещение, а пригодность и полезной производительности нужны подтверждения приложения. (событие: 2026-10-27)
- [Ограничения ECS MPS и изоляция — разные вопросы](https://retrivium.ai/ru/retrospectives/retro-ecs-mps-memory-compute-isolation.md): Бюджеты GPU ECS описывают выделение, а изоляции нужны отдельные свойство и механизм. Анонс MPS не называет версию интерфейса демона и не отождествляет MPS с MIG. (событие: 2026-10-27)
- [Почему восстановление MPS-демона меняет ответственность эксплуатации](https://retrivium.ai/ru/retrospectives/retro-managed-mps-daemon-lifecycle.md): Совместный GPU ECS охватывает два режима, но наблюдение демона и автоматическая замена инстанса описаны для Managed Instances. Ответственности восстановления нужна эта граница. (событие: 2026-10-27)
- [Совместный GPU добавляет жизненный цикл демона к циклу задачи](https://retrivium.ai/ru/retrospectives/retro-ecs-mps-daemon-lifecycle.md): Восстановление общего GPU ECS охватывает задачу, демон и хост. Перемещение на здоровую мощность отличается от сохранения прикладного и активного GPU-состояния. (событие: 2026-10-27)
- [Анонс TPU в OCI ещё не означает доступный регион](https://retrivium.ai/ru/retrospectives/retro-oci-tpu-announcement-availability.md): Google и Oracle запланировали TPU в OCI с 2027 года с многолетним ростом. Октябрьское объявление означает канал распространения, а не текущий инвентарь. (событие: 2026-10-27)
- [Почему перенос ускорителя к данным отличается от соединения облаков](https://retrivium.ai/ru/retrospectives/retro-oci-tpu-data-proximity.md): План TPU в OCI предполагает исполнение внутри OCI после прежнего межоблачного партнёрства. Близость данных остаётся вопросом конкретного конвейера. (событие: 2026-10-27)
- [Переносимость TPU-кода и готовность ЦОД живут по разным графикам](https://retrivium.ai/ru/retrospectives/retro-oci-tpu-software-physical.md): Освоение ПО TPU и физическая поставка OCI имеют разные зависимости. Знакомые инструменты уменьшают перенос кода, не делая будущую мощность доступной сейчас. (событие: 2026-10-27)
- [Несколько архитектур в одном облаке не отменяют проверку нагрузки](https://retrivium.ai/ru/retrospectives/retro-oci-tpu-architecture-choice.md): Добавление TPU в OCI расширит выбор архитектуры с 2027 года. Поддержка модели, эксплуатация и стоимость приемлемого результата требуют квалификации нагрузки. (событие: 2026-10-27)
- [CoreWeave Denmark: Почему большая часть 22,5 МВт не равна всем 22,5 МВт](https://retrivium.ai/ru/retrospectives/retro-denmark-majority-online.md): Сообщению CoreWeave о Дании предшествовали планы будущего расширения. Почему при вводе большей части запланированных 22.5 MW важно сохранить долю готовности. (событие: 2026-10-27)
- [CoreWeave Denmark: Оператор colocation и GPU-облако поставляют разные части мощности](https://retrivium.ai/ru/retrospectives/retro-denmark-colocation-cloud-boundary.md): Развёртыванию CoreWeave на atNorth DEN01 предшествовали платформенные этапы и расширение регионов. Почему колокация и облако GPU предоставляют разные дополняющие результаты. (событие: 2026-10-27)
- [CoreWeave Denmark: Соглашение о тепле не является измерением энергии на токен](https://retrivium.ai/ru/retrospectives/retro-denmark-heat-reuse-boundary.md): Датский анонс CoreWeave связывает GPU-инфраструктуру с теплоснабжением. Почему соглашение о повторном использовании тепла задаёт новую границу системы, а не расход энергии на токен. (событие: 2026-10-27)
- [CoreWeave Denmark: Локальная GPU-площадка и глобальная сеть решают разные задачи размещения](https://retrivium.ai/ru/retrospectives/retro-denmark-local-global-network.md): CoreWeave объявила вычислительные мощности Дании вместе с сетевой магистралью. Как ранние планы регионов приводят к разным вопросам локальных запросов и перемещения между площадками. (событие: 2026-10-27)
- [LFM3: почему одна основа дала разные контракты модальностей](https://retrivium.ai/ru/retrospectives/lfm3-shared-backbone-retrospective.md): Анонс LFM3 важен тем, что общая основа модели не создаёт общего интерфейса приложения. (событие: 2026-10-27)
- [Анонс LFM3 и поддержка движков: что вышло одновременно](https://retrivium.ai/ru/retrospectives/lfm3-announcement-runtime-boundary.md): Анонс семейства LFM3 и запись поддержки движка отвечают на разные вопросы доступности, особенно когда одна основа обслуживает несколько модальностей. (событие: 2026-10-27)
- [LFM3: публикация весов и идентичность лицензии](https://retrivium.ai/ru/retrospectives/retro-liquid-lfm3-license-artifact.md): Общая основа LFM3 не заменяет запись лицензии конкретного артефакта, поскольку техническая преемственность и условия распространения описывают разные отношения. (событие: 2026-10-27)
- [LFM3: решения и генерируемые ответы как разные интерфейсы](https://retrivium.ai/ru/retrospectives/retro-liquid-lfm3-decision-interface.md): Решающим и разговорным вариантам LFM3 нужны разные контракты ответа, даже когда общая основа создаёт впечатление взаимозаменяемости моделей семейства. (событие: 2026-10-27)
- [Почему sleep framework превращает память в жизненный цикл](https://retrivium.ai/ru/retrospectives/sleep-framework-memory-lifecycle.md): Ретроспектива sleep framework: постоянная адаптация и причины, по которым полезной памяти модели нужны правила принятия, консолидации и удаления. (событие: 2026-10-27)
- [Как забывание стало главным испытанием непрерывного обучения](https://retrivium.ai/ru/retrospectives/sleep-framework-evaluation-forgetting.md): Как непрерывное обучение пришло к сложному вопросу оценки: сохранению прежних способностей при освоении новых, за пределами результата свежей задачи. (событие: 2026-10-27)
- [Зачем обучающейся модели границы версий при инференсе](https://retrivium.ai/ru/retrospectives/sleep-framework-serving-version-boundaries.md): Ретроспектива непрерывного обучения и эксплуатации инференса: идентичность весов, изоляция кешей и граница между обучением и обслуживанием запросов. (событие: 2026-10-27)
- [Как поиск и обновление весов разделили роли памяти](https://retrivium.ai/ru/retrospectives/sleep-framework-rag-weight-updates.md): Как обсуждение sleep framework проясняет разные задачи поиска, контекста и постоянной адаптации модели, с проверкой через альтернативный сценарий. (событие: 2026-10-27)
- [Terra 6.1 и экономика повторяющихся визуальных действий](https://retrivium.ai/ru/retrospectives/terra61-visual-action-economics.md): Terra расширила эффективное управление компьютером, но завершённая визуальная задача включает наблюдения, браузер, ожидание и восстановление. (событие: 2026-10-26)
- [Что заявления о достоверности Terra оставляют прикладным тестам](https://retrivium.ai/ru/retrospectives/terra61-factuality-evaluation-slices.md): Заявления Terra о достоверности дают повод для опыта; отдельно проверяйте объекты, значения, уточнения и редакции источников на корпусе приложения. (событие: 2026-10-26)
- [Почему улучшенному визуальному рассуждению нужна проверка состояния экрана](https://retrivium.ai/ru/retrospectives/terra61-screen-state-verification.md): Terra может точно понять снимок, но устаревший экран всё равно приведёт к неверному действию; отделяйте понимание от свежести состояния. (событие: 2026-10-26)
- [Более ясный текст Terra меняет человеческую проверку](https://retrivium.ai/ru/retrospectives/terra61-writing-and-agent-reviews.md): Terra сочетает ясный текст с управлением компьютером; проверяйте сохранение доказательств результата и неопределённости, а не только стиль. (событие: 2026-10-26)
- [Раскрытие SGLang: когда отклонённый запрос всё ещё проходил handoff](https://retrivium.ai/ru/retrospectives/sglang-rejection-handoff-security-history.md): Раскрытие SGLang показывает, почему отклонение запроса должно завершать жизненный цикл ресурсов, а не только формировать ответ об ошибке. (событие: 2026-10-26)
- [Раскрытие SGLang: настроенный контекст не равен доступной ёмкости обработки](https://retrivium.ai/ru/retrospectives/retro-sglang-isolation-disclosure-admission.md): Раскрытие SGLang в историческом контексте: как длинный контекст и распределённое обслуживание выявили границу конфигурации, допуска и передачи запроса. (событие: 2026-10-26)
- [Время жизни кеша SGLang: что должно подтверждать завершение передачи](https://retrivium.ai/ru/retrospectives/retro-sglang-isolation-disclosure-lifetime-acks.md): Ретроспектива обновления изоляции SGLang: асинхронное владение кешем и различие служебного подтверждения и доказательства безопасного повторного использования. (событие: 2026-10-26)
- [Kimi K3.1 Pro: запуск продукта и ещё будущая публикация весов](https://retrivium.ai/ru/retrospectives/kimi31-pro-launch-before-weight-date.md): Запуск Kimi K3.1 Pro и обещанная публикация весов являются разными историческими фактами на дату обзора. (событие: 2026-10-23)
- [BoltE4B: происхождение Gemma внутри семейства Nemotron](https://retrivium.ai/ru/retrospectives/bolt-e4b-gemma-lineage-not-moe-scale.md): Релиз BoltE4B показывает, почему название продуктового семейства не заменяет происхождение модели. (событие: 2026-10-23)
- [Moonshot запускает Kimi K3.1 Pro до обещанной публикации весов: thinking-only доступ и миграция клиента](https://retrivium.ai/ru/retrospectives/retro-kimi31-pro-thinking-only.md): Доступ Kimi K3.1Pro только с рассуждением требует совместимого запроса клиента, поэтому отказ неподдерживаемой настройки режима не доказывает неспособность модели выполнить исходную прикладную задачу. (событие: 2026-10-23)
- [Moonshot запускает Kimi K3.1 Pro до обещанной публикации весов: будущие веса на дату обзора](https://retrivium.ai/ru/retrospectives/retro-kimi31-pro-weight-promise.md): Обещание весов K3.1Pro к 4 ноября оставалось будущим на срезе 3 ноября, поэтому его нельзя записывать как уже завершённую доступность артефакта. (событие: 2026-10-23)
- [Moonshot запускает Kimi K3.1 Pro до обещанной публикации весов: переходы сессий между поколениями моделей](https://retrivium.ai/ru/retrospectives/retro-kimi31-pro-session-boundary.md): Рекомендации перехода Kimi K3.1Pro делают миграцию решением о состоянии, поскольку перенос старого разговора меняет эффективный вход оценки новой модели и её последующих действий. (событие: 2026-10-23)
- [NVIDIA публикует Nemotron3.5 BoltE4B: обозначение памяти и состояние сессии](https://retrivium.ai/ru/retrospectives/retro-nemotron35-bolt-e4b-footprint-name.md): Метка 4GB NemotronBoltE4B описывает целевой расход, а не гарантию размещения произвольного контекста, конкурентных сессий и всех компонентов приложения внутри этого общего объёма памяти. (событие: 2026-10-23)
- [NVIDIA публикует Nemotron3.5 BoltE4B: выход для речи и аргументы инструментов](https://retrivium.ai/ru/retrospectives/retro-nemotron35-bolt-e4b-conversational-mode.md): Краткая разговорная роль NemotronBoltE4B не делает удобную для речи формулировку и машинные аргументы инструмента взаимозаменяемыми выходами, даже когда оба создаёт один специалист приложения. (событие: 2026-10-23)
- [NVIDIA публикует Nemotron3.5 BoltE4B: происхождение базовой модели и post-training](https://retrivium.ai/ru/retrospectives/retro-nemotron35-bolt-e4b-gemma-adaptation.md): Происхождение Gemma и дообучение NemotronBoltE4B дополняют идентичность модели, не устанавливая одинаковые запросы и поведение всех артефактов двух продуктовых семейств при использовании клиентом. (событие: 2026-10-23)
- [Почему ограниченному ответу понадобился отдельный API](https://retrivium.ai/ru/retrospectives/decisions-ga-bounded-answer-contract.md): Decisions GA сделал ограниченный вывод явным контрактом API; категории, прикладное отображение и нерешённые случаи требуют отдельной приёмки. (событие: 2026-10-22)
- [Типизированные решения не определяют правильную политику отказа](https://retrivium.ai/ru/retrospectives/decisions-ga-rejection-policy.md): Decisions GA сужает синтаксис вывода, а отклонение и эскалация требуют разметки, явных нерешённых случаев и версионируемой политики действий. (событие: 2026-10-22)
- [Больше вопросов в запросе меняют связанность ошибок](https://retrivium.ai/ru/retrospectives/decisions-ga-batch-question-coupling.md): Decisions GA удвоил предел вопросов; крупным пакетам нужны область доказательств каждого вопроса, идентичность результата и проверенный контракт восстановления. (событие: 2026-10-22)
- [Decisions и GPT-Live разделяют диалог и выбор действия](https://retrivium.ai/ru/retrospectives/decisions-ga-voice-action-separation.md): Decisions GA связал ограниченный инференс с GPT-Live; сохраняйте запрос, чтобы задержанный выбор не действовал незаметно по старому намерению. (событие: 2026-10-22)
- [Google Agent Compute Engine: Почему сервер модели и компьютер агента требуют разных жизненных циклов](https://retrivium.ai/ru/retrospectives/retro-agent-compute-brain-hands.md): Agent Compute Engine Google появился после маршрутизации инференса и confidential computing. Почему обслуживанию модели и рабочему компьютеру агента нужны разные жизненные циклы. (событие: 2026-10-22)
- [Google Agent Compute Engine: Пауза агента — сначала задача состояния, затем плотности](https://retrivium.ai/ru/retrospectives/retro-agent-compute-pause-state.md): Анонс Agent Compute Engine Google последовал за примитивами маршрутизации и доверия. Почему checkpoint простаивающего агента требует согласованного состояния до выводов об эффективности. (событие: 2026-10-22)
- [Google Agent Compute Engine: Хранение секретов за sandbox меняет границу отказа](https://retrivium.ai/ru/retrospectives/retro-agent-compute-egress-secrets.md): Agent Compute Engine Google оставляет долгоживущие учётные данные вне песочницы. Как ранний confidential computing ведёт к другой границе вокруг разрешённых действий. (событие: 2026-10-22)
- [Google Agent Compute Engine: Внутреннее использование и внешний preview — разные состояния выпуска](https://retrivium.ai/ru/retrospectives/retro-agent-compute-internal-preview.md): Анонс Agent Compute Engine Google описывает внутреннее применение и будущий внешний preview. Как ранние этапы инфраструктуры объясняют различие этих статусов выпуска. (событие: 2026-10-22)
- [Как лесной AI перешёл от наличия деревьев к пониманию землепользования](https://retrivium.ai/ru/retrospectives/forest-ai-land-cover-to-land-use.md): Как развитие AI-карт типов леса выявило различие между наблюдением древесного покрова и интерпретацией землепользования за зелёным пикселем. (событие: 2026-10-22)
- [Почему картам лесов нужны точные категории наряду с мелкими пикселями](https://retrivium.ai/ru/retrospectives/forest-ai-labels-before-resolution.md): Почему AI-картам леса нужны надёжные эталонные метки наряду с детальными наблюдениями и как разделить их вклад при оценке результата. (событие: 2026-10-22)
- [Как изменение лесных карт выявило проблему сравнимости во времени](https://retrivium.ai/ru/retrospectives/forest-ai-temporal-comparability.md): Как AI-карты леса выявляют временную проблему оценки: различение реального изменения ландшафта и изменений категорий, наблюдений или версии модели. (событие: 2026-10-22)
- [Duet включил выбор повода для внимания в агентный продукт](https://retrivium.ai/ru/retrospectives/duet-proactive-attention-policy.md): Почему проактивный Duet добавляет задачу отбора внимания, где обоснованное молчание и уведомление проверяются отдельно от доступа к источникам. (событие: 2026-10-21)
- [Анонс Duet не равен широкой доступности](https://retrivium.ai/ru/retrospectives/duet-preview-access-vs-capability.md): Как читать октябрьский исследовательский анонс Claude Duet, различая очередь доступа, возможности продукта и последующие обновления страницы. (событие: 2026-10-21)
- [Фоновой работе Duet нужны подтверждаемые сигналы завершения](https://retrivium.ai/ru/retrospectives/duet-background-work-completion-signals.md): Почему фоновым уведомлениям Duet нужно различать обнаружение, подготовку, попытку и подтверждённое завершение по проверяемому исходу. (событие: 2026-10-21)
- [Подключённым бизнес-действиям нужно явное намерение операции](https://retrivium.ai/ru/retrospectives/duet-actions-vs-financial-intent.md): Как деловые подключения Claude Duet разделяют обратимую подготовку, стабильное подтверждённое предложение и свидетельства итоговой операции. (событие: 2026-10-21)
- [Почему доверие AI-облака охватывает ключи, поддержку и runtime](https://retrivium.ai/ru/retrospectives/retro-zero-trust-key-authority-runtime.md): Framework CoreWeave связывает полномочия ключей, разрешение поддержки и проверку runtime. Ценность зависит от пути решений между защищёнными данными и разрешённым исполнением. (событие: 2026-10-21)
- [Конфиденциальные вычисления: обещанное расширение и фактический охват](https://retrivium.ai/ru/retrospectives/retro-confidential-compute-announced-versus-deployed.md): Расширение confidential computing CoreWeave имеет оборудование, предполагаемый срок и начальную область. Эти измерения нужно отделять от завершённого охвата нагрузки. (событие: 2026-10-21)
- [Как читать zero-trust платформу без превращения в гарантию](https://retrivium.ai/ru/retrospectives/retro-zero-trust-ai-framework-verification.md): Framework CoreWeave группирует границы доверия. Механизмам, эксплуатационным политикам и будущим расширениям нужны разные подтверждения для вывода о конкретной нагрузке. (событие: 2026-10-21)
- [Доступ поддержки и доверие к runtime — разные слои zero trust](https://retrivium.ai/ru/retrospectives/retro-zero-trust-support-runtime-separation.md): Разрешение поддержки и проверка runtime управляют разными решениями. Полномочия обслуживания, подтверждение среды и продолжение нагрузки требуют отдельных связанных записей. (событие: 2026-10-21)
- [От preview Confidential G4 к границе общей доступности](https://retrivium.ai/ru/retrospectives/retro-confidential-g4-preview-ga.md): Confidential G4 перешёл из preview в GA с указанным оборудованием и зонами. Связанная интеграция Confidential Space сохранила отдельный статус развёртывания. (событие: 2026-10-21)
- [Почему аттестация предшествует выдаче секретов модели](https://retrivium.ai/ru/retrospectives/retro-confidential-g4-attestation-release.md): Удалённая аттестация связывает выдачу секрета модели с подтверждением среды. GA Confidential G4 не отменяет политику ключей и авторизацию приложения. (событие: 2026-10-21)
- [Тридцать шесть зон — не тридцать шесть независимых регионов](https://retrivium.ai/ru/retrospectives/retro-confidential-g4-zones-regions.md): GA Confidential G4 сообщил о 36 зонах. Сохранение единицы не преувеличивает разнообразие регионов и не обещает мощность конкретному аккаунту. (событие: 2026-10-21)
- [Confidential G4 и Confidential Space имели разные состояния запуска](https://retrivium.ai/ru/retrospectives/retro-confidential-g4-space-rollout.md): Confidential G4 достиг GA, а интеграция Confidential Space имела отдельное развёртывание в следующие недели. Зрелость компонента и композиции требует разных подтверждений. (событие: 2026-10-21)
- [Звонок AI-RAN в живой сети не означает национальное развёртывание](https://retrivium.ai/ru/retrospectives/retro-airan-pilot-commercial-boundary.md): Обновление AI-RAN сообщило о звонке, полевых испытаниях и будущих пилотах с разными границами. Эти этапы не устанавливают национального развёртывания. (событие: 2026-10-21)
- [Радиообработка и edge-инференс делят оборудование, но не сроки](https://retrivium.ai/ru/retrospectives/retro-airan-inference-radio-coexistence.md): AI-RAN объединяет радио и AI на общей инфраструктуре, сохраняя разные сроки и изоляцию. Кажущаяся свободной мощность не равна обязательству сервиса инференса. (событие: 2026-10-21)
- [Новые конфигурации ARC уточняют смысл сетевого edge](https://retrivium.ai/ru/retrospectives/retro-airan-central-edge-placement.md): Новые ARC включают централизованные высокоёмкие площадки. Утверждениям о периферии нужны конкретное размещение и путь запроса вместо единого ярлыка edge. (событие: 2026-10-21)
- [Почему земля, энергия и оптика оператора — только первый слой AI](https://retrivium.ai/ru/retrospectives/retro-airan-operator-assets-stack.md): Активы связи помогают развёртыванию, но сами не предоставляют serving модели. ARC добавляет вычисления и ПО с готовностью, зависящей от конкретной площадки. (событие: 2026-10-21)
- [Релиз retrieval Nemotron3.5: три этапа конвейера подтверждений](https://retrivium.ai/ru/retrospectives/nemotron35-three-evidence-stages-release.md): Релиз retrieval Nemotron важен разделением извлечения, поиска кандидатов и повторного ранжирования как этапов подтверждения. (событие: 2026-10-21)
- [Granite Speech 5: транскрипция, TurboCTC и определение говорящего](https://retrivium.ai/ru/retrospectives/granite-speech5-three-contracts.md): Granite Speech5 разделяет транскрипцию, речевую генерацию и атрибуцию, поэтому октябрьский анонс нельзя свести к одному рейтингу распознавания. (событие: 2026-10-21)
- [Humming: почему общему представлению квантования нужны разные ядра](https://retrivium.ai/ru/retrospectives/humming-format-kernel-contract-release.md): Humming объединяет представление квантования, но общее представление не отменяет необходимость ядер, специализированных под устройства и нагрузки. (событие: 2026-10-21)
- [NVIDIA анонсирует Nemotron3.5 Embed,Rerank и Parse: изображения страниц в dense-поиске](https://retrivium.ai/ru/retrospectives/retro-nemotron35-retriever-page-images.md): Визуальный dense retrieval Nemotron делает сведения страницы доступными поиску, но релевантная страница ещё не является точной региональной цитатой, подтверждающей конкретное утверждение окончательного ответа. (событие: 2026-10-21)
- [NVIDIA анонсирует Nemotron3.5 Embed,Rerank и Parse: повторное ранжирование и отсутствующие кандидаты](https://retrivium.ai/ru/retrospectives/retro-nemotron35-retriever-rerank-contract.md): Reranker Nemotron меняет порядок полученных кандидатов, но не восстанавливает существенный документ, который предшествующий поиск вообще не передал в рассматриваемый ограниченный набор для оценки. (событие: 2026-10-21)
- [Nemotron 3.5: разбор документов перед построением эмбеддингов](https://retrivium.ai/ru/retrospectives/retro-nemotron35-retriever-parser-boundary.md): Parser рядом с retrieval-моделями Nemotron выделяет подготовку документов отдельной границей свидетельств, поскольку правильный поиск не восстанавливает отношения источника, потерянные ещё до индексации. (событие: 2026-10-21)
- [IBM обновляет Granite Speech5 и модели определения говорящего: CTC-декодирование и генерация речевой языковой модели](https://retrivium.ai/ru/retrospectives/retro-ibm-speech5-ctc-versus-slm.md): Granite Speech5.0 объединяет разные пути обработки речи. Разбираем, почему CTC-транскрипция и генерация речевой языковой модели требуют разных проверок. (событие: 2026-10-21)
- [IBM обновляет Granite Speech5 и модели определения говорящего: авторство реплик за пределами точности слов](https://retrivium.ai/ru/retrospectives/retro-ibm-speech5-attribution.md): Атрибуция Granite Speech отвечает на вопросы о говорящем и времени реплики. Объясняем, почему точных слов недостаточно для обработки встреч и звонков. (событие: 2026-10-21)
- [IBM обновляет Granite Speech5 и модели определения говорящего: подсказки терминов и неподдержанные слова](https://retrivium.ai/ru/retrospectives/retro-ibm-speech5-keyword-bias.md): Подсказки терминов в Granite Speech помогают предметной лексике, но не заменяют аудиосвидетельство. Разбираем различие и предлагаемый способ проверки. (событие: 2026-10-21)
- [vLLM Humming: зачем общему квантованию специализированные ядра](https://retrivium.ai/ru/retrospectives/retro-vllm-humming-representation-jit.md): Ретроспектива Humming: как разнообразие форматов квантования привело к общему представлению тензоров и почему выполнение всё равно зависит от GPU и нагрузки. (событие: 2026-10-21)
- [Бенчмарки vLLM Humming: от быстрого ядра до полного запроса](https://retrivium.ai/ru/retrospectives/retro-vllm-humming-kernel-benchmark.md): Как ретроспективно читать результаты Humming: отделять работу ядра от очереди запросов и определять условия содержательного сравнения полного инференса. (событие: 2026-10-21)
- [Почему llm-d 1.0 стал этапом эксплуатации, а не только serving](https://retrivium.ai/ru/retrospectives/retro-llmd-day-two-milestone.md): llm-d 1.0 выделил стабильную конфигурацию, согласованные обновления и политику трафика. Повседневная эксплуатация стала отдельной частью распределённого инференса. (событие: 2026-10-20)
- [Локальность кэша и справедливость арендаторов могут конфликтовать](https://retrivium.ai/ru/retrospectives/retro-llmd-cache-fairness.md): llm-d 1.0 соединил serving с учётом кэша и управление справедливостью. Эффективность повторного использования и политика распределения решают разные задачи. (событие: 2026-10-20)
- [Почему обновления prefill и decode требуют общего жизненного цикла](https://retrivium.ai/ru/retrospectives/retro-llmd-coordinated-upgrades.md): Разделённые prefill и decode масштабируются отдельно, сохраняя общую совместимость. llm-d 1.0 сделал согласованные обновления явной задачей жизненного цикла. (событие: 2026-10-20)
- [TorchTPU меняет единицу переноса модели на TPU](https://retrivium.ai/ru/retrospectives/retro-torchtpu-porting-unit.md): TorchTPU предлагает нативный PyTorch на TPU. Он уменьшает переписывание определений моделей, перенося квалификацию к поведению бэкенда и путям исполнения. (событие: 2026-10-20)
- [Eager-отладка и compiled-serving отвечают на разные вопросы TPU](https://retrivium.ai/ru/retrospectives/retro-torchtpu-eager-compile.md): TorchTPU раскрывает eager и компиляцию. Корректный eager-выход не устанавливает задержку прогретого исполнения, стоимость подготовки или покрытие каждой формы входа. (событие: 2026-10-20)
- [Почему внешний TPU-плагин может сохранить управление vLLM](https://retrivium.ai/ru/retrospectives/retro-torchtpu-vllm-plugin.md): Плагин vLLM для TorchTPU разделяет общую логику serving и исполнение TPU. Общий интерфейс не устанавливает равенства каждой функции бэкенда. (событие: 2026-10-20)
- [Открытая поддержка TPU делает совместимость проверяемой, а не автоматической](https://retrivium.ai/ru/retrospectives/retro-torchtpu-open-source-validation.md): Открытый TorchTPU делает реализацию TPU и границы интеграции изучаемыми. Конкретным моделям и сочетаниям serving всё ещё нужны собственные подтверждения совместимости. (событие: 2026-10-20)
- [Voxtral3: релиз семейства, а не одной монолитной речевой модели](https://retrivium.ai/ru/retrospectives/voxtral3-four-stage-voice-release.md): Запуск Voxtral3 следует читать как релиз семейства и конвейера, а не единой универсальной речевой модели. (событие: 2026-10-20)
- [Релиз DeepInfer: почему открытый движок не является готовым сервисом](https://retrivium.ai/ru/retrospectives/deepinfer-public-engine-not-service.md): DeepInfer опубликовал реализацию инференса, но открытый код не превратил offline-исполнитель модели в полностью готовый облачный сервис. (событие: 2026-10-20)
- [vLLM TorchTPU: повторное использование модели не равно переносимости ядер](https://retrivium.ai/ru/retrospectives/torchtpu-model-code-versus-kernel-portability.md): vLLM TorchTPU повторно использует код обслуживания модели и явно выделяет платформенное исполнение, поэтому общий код не означает переносимость всех ядер. (событие: 2026-10-20)
- [Mistral представляет Voxtral3 и конвейер голосовых агентов: отдельные речевые этапы голосового агента](https://retrivium.ai/ru/retrospectives/retro-mistral-voxtral3-voice-stages.md): Голосовой агент Voxtral3 соединяет отдельные речевые стадии, поэтому успешный разговор нельзя приписать одной модели без определения всей породившей его цепочки компонентов. (событие: 2026-10-20)
- [Mistral представляет Voxtral3 и конвейер голосовых агентов: перебивания и решения о конце реплики](https://retrivium.ai/ru/retrospectives/retro-mistral-voxtral3-interruption.md): Разговорная постановка Voxtral3 требует оценки прерываний и границ реплик, поскольку точность транскрипции не объясняет момент действия агента или остановки его речи. (событие: 2026-10-20)
- [Mistral представляет Voxtral3 и конвейер голосовых агентов: собственное развёртывание и доступность весов](https://retrivium.ai/ru/retrospectives/retro-mistral-voxtral3-private-deployment.md): Предложение самостоятельного развёртывания Voxtral3 и публично скачиваемые веса являются разными контрактами доступа, поэтому одно не подтверждает другое для каждого компонента семейства. (событие: 2026-10-20)
- [DeepSeek публикует движок инференса DeepInfer: offline-инференс и полнота сервиса](https://retrivium.ai/ru/retrospectives/retro-deepinfer-public-offline-boundary.md): DeepInfer опубликовал основы offline-инференса. Разбираем, почему открытый движок и полноценный многопользовательский сервис остаются разными результатами разработки. (событие: 2026-10-20)
- [DeepSeek публикует движок инференса DeepInfer: первый commit и создание репозитория](https://retrivium.ai/ru/retrospectives/retro-deepinfer-public-commit-date.md): Публичный commit DeepInfer точнее устанавливает наличие кода, чем создание репозитория. Разбираем, почему разные даты проекта отвечают на разные вопросы. (событие: 2026-10-20)
- [Запуск vLLM TorchTPU: компиляция и обслуживание относятся к разным фазам](https://retrivium.ai/ru/retrospectives/retro-vllm-torchtpu-compilation.md): Ретроспектива TorchTPU: повторное использование моделей, компиляция графов и различие первого запуска, перезапуска и прогретого обслуживания запросов. (событие: 2026-10-20)
- [Совместимость vLLM TorchTPU: общему API нужна матрица функций](https://retrivium.ai/ru/retrospectives/retro-vllm-torchtpu-feature-matrix.md): Как TorchTPU пришёл к общему интерфейсу vLLM и почему семейства моделей, точность и проверенные сочетания развёртывания требуют отдельных свидетельств. (событие: 2026-10-20)
- [Анонс SMR в Индиане стал этапом проверки, а не поставкой энергии](https://retrivium.ai/ru/retrospectives/retro-indiana-smr-feasibility-gate.md): Соглашение SMR в Индиане изучает конкретный проект. Цели реакторов и мощности описывают осуществимость, а не поставленную энергию или завершённое инвестиционное решение. (событие: 2026-10-19)
- [Почему вторая площадка SMR проверяет модель развёртывания вместе с реактором](https://retrivium.ai/ru/retrospectives/retro-indiana-smr-repeat-site.md): Индиана расширяет программу X-energy на другую площадку и энергокомпанию. Повторные проекты проверяют переносимость, не доказывая реализованной экономии обучения. (событие: 2026-10-19)
- [Amazon Indiana: Бывшая угольная площадка даёт инфраструктурную основу, а не автоматический допуск АЭС](https://retrivium.ai/ru/retrospectives/retro-indiana-coal-site-reuse.md): Ядерному анонсу Amazon в Индиане предшествовали финансирование реакторов и план другой площадки. Разбираем возможности и пределы повторного использования угольного объекта. (событие: 2026-10-19)
- [Amazon Indiana: Финансирование разработки и покупка электроэнергии играют разные роли](https://retrivium.ai/ru/retrospectives/retro-indiana-offtake-development.md): Как ранние инвестиции Amazon в реакторы предшествовали соглашению в Индиане, где поддержка разработки сочетается с будущей покупкой электроэнергии и разными обязательствами. (событие: 2026-10-19)
- [MiniMax M3.1Flash: что установило раскрытие SpaceBunny и что ещё ожидалось](https://retrivium.ai/ru/retrospectives/minimax-m31-spacebunny-to-named-release.md): MiniMax M3.1Flash превратил preview SpaceBunny в именованный API-релиз, хотя публикация скачиваемых весов в анонсе оставалась следующим этапом. (событие: 2026-10-19)
- [MiniMax раскрывает M3.1Flash после preview SpaceBunny: анонимное preview и доказательства именованной модели](https://retrivium.ai/ru/retrospectives/retro-minimax-m31-api-stealth-evidence.md): MiniMax назвал SpaceBunny ранней версией M3.1Flash. Разбираем, что показывает обратная связь анонимного preview и чему нужна отдельная контролируемая оценка. (событие: 2026-10-19)
- [MiniMax раскрывает M3.1Flash после preview SpaceBunny: запуск API до условий checkpoint](https://retrivium.ai/ru/retrospectives/retro-minimax-m31-api-checkpoint-release.md): Запуск M3.1Flash разделял доступность API и последующий выпуск весов. Объясняем, почему доступ к интерфейсу и артефакты самостоятельного запуска имеют разные даты. (событие: 2026-10-19)
- [Timestral: почему ковариаты не являются контекстом чата](https://retrivium.ai/ru/retrospectives/timestral-covariates-not-chat-context.md): Релиз Timestral важен иным контрактом подтверждений прогнозирования, даже когда его и языковую генерацию называют foundation models. (событие: 2026-10-15)
- [Nemotron SuperVL: октябрьское расширение от текста к визуальным агентам](https://retrivium.ai/ru/retrospectives/super-vl-october-agent-modality-expansion.md): SuperVL расширяет агентное семейство визуальным исполнением, не делая участников взаимозаменяемыми. (событие: 2026-10-15)
- [Mistral представляет прогнозные модели Timestral: известные будущие входы и утечка](https://retrivium.ai/ru/retrospectives/retro-mistral-timestral-future-covariates.md): Будущие признаки Timestral должны быть известны в момент прогноза, а не включать последующие результаты, которых прогнозирующая система ещё не могла знать. (событие: 2026-10-15)
- [Mistral представляет прогнозные модели Timestral: вероятностные прогнозы и точечные ответы](https://retrivium.ai/ru/retrospectives/retro-mistral-timestral-uncertainty.md): Вероятностные прогнозы Timestral оценивают как предсказания с неопределённостью, не сводя их к гладкому ответу или точке, удаляющей смысл контракта модели. (событие: 2026-10-15)
- [Mistral представляет прогнозные модели Timestral: хронологические отложенные выборки после релиза](https://retrivium.ai/ru/retrospectives/retro-mistral-timestral-forecast-splits.md): Хронологический holdout Timestral сохраняет информацию каждого момента выдачи, поскольку zero-shot применение автоматически не делает ретроспективную оценку свободной от знания будущих результатов. (событие: 2026-10-15)
- [NVIDIA выпускает Nemotron3.5 SuperVL: визуальные документы и задачи видео](https://retrivium.ai/ru/retrospectives/retro-nemotron35-super-vl-visual-evidence.md): Мультимодальному релизу NemotronSuperVL нужны отдельные примеры документов и видео, поскольку распознавание страницы отличается от понимания события, разворачивающегося во времени между несколькими наблюдениями. (событие: 2026-10-15)
- [NVIDIA выпускает Nemotron3.5 SuperVL: роли исполнения и оркестрации](https://retrivium.ai/ru/retrospectives/retro-nemotron35-super-vl-role-complement.md): NemotronSuperVL и объявленные роли Bolt оценивают как разные варианты процесса, не считая новую визуальную модель универсальной заменой оркестрации и остальных обязанностей системы. (событие: 2026-10-15)
- [NVIDIA выпускает Nemotron3.5 SuperVL: адаптация и сохранённые проверки приёмки](https://retrivium.ai/ru/retrospectives/retro-nemotron35-super-vl-posttraining.md): Настройка NemotronSuperVL создаёт новый поведенческий артефакт, поэтому доступ к изменяемой модели не отменяет сохранения приёмочных тестов для свойств, которые должны пережить адаптацию. (событие: 2026-10-15)
- [Grok Voice 3.0: Решение обращения отличается от плавной речи](https://retrivium.ai/ru/retrospectives/grok-voice3-support-resolution.md): Grok Voice 3.0 подчёркивает исходы звонков поддержки. Ретроспектива различает решение задачи, правильность состояния инструментов и впечатление от речи. (событие: 2026-10-14)
- [Grok Voice 3.0: Низкая задержка аудио не гарантирует хороший обмен репликами](https://retrivium.ai/ru/retrospectives/grok-voice3-latency-vs-turn-taking.md): Почему обсуждению отзывчивости Grok Voice 3.0 нужны отдельные проверки первого аудио, полного намерения звонящего, прерываний и восстановления беседы. (событие: 2026-10-14)
- [Grok Voice 3.0: Обновлению голосовой модели нужен артефакт проверки регрессий](https://retrivium.ai/ru/retrospectives/grok-voice3-upgrade-audio-regression.md): Почему переходу на Grok Voice 3.0 нужен повторяемый сценарий с аудио, состоянием задачи и исходами инструментов, а не только сравнением текстовых запросов. (событие: 2026-10-14)
- [Приватность адресата и хранение данных — разные границы](https://retrivium.ai/ru/retrospectives/retro-openrouter-private-visibility-retention.md): Private Endpoints меняет видимость развёртывания и маршрута. Upstream-хранение не меняется автоматически; подготовительные тесты тоже остаются реальными запросами обработки. (событие: 2026-10-14)
- [Резервная мощность инференса и необязательный публичный fallback](https://retrivium.ai/ru/retrospectives/retro-openrouter-reserved-fallback.md): Private Endpoints даёт приоритет резерву с необязательным ограниченным публичным overflow. Клиент выбирает допустимость другого пути и поведения развёртывания. (событие: 2026-10-14)
- [Почему Private Endpoints не означают подключение любой собственной модели](https://retrivium.ai/ru/retrospectives/retro-openrouter-private-catalog-boundary.md): Private Endpoints использует идентичность каталога через поддерживаемого BYOK-провайдера и ключ workspace. Эти зависимости определяют Enterprise-функцию развёртывания, а не произвольный допуск поставщика. (событие: 2026-10-14)
- [Как AI-тексты создали проверочное узкое место перед Deep Review](https://retrivium.ai/ru/retrospectives/deep-review-verification-bottleneck.md): Как путь от пилотов Paper Assistant Tool к Deep Review отражает узкое место проверки технических утверждений на фоне роста текстов, созданных с помощью AI. (событие: 2026-10-14)
- [Почему утверждение стало единицей проверки технических документов](https://retrivium.ai/ru/retrospectives/deep-review-claim-evidence-unit.md): Почему проверке технических документов полезна единица из утверждения и его свидетельств, в истории развития, приведшей к публичному Deep Review. (событие: 2026-10-14)
- [Как авторская обратная связь отделилась от институционального рецензирования](https://retrivium.ai/ru/retrospectives/deep-review-author-feedback-institutions.md): Как добровольные пилоты обратной связи перед Deep Review проясняют разные роли помощи автору, независимого рецензирования и институционального решения. (событие: 2026-10-14)
- [Почему техническое рецензирование стало асинхронной AI-нагрузкой](https://retrivium.ai/ru/retrospectives/deep-review-asynchronous-compute.md): Почему систему вроде Deep Review полезно понимать как длительное задание проверки, с инфраструктурными потребностями, отличающимися от разговорного чата. (событие: 2026-10-14)
- [Как Earth AI показал потребность языковых моделей в пространственных инструментах](https://retrivium.ai/ru/retrospectives/earth-ai-specialized-tools.md): Как анонс геопространственных агентов Earth AI продолжает путь от общих пространственных представлений к специальным инструментам под управлением языковой модели. (событие: 2026-10-14)
- [Почему планетарным данным нужно рабочее пространство за пределами контекстного окна](https://retrivium.ai/ru/retrospectives/earth-ai-workspace-context-window.md): Почему архитектура геопространственных агентов Earth AI делает отдельное рабочее пространство важным, когда исходные данные больше полезного контекста модели. (событие: 2026-10-14)
- [Как предварительный план стал измеримой частью геопространственного агента](https://retrivium.ai/ru/retrospectives/earth-ai-planning-before-execution.md): Как оценка геопространственных агентов Earth AI превращает предварительный план в проверяемый выбор, отделяя качество планирования от дополнительных вычислений. (событие: 2026-10-14)
- [Почему геопространственным агентам всё ещё нужна граница экспертной проверки](https://retrivium.ai/ru/retrospectives/earth-ai-expert-review-boundary.md): Почему экспериментальным геопространственным агентам Earth AI нужна проверяемая граница между полезным черновиком и экспертно подтверждённым пространственным выводом. (событие: 2026-10-14)
- [Общий выпуск Argon сделал протокол продолжения решением интеграции](https://retrivium.ai/ru/retrospectives/argon-ga-unified-budget-continuation.md): Как общий выпуск Argon превращает длинное декодирование в клиентский контракт продолжения с общим бюджетом и проверкой сборки вывода. (событие: 2026-10-13)
- [Широкому доступу всё ещё нужна матрица платформ и планов](https://retrivium.ai/ru/retrospectives/argon-ga-platform-availability-matrix.md): Почему широкому выпуску Argon всё ещё нужна матрица платформ и планов, отделяющая демонстрацию приложения от приёмки API. (событие: 2026-10-13)
- [Стартовая цена Argon создала временное условие планирования](https://retrivium.ai/ru/retrospectives/argon-ga-introductory-economics.md): Как вводная цена Argon создаёт временное условие планирования отдельно от состава задач и сценариев постоянного использования. (событие: 2026-10-13)
- [Публичные инженерные артефакты делают анонс проверяемее](https://retrivium.ai/ru/retrospectives/argon-ga-public-artifacts-evidence.md): Как публичные инженерные артефакты Argon улучшают разбор причин без переноса бенчмарка фреймворка в неизмеренную производительность приложения. (событие: 2026-10-13)
- [LFM2.5-24B-A2B: финальный выпуск и новый контракт рассуждения](https://retrivium.ai/ru/retrospectives/lfm25-24b-final-family-release.md): Финальный выпуск LFM2.5 следует читать как изменение контракта рассуждения и адаптации, а не обещание малого размера всего checkpoint благодаря редкой активации. (событие: 2026-10-13)
- [Liquid выпускает LFM2.5-24B-A2B: reasoning-only ответы и структурированные клиенты](https://retrivium.ai/ru/retrospectives/retro-liquid-24b-reasoning-parser.md): Контракт reasoning-only LFM2.5-24B-A2B меняет распознавание завершения структурированным клиентом независимо от сравнения качества самой модели на задачах. (событие: 2026-10-13)
- [Liquid выпускает LFM2.5-24B-A2B: активные эксперты и размещение весов](https://retrivium.ai/ru/retrospectives/retro-liquid-24b-resident-experts.md): Разреженные вычисления LFM2.5-24B-A2B не устраняют полный набор весов, поэтому активным экспертам и размещённым артефактам нужен отдельный учёт. (событие: 2026-10-13)
- [Liquid выпускает LFM2.5-24B-A2B: расширение tokenizer и проверка миграции](https://retrivium.ai/ru/retrospectives/retro-liquid-24b-tokenizer-contract.md): Изменение tokenizer LFM2.5-24B-A2B делает идентичность входа частью миграции: прежний текст не обязательно сохраняет последовательность токенов и её бюджет. (событие: 2026-10-13)
- [Active Focus всё ещё требует условия остановки](https://retrivium.ai/ru/retrospectives/wonder-active-focus-stopping-rule.md): Почему Active Focus Muse Wonder нужны свидетельства продвижения и условия остановки, различающие исправимые ошибки и настоящие препятствия. (событие: 2026-10-12)
- [Active Memory ставит вопрос свежести доказательств](https://retrivium.ai/ru/retrospectives/wonder-active-memory-evidence-freshness.md): Почему Active Memory Muse Wonder нужна оценка свежести вместе с уместным воспоминанием при возвращении к меняющимся проектам и записям. (событие: 2026-10-12)
- [Wonder и Wonder Full вышли через разные пути доступа](https://retrivium.ai/ru/retrospectives/wonder-full-access-matrix.md): Почему начальным путям Wonder и Wonder Full нужна матрица варианта и среды вместо единого утверждения доступности всей семьи. (событие: 2026-10-12)
- [Helion и разделение выполнения агента и инференса](https://retrivium.ai/ru/retrospectives/retro-helion-cpu-agents-inference-split.md): Вариант Helion только с CPU выделяет отдельный уровень исполнения агентов. Расчёт мощности должен учитывать инструменты, вызовы моделей и зависимости между этапами. (событие: 2026-10-12)
- [Зачем Helion нужна корпоративная конфигурация CPU и GPU](https://retrivium.ai/ru/retrospectives/retro-helion-enterprise-mi350p-rack.md): Вариант Helion с EPYC и MI350P задаёт системную границу для предприятия. Ценность интеграции зависит от переходов внутри приложения, а не только от числа ускорителей. (событие: 2026-10-12)
- [Helion: спецификация, проект партнёра и доступность — разные этапы](https://retrivium.ai/ru/retrospectives/retro-helion-open-rack-availability.md): Открытая схема Helion, реализация партнёра и план доступности — разные этапы. Спецификация упрощает согласование, не подтверждая поставку или приёмку на площадке. (событие: 2026-10-12)
- [Стойка агентов без GPU меняет смысл учёта AI-мощности](https://retrivium.ai/ru/retrospectives/retro-helion-cpu-rack-accounting.md): Стойка Helion только с CPU выделяет три реестра: оборудование, готовую мощность сервиса и завершённую работу приложения. Их единицы нельзя просто складывать. (событие: 2026-10-12)
- [Подагентам Haiku 5.5 нужны узкие контракты делегирования](https://retrivium.ai/ru/retrospectives/haiku55-subagent-contract-size.md): Почему подагентам Haiku 5.5 нужны ограниченные вопросы и проверяемые ответы, прежде чем дешёвые вызовы улучшат эффективность всей задачи. (событие: 2026-10-07)
- [Дешёвые сводки расходуют бюджет пропусков](https://retrivium.ai/ru/retrospectives/haiku55-summary-omission-budget.md): Как проверять сводки Haiku 5.5 на существенные исключения и точные идентификаторы вместо признания краткого ответа достаточным качеством. (событие: 2026-10-07)
- [Управление браузером Haiku 5.5 выявляет составную ошибку действий](https://retrivium.ai/ru/retrospectives/haiku55-browser-action-composition.md): Почему браузерной оценке Haiku 5.5 нужно проверять идентичность цели и смену состояния во всей последовательности, а не правдоподобные нажатия. (событие: 2026-10-07)
- [Массовому потоку Haiku нужны срезы ошибок вместо среднего](https://retrivium.ai/ru/retrospectives/haiku55-volume-evaluation-slices.md): Почему массовой оценке Haiku 5.5 нужны срезы ошибок, учёт последствий и явная неопределённость помимо общего среднего. (событие: 2026-10-07)
- [План 240 МВт в Индии не означает доступные сегодня GPU](https://retrivium.ai/ru/retrospectives/retro-india-power-plan-not-gpu-availability.md): Индийский кампус CoreWeave — будущее поэтапное развёртывание. План мощности описывает инфраструктуру, а приложению нужны совпадающие сроки и выделенный путь исполнения. (событие: 2026-10-07)
- [Индонезия перед Индией: последовательность экспансии CoreWeave в Азии](https://retrivium.ai/ru/retrospectives/retro-coreweave-asia-region-sequencing.md): CoreWeave объявила Индонезию раньше Индии с отдельными планами поставки на 2028 год. Общая дорожная карта связывает проекты, не делая одинаковыми их пути ввода. (событие: 2026-10-07)
- [Почему будущий индийский кампус проектируют под инфраструктуру класса Rubin](https://retrivium.ai/ru/retrospectives/retro-india-rubin-facility-planning.md): Индийский план CoreWeave называет охлаждение и будущие поколения. Приспособляемость получает смысл через определённые интерфейсы здания и стойки и последующую квалификацию. (событие: 2026-10-07)
- [Три запланированных здания не устанавливают единую дату поставки в Индии](https://retrivium.ai/ru/retrospectives/retro-india-power-phase-timeline.md): CoreWeave указывает три здания и поэтапную поставку в Индии. Число зданий не устанавливает количество очередей ввода или общую дату готовности кампуса. (событие: 2026-10-07)
- [Open d1: почему модель решений имеет другой интерфейс, чем чат](https://retrivium.ai/ru/retrospectives/open-d1-not-generative-chat.md): Open d1 меняет форму интерфейса приложения: модель решений выдаёт ограниченный ответ без сочинения разговорной реплики. (событие: 2026-10-07)
- [Liquid публикует веса моделей решений Open d1: вероятности решений и политика приложения](https://retrivium.ai/ru/retrospectives/retro-liquid-d1-weights-probability-policy.md): Open d1 предоставляет интерфейс решений, но порог действия приложения остаётся отдельным выбором политики, который публикация модели сама не определяет. (событие: 2026-10-07)
- [Open d1: энкодерная и декодерная архитектуры моделей решений](https://retrivium.ai/ru/retrospectives/retro-liquid-d1-weights-encoder-decoder.md): Encoder и decoder варианты Open d1 решают связанную задачу через разные контракты входа, поэтому число параметров само не определяет выбор. (событие: 2026-10-07)
- [Liquid публикует веса моделей решений Open d1: переносимые веса и выполнение в браузере](https://retrivium.ai/ru/retrospectives/retro-liquid-d1-weights-browser-portability.md): Скачиваемые веса Open d1 позволяют исследовать браузерные эксперименты, но доступность файлов сама не устанавливает полный путь исполнения внутри браузера. (событие: 2026-10-07)
- [Как качество работы с AI стало отдельным вопросом от роста навыков](https://retrivium.ai/ru/retrospectives/ai-work-quality-vs-skill.md): Как спор о работе с AI пришёл к отдельному вопросу самостоятельного навыка, в контексте октябрьского исследования Google о профессиональном обучении. (событие: 2026-10-07)
- [Почему опыт меняет вопрос обучения при работе с AI](https://retrivium.ai/ru/retrospectives/ai-work-seniority-learning.md): Почему профессиональный опыт меняет вопрос обучения при помощи AI, в истории, приведшей к октябрьскому исследованию Google о качестве работы. (событие: 2026-10-07)
- [Как самостоятельные задания стали необходимы для оценки AI-инструментов](https://retrivium.ai/ru/retrospectives/ai-work-transfer-testing.md): Как самостоятельные задания переноса стали нужны для оценки обучения с AI, отделяя полезность инструмента от устойчивого изменения компетентности человека. (событие: 2026-10-07)
- [Увеличение мощности добавляет выработку без строительства нового реактора](https://retrivium.ai/ru/retrospectives/retro-nuclear-uprate-new-reactor.md): Соглашение Constellation нацелено на повышение мощности работающих АЭС. Новые реакторы, перезапуски и модернизация имеют разные физические исходные состояния. (событие: 2026-10-06)
- [Энергетический PPA для AI живёт дольше поколения GPU](https://retrivium.ai/ru/retrospectives/retro-nuclear-ppa-time-horizon.md): Долгосрочная закупка ядерной энергии и GPU идут по разным расписаниям. Соглашение модернизации поддерживает предложение, а не дату поставки определённого ускорителя. (событие: 2026-10-06)
- [Сохранить атомную выработку и добавить её — разные величины](https://retrivium.ai/ru/retrospectives/retro-nuclear-capacity-additionality.md): Ядерные соглашения меняют разные базы: строительство, восстановление, прирост и сохранённый выпуск. До сложения мощности нужно назвать исходное состояние. (событие: 2026-10-06)
- [Атомная мощность для сети не описывает мгновенный энергобаланс ЦОД](https://retrivium.ai/ru/retrospectives/retro-nuclear-grid-datacenter-boundary.md): Ядерная закупка поддерживает предложение. Она не устанавливает мгновенный состав электричества ЦОД или измеренный энергетический след сервиса инференса. (событие: 2026-10-06)
- [Preview Mistral Large4: что было доступно 6 октября](https://retrivium.ai/ru/retrospectives/mistral-large4-preview-versus-release.md): Preview Mistral Large4 создал поверхность оценки раньше загружаемого артефакта развёртывания. (событие: 2026-10-06)
- [Mistral показывает Large4 до публикации весов: доступ preview и оценка защитных задач](https://retrivium.ai/ru/retrospectives/retro-mistral-large4-preview-preview-cyber.md): Preview Mistral Large4 даёт реальную поверхность оценки, но успешный тест не подтверждает последующий checkpoint, который может пройти дополнительное обучение после открытого доступа. (событие: 2026-10-06)
- [Mistral показывает Large4 до публикации весов: API-доступ до контроля развёртывания](https://retrivium.ai/ru/retrospectives/retro-mistral-large4-preview-preview-portability.md): API-preview Mistral Large4 позволил оценивать задачи раньше управления самостоятельно размещёнными весами, поэтому решения внедрения для этих маршрутов должны оставаться различимыми. (событие: 2026-10-06)
- [Mistral показывает Large4 до публикации весов: benchmark-заявления до воспроизводимых артефактов](https://retrivium.ai/ru/retrospectives/retro-mistral-large4-preview-preview-evals.md): Заявленный benchmark preview Mistral Large4 и независимо воспроизведённый результат являются разными видами свидетельств, даже когда относятся к одному названию задачи. (событие: 2026-10-06)
- [Как задержки отчётности сделали эмбеддинги мест полезными для исследований здоровья](https://retrivium.ai/ru/retrospectives/earth-ai-health-reporting-lag.md): Как задержки отчётности создают роль для эмбеддингов мест в исследованиях здоровья Earth AI и почему важно проверять данные, доступные в момент прогноза. (событие: 2026-10-06)
- [Почему трансграничные модели здоровья нуждаются в проверке географического переноса](https://retrivium.ai/ru/retrospectives/earth-ai-health-geographic-transfer.md): Почему исследования общественного здоровья Earth AI делают географический перенос отдельной задачей оценки даже при использовании общих представлений мест. (событие: 2026-10-06)
- [Как эмбеддинги мест обострили различие между прогнозом и причиной](https://retrivium.ai/ru/retrospectives/earth-ai-health-proxy-causality.md): Как представления мест Earth AI делают различие полезного предсказания и причинного объяснения особенно важным для исследований общественного здоровья. (событие: 2026-10-06)
- [Запуск d1 vision: API решений до публикации весов](https://retrivium.ai/ru/retrospectives/d1-hosted-vision-before-open-weights.md): Анонс hosted d1 vision сделал вопросы политики по тексту и изображениям интерфейсом приложения до последующей публикации весов. (событие: 2026-10-05)
- [Liquid представляет решения d1 с визуальным входом: версионирование вопроса в API решений](https://retrivium.ai/ru/retrospectives/retro-liquid-d1-vision-policy-version.md): Облачный запуск d1 сделал вопрос частью поведения приложения, поэтому его изменение может быть релизом даже без смены названия модели. (событие: 2026-10-05)
- [Liquid представляет решения d1 с визуальным входом: визуальные условия и текстовые метки](https://retrivium.ai/ru/retrospectives/retro-liquid-d1-vision-image-condition.md): Запуск d1 vision изменил доступные решению свидетельства, поэтому текстовый контрольный пример не подтверждает правильную проверку условия, зависящего от изображения. (событие: 2026-10-05)
- [Liquid представляет решения d1 с визуальным входом: неопределённые решения до публикации весов](https://retrivium.ai/ru/retrospectives/retro-liquid-d1-vision-abstention-contract.md): Облачный анонс d1 открыл ограниченные решения до публикации весов, но не снял ответственность приложения за неопределённые случаи и вопросы без достаточных оснований. (событие: 2026-10-05)
- [Как приватность агентов перешла от хранения секретов к уместной передаче данных](https://retrivium.ai/ru/retrospectives/agent-privacy-information-flow.md): Как доклад о контекстной приватности агентов отражает переход от защиты хранимых секретов к управлению уместной для задачи передачей информации. (событие: 2026-10-05)
- [Почему делегирование работы агентам требует ограничивать полномочия](https://retrivium.ai/ru/retrospectives/agent-privacy-delegation-authority.md): Почему переход от инструментов к делегирующим агентам превращает границы полномочий в часть контракта задачи, в контексте октябрьского доклада о приватности. (событие: 2026-10-05)
- [Как усталость от подтверждений стала задачей дизайна AI-агентов](https://retrivium.ai/ru/retrospectives/agent-privacy-confirmation-fatigue.md): Как автономность агентов превратила усталость от подтверждений в проблему приватности и взаимодействия и почему полезным границам нужно больше частых запросов. (событие: 2026-10-05)
- [Почему наблюдаемость агентов требует собственной границы приватности](https://retrivium.ai/ru/retrospectives/agent-privacy-security-observability.md): Почему обсуждение контекстной приватности создаёт вторую границу вокруг наблюдаемости: трассировку действий без ненужного хранения частного содержимого. (событие: 2026-10-05)
- [Младшая конфигурация Spark меняет объём памяти до смены вычислительной платформы](https://retrivium.ai/ru/retrospectives/retro-spark-64-capacity-choice.md): Вариант DGX Spark с 64 ГБ меняет уровень памяти платформы GB10. Состояние нагрузки и поставка партнёра остаются частью выбора конфигурации. (событие: 2026-10-02)
- [Две системы Spark добавляют распределённую ёмкость, а не общую локальную шину](https://retrivium.ai/ru/retrospectives/retro-spark-cluster-memory-locality.md): Sync Cluster Assistant упрощает настройку нескольких Spark. Соединённые системы сохраняют распределённое размещение и обмен вместо единой локальной шины памяти. (событие: 2026-10-02)
- [Почему дата публикации Spark отличается от даты поставок партнёров](https://retrivium.ai/ru/retrospectives/retro-spark-announced-shipping-date.md): Публикация конфигурации Spark и плановая партнёрская доступность обозначают разные этапы. Объявлению, поставке и приёмке нужны отдельные подтверждения. (событие: 2026-10-02)
- [Локальная мощность инференса не делает весь агентный процесс автономным](https://retrivium.ai/ru/retrospectives/retro-spark-local-agent-scope.md): Локальный инференс Spark меняет место исполнения модели. Инструменты агента, загрузки артефактов, история и внешние сервисы сохраняют собственные границы расположения. (событие: 2026-10-02)
- [Как федеративное обучение пришло к требованию проверяемого доверия](https://retrivium.ai/ru/retrospectives/federated-learning-verifiable-trust.md): Как история защищённой агрегации и федеративного обучения приводит к октябрьскому предложению Google о внешне проверяемых гарантиях приватности. (событие: 2026-10-02)
- [Почему перенос вычислений не решает вопрос приватности сам по себе](https://retrivium.ai/ru/retrospectives/federated-learning-compute-placement.md): Почему октябрьское предложение Google о федеративном обучении разделяет размещение вычислений и гарантии приватности за пределами ярлыков локального и облачного. (событие: 2026-10-02)
- [Как участие устройств стало частью качества обучения](https://retrivium.ai/ru/retrospectives/federated-learning-device-participation.md): Как ограничения устройств в федеративном обучении сделали участие частью качества модели и почему октябрьский анонс обновляет этот вопрос оценки. (событие: 2026-10-02)
- [Почему гарантии приватности должны сохраняться во всём процессе обучения](https://retrivium.ai/ru/retrospectives/federated-learning-guarantee-composition.md): Почему история приватного федеративного обучения приводит к гарантиям всего процесса, включая повторные публикации, состояние проверки и эксплуатационные изменения. (событие: 2026-10-02)
- [У Argon были разные часы анонса и доступа](https://retrivium.ai/ru/retrospectives/argon-preview-phased-release-clock.md): Почему сентябрьскому анонсу Gemini 4 Argon нужно сохранять ограниченный начальный доступ вместо переноса широкой доступности назад. (событие: 2026-09-30)
- [Большой вывод не определяет завершённый проект](https://retrivium.ai/ru/retrospectives/argon-preview-long-output-completion.md): Почему расширенному выводу Argon всё равно нужны правила завершения, смысловая непрерывность и свидетельства приёмки проекта. (событие: 2026-09-30)
- [Заявлениям о миграции кода нужны доказательства эквивалентности](https://retrivium.ai/ru/retrospectives/argon-preview-code-migration-evidence.md): Почему примерам миграции Argon нужны контракты поведения и ограниченные свидетельства эквивалентности помимо объёма и примеров скорости. (событие: 2026-09-30)
- [Внутренние примеры агентов не доказывают внешнюю воспроизводимость](https://retrivium.ai/ru/retrospectives/argon-preview-agent-work-internal-external.md): Как внутренние примеры Argon становятся гипотезами переносимости без предположения одинаковых входов, инструментов и проверки у внешней команды. (событие: 2026-09-30)
- [Micron: Образец RDIMM на 512 ГБ — этап квалификации сервера](https://retrivium.ai/ru/retrospectives/retro-micron-rdimm-sampling-capacity.md): Сентябрьским образцам RDIMM Micron на 512 ГБ предшествовали выпуск другой памяти и менее ёмкие образцы. Что эта последовательность означает для квалификации сервера. (событие: 2026-09-30)
- [Micron: Поставка SSD для KV-кэша не превращает накопитель в HBM](https://retrivium.ai/ru/retrospectives/retro-micron-ssd-kv-cache-role.md): Сообщению Micron о поставках SSD для KV-кэша предшествовал выпуск накопителей Gen6. Почему их роль в инференсе связана с повторным использованием состояния, а не заменой HBM по объёму. (событие: 2026-09-30)
- [Micron: Поставкам памяти нужен журнал образцов, квалификации и отгрузок](https://retrivium.ai/ru/retrospectives/retro-micron-memory-product-stage-ledger.md): Ретроспектива мартовских, июньских и сентябрьских сообщений Micron показывает, почему образцы памяти ИИ, производство и прикладные поставки нужно учитывать по отдельным продуктам. (событие: 2026-09-30)
- [Micron: Рост бизнеса AI-памяти не определяет узкое место приложения](https://retrivium.ai/ru/retrospectives/retro-micron-portfolio-inference-bottleneck.md): Рост бизнеса памяти ИИ у Micron последовал за конкретными продуктовыми этапами. Почему рыночный сигнал объясняет отраслевые инвестиции, но не определяет узкое место инференса. (событие: 2026-09-30)
- [CoreWeave Forge: Почему GPU-облако добавило цикл улучшения поверх вычислительной мощности](https://retrivium.ai/ru/retrospectives/retro-forge-gpu-cloud-loop.md): CoreWeave Forge появился после планов ускорителей и песочниц для агентов. Как переход от запуска нагрузок к их улучшению сделал непрерывность процесса инфраструктурным вопросом. (событие: 2026-09-30)
- [CoreWeave Forge: Наблюдения production не становятся обучающими данными автоматически](https://retrivium.ai/ru/retrospectives/retro-forge-observation-training-data.md): CoreWeave Forge связывает наблюдение с улучшением моделей. Почему ранние инструменты выполнения позволяют отбирать данные, но не превращают каждое записанное взаимодействие в обучающий пример. (событие: 2026-09-30)
- [CoreWeave Forge: Соединённому циклу оценки всё равно нужно решение о выпуске](https://retrivium.ai/ru/retrospectives/retro-forge-evaluation-release-gate.md): CoreWeave Forge появился после песочниц и вычислительных планов. Почему связанный процесс оценки сокращает передачи, но оставляет решение о выпуске зависимым от продукта. (событие: 2026-09-30)
- [CoreWeave Forge: Переносимость данных улучшения и исполнения — разные обещания](https://retrivium.ai/ru/retrospectives/retro-forge-portability-interfaces.md): CoreWeave Forge подчёркивает переносимые данные и открытые интерфейсы. Как ранние уровни выполнения и вычислений объясняют разницу переноса датасета улучшения и всей нагрузки. (событие: 2026-09-30)
- [Как SynthID Bio вывел происхождение за границы цифрового файла](https://retrivium.ai/ru/retrospectives/synthid-bio-provenance-boundary.md): Как SynthID Bio связывает историю происхождения сгенерированных медиа с более сложной границей: установлением происхождения научных артефактов. (событие: 2026-09-30)
- [Почему генеративная наука сделала происхождение данных срочной задачей](https://retrivium.ai/ru/retrospectives/synthid-bio-scientific-data-integrity.md): Почему SynthID Bio отражает более широкую проблему научных данных: различение сгенерированных артефактов и наблюдений до повторного использования записей. (событие: 2026-09-30)
- [Как водяные знаки стали одним из слоёв научного доверия](https://retrivium.ai/ru/retrospectives/synthid-bio-layered-trust.md): Ретроспектива SynthID Bio и многоуровневого научного доверия: почему происхождение, проверка результата и разрешение применения остаются разными задачами. (событие: 2026-09-30)
- [Что недельная смена модели означает для оценки обновлений](https://retrivium.ai/ru/retrospectives/sol61-weekly-migration-cadence.md): Sol обновилась через неделю после запуска; сохраняйте модель, набор задач и инструменты, чтобы быстрые выпуски не смешивали результаты оценок. (событие: 2026-09-29)
- [Почему скидка кеша Sol 6.1 не равна оценке стоимости задачи](https://retrivium.ai/ru/retrospectives/sol61-cache-price-vs-total-task-cost.md): Обновление Sol снизило ставку чтения кеша, но стоимость задачи также зависит от кешируемости, вывода, повторных попыток и принятой работы. (событие: 2026-09-29)
- [Sol 6.1 и новая средняя ступень для работы с репозиториями](https://retrivium.ai/ru/retrospectives/sol61-coding-middle-tier.md): Sol изменила среднюю ступень работы с репозиториями; оценивайте зависимости, необязательные пути и принятые патчи, а не отдельную генерацию кода. (событие: 2026-09-29)
- [Мультиагентная бета Sol 6.1: делегирование меняет выполнение](https://retrivium.ai/ru/retrospectives/sol61-multiagent-boundary.md): Sol получила мультиагентную бету, но полезное делегирование требует порядка зависимостей, ограниченных результатов исполнителей и условия объединения. (событие: 2026-09-29)
- [От API-инструментов к браузеру: что изменил DevDay](https://retrivium.ai/ru/retrospectives/agents-computer-use-from-tools-to-browser.md): Браузер в Agents API изменил состояние взаимодействия; сравнивайте проверку объекта и переходов с прямыми инструментами при неизменной задаче. (событие: 2026-09-29)
- [Граница входа в браузере остаётся за приложением](https://retrivium.ai/ru/retrospectives/agents-computer-use-authentication-boundary.md): Вход браузера Agents API устанавливает доступ, но приложение должно связать просьбу пользователя с конкретными допустимыми действиями аккаунта. (событие: 2026-09-29)
- [Что должен сохранять повтор действий браузерного агента](https://retrivium.ai/ru/retrospectives/agents-computer-use-replay-evidence.md): Аудиту браузерного агента нужна связь наблюдений, действий и подтверждённых исходов; восстановление истории отличается от повторных нажатий. (событие: 2026-09-29)
- [Когда управляемый браузер оправдан рядом с прямыми инструментами](https://retrivium.ai/ru/retrospectives/agents-computer-use-api-vs-ui-selection.md): Используйте браузер Agents API для конкретного пробела доказательств; запасной путь должен сохранять объект и исходный вопрос. (событие: 2026-09-29)
- [Dots превратили задачу в постоянную обязанность](https://retrivium.ai/ru/retrospectives/dots-persistent-responsibility.md): Как постоянно работающие dots меняют завершение задачи на управление обязанностью с условиями запуска, устаревающими предположениями и остановкой. (событие: 2026-09-29)
- [Dot может запомнить предпочтение без новых полномочий](https://retrivium.ai/ru/retrospectives/dots-memory-vs-authority.md): Почему запомненные предпочтения dots нужно отделять от доступа и полномочий на действия на примере подготовки черновика отчёта. (событие: 2026-09-29)
- [Личный облачный компьютер задаёт операционную границу](https://retrivium.ai/ru/retrospectives/dots-cloud-computer-operating-boundary.md): Почему личный облачный компьютер dots включает сохранённые файлы, сроки сессий и восстановление в оценку агента помимо качества модели. (событие: 2026-09-29)
- [Как проверять работу между разговорами](https://retrivium.ai/ru/retrospectives/dots-reviewing-background-work.md): Как проверять фоновую работу dots через передачу со свидетельствами, сохранением частичного результата и ясной границей следующего решения. (событие: 2026-09-29)
- [Бизнес-коннекторы делают согласованность записей частью работы агента](https://retrivium.ai/ru/retrospectives/muse-smb-connectors-record-consistency.md): Почему бизнес-подключениям Muse нужны сопоставление сущностей и согласованность наблюдений вместо предположения единого транзакционного состояния. (событие: 2026-09-29)
- [Бизнес-цели нужны меньшие наблюдаемые единицы действий](https://retrivium.ai/ru/retrospectives/muse-smb-goal-to-action-granularity.md): Как бизнес-цели Muse превращаются в наблюдаемые этапы без смешения полезных черновиков, выполненных действий и неизмеренной деловой ценности. (событие: 2026-09-29)
- [Подключённый контекст не становится источником истины бизнеса](https://retrivium.ai/ru/retrospectives/muse-smb-source-of-truth.md): Почему деловому обобщению Muse нужны авторитет источников и границы доступа, когда новые сообщения противоречат утверждённым записям. (событие: 2026-09-29)
- [Как единый графический образ сокращает матрицу поколений GPU](https://retrivium.ai/ru/retrospectives/retro-workspaces-image-matrix.md): Единые графические образы WorkSpaces сокращают упаковку по поколениям поддерживаемых GPU. Испытания приложений и лицензирование остаются отдельными измерениями. (событие: 2026-09-29)
- [Как межсемейный UpdateFleet меняет единицу миграции](https://retrivium.ai/ru/retrospectives/retro-workspaces-cross-family-fleet.md): Межсемейный UpdateFleet отделяет выбор поддерживаемого флота от пересборки образов по поколениям. Пригодность образа и приёмка приложения остаются отдельными этапами. (событие: 2026-09-29)
- [Переносимость образа не сертифицирует каждое графическое приложение](https://retrivium.ai/ru/retrospectives/retro-workspaces-image-compatibility-validation.md): Переносимость образов WorkSpaces Applications относится к упаковке. Результаты приложения, плагины и лицензирование требуют отдельных подтверждений пригодности. (событие: 2026-09-29)
- [Как генерация изображений разделила управление и переобучение](https://retrivium.ai/ru/retrospectives/diffusion-controller-control-vs-retraining.md): Как объяснение Diffusion Controller продолжает поиск управления генерацией изображений без превращения каждой новой цели в полное переобучение базовой модели. (событие: 2026-09-29)
- [Почему управляемым изображениям нужно больше одного показателя награды](https://retrivium.ai/ru/retrospectives/diffusion-controller-reward-tradeoffs.md): Почему обсуждение Diffusion Controller возвращает различие оптимизации одной награды изображения и сохранения полезного сочетания свойств генерации. (событие: 2026-09-29)
- [Как управление диффузией изменило требования к интерфейсу инференса](https://retrivium.ai/ru/retrospectives/diffusion-controller-serving-interfaces.md): Как исследования управления вроде Diffusion Controller меняют сведения интерфейса инференса изображений для воспроизводимости и оценки вычислительной нагрузки. (событие: 2026-09-29)
- [Sonnet 5.5 разделила выбор средней ступени для документов и кода](https://retrivium.ai/ru/retrospectives/sonnet55-middle-tier-office-code.md): Почему повседневному позиционированию Sonnet 5.5 нужны разные свидетельства приёмки изменений кода, таблиц и презентаций. (событие: 2026-09-28)
- [Быстрый ответ Sonnet меняет бюджет итераций](https://retrivium.ai/ru/retrospectives/sonnet55-faster-feedback-budget.md): Как быстрый вывод Sonnet 5.5 меняет обратную связь и почему генерацию, человеческую проверку и завершение нужно измерять отдельно. (событие: 2026-09-28)
- [Новый Sonnet по умолчанию не должен незаметно менять базовую оценку](https://retrivium.ai/ru/retrospectives/sonnet55-default-model-evaluation.md): Почему внедрению Sonnet 5.5 нужны зафиксированные идентификаторы оценки и стабильные задачи отдельно от текущего выбора интерфейса. (событие: 2026-09-28)
- [Распределение усилия важно внутри ступени Sonnet 5.5](https://retrivium.ai/ru/retrospectives/sonnet55-effort-allocation.md): Почему усилие Sonnet 5.5 должно следовать неопределённости задачи и границам приёмки, а не представлению о фиксированной средней ступени. (событие: 2026-09-28)
- [Team Bots: Общая экспертиза не означает общие личные беседы](https://retrivium.ai/ru/retrospectives/team-bots-shared-expertise-private-context.md): Team Bots объединяют общую экспертизу с отдельным контекстом пользователей. Ретроспектива разбирает разные границы состояния внутри совместного агента. (событие: 2026-09-28)
- [Team Bots: Общему боту нужен явный владелец учётных данных](https://retrivium.ai/ru/retrospectives/team-bots-credential-ownership.md): Почему Team Bots делают владение учётными данными отдельным вопросом от совместного использования агента, с разными идентичностями личных и командных инструментов. (событие: 2026-09-28)
- [Team Bots: Обученной роли командного бота нужен путь исправления](https://retrivium.ai/ru/retrospectives/team-bots-role-memory-correction.md): Почему обучающемуся Team Bot нужен путь исправления с определением причины ответа: ошибочной инструкции, общего навыка либо индивидуальной памяти. (событие: 2026-09-28)
- [World Labs и AMD: исследования моделей как обратная связь для оборудования](https://retrivium.ai/ru/retrospectives/retro-amd-worldlabs-hardware-feedback.md): Соглашение с World Labs может сократить обратную связь исследований и разработки вычислений. Гипотезе нужна цепочка от поведения нагрузки до проверенного изменения платформы. (событие: 2026-09-28)
- [От инвестиции AMD к соглашению о покупке World Labs](https://retrivium.ai/ru/retrospectives/retro-worldlabs-investment-to-agreement.md): Раннее финансирование World Labs и дорожная карта AMD объясняют стратегическую преемственность до соглашения о покупке, не доказывая внутренний замысел или технический результат. (событие: 2026-09-28)
- [Что подтверждает соглашение AMD и World Labs](https://retrivium.ai/ru/retrospectives/retro-worldlabs-agreement-not-closing.md): Объявление World Labs устанавливает соглашение о приобретении. Закрытию, интегрированному ПО и полезной эксплуатационной возможности нужны собственные последующие подтверждения. (событие: 2026-09-28)
- [Исследования physical AI добавляют профиль нагрузки к покупке вычислительной компании](https://retrivium.ai/ru/retrospectives/retro-worldlabs-physical-ai-infrastructure.md): Соглашение World Labs позволяет изучить обратную связь нагрузки и оборудования. Мощности physical AI нужны явные путь данных, профиль исполнения и границы оценки. (событие: 2026-09-28)
- [Выразительный аватар может скрыть незавершённую работу](https://retrivium.ai/ru/retrospectives/avatar38-presence-vs-completion.md): Почему постоянному визуальному присутствию Gemini Live Avatar нужны отдельные свидетельства завершения и точного сообщения статуса. (событие: 2026-09-24)
- [Доступность Enterprise Avatar не равна всем интерфейсам Live API](https://retrivium.ai/ru/retrospectives/avatar38-enterprise-surface-boundary.md): Почему корпоративному GA Gemini Live Avatar нужно сохранять границы платформы, модальности и создания вместо поддержки во всех Live API. (событие: 2026-09-24)
- [Синхронизация губ и смысловое соответствие проверяются отдельно](https://retrivium.ai/ru/retrospectives/avatar38-audio-video-sync-evidence.md): Почему синхронизации губ, смыслу и завершению Gemini Live Avatar нужны разные свидетельства перед общей оценкой качества. (событие: 2026-09-24)
- [Визуальному персонажу нужна передача состояния при задержке инструмента](https://retrivium.ai/ru/retrospectives/avatar38-character-state-handoff.md): Как Gemini Live Avatar должен представлять ожидание, поправки и решение как содержательные переходы во время асинхронной работы. (событие: 2026-09-24)
- [Vision DSpark: почему ускорение decode не убирает обработку изображения](https://retrivium.ai/ru/retrospectives/lfm25-vision-dspark-prefill-boundary.md): Визуальный выпуск DSpark важен тем, что ускоряет отдельный этап мультимодального запроса, а не делает весь запрос обычной текстовой генерацией. (событие: 2026-09-24)
- [Watermarking vLLM: сигнал происхождения не является оценкой истинности](https://retrivium.ai/ru/retrospectives/vllm-watermark-provenance-not-truth.md): Watermarking vLLM добавляет статистический сигнал происхождения, но детектор не устанавливает истинность фрагмента и не определяет его человеческого автора. (событие: 2026-09-24)
- [Liquid выпускает vision-language drafter DSpark: визуальная подготовка и ускорение decode](https://retrivium.ai/ru/retrospectives/retro-liquid-vl-dspark-vision-prefill.md): Vision DSpark меняет декодирование без устранения визуальной подготовки, поэтому польза зависит от распределения работы внутри полного запроса. (событие: 2026-09-24)
- [Liquid выпускает vision-language drafter DSpark: визуальный drafter и контракт target-модели](https://retrivium.ai/ru/retrospectives/retro-liquid-vl-dspark-draft-target.md): Vision DSpark требует согласованной пары target и визуального пути, поэтому черновой артефакт нельзя выбирать независимо от ускоряемой модели. (событие: 2026-09-24)
- [Liquid выпускает vision-language drafter DSpark: визуальный контекст и принятие черновика](https://retrivium.ai/ru/retrospectives/retro-liquid-vl-dspark-acceptance-context.md): Принятие черновиков Vision DSpark зависит от нагрузки, поэтому полезный результат одной визуальной задачи не устанавливает одинаковый выигрыш для любого выхода. (событие: 2026-09-24)
- [Детектор водяных знаков vLLM: ключи, токенизатор и контракт генерации](https://retrivium.ai/ru/retrospectives/retro-vllm-watermarking-key-tokenizer.md): Ретроспектива водяных знаков текста в vLLM: почему настройки детектора должны определять ключ, токенизатор и предположения процесса генерации. (событие: 2026-09-24)
- [Статистика водяных знаков vLLM: почему перебор ключей меняет вывод](https://retrivium.ai/ru/retrospectives/retro-vllm-watermarking-multiple-testing.md): Как релиз водяных знаков vLLM переносит проблему множественных проверок в эксплуатацию и почему самому убедительному результату нужна история поиска. (событие: 2026-09-24)
- [Дизайн голоса превратил пресет в поверхность управления](https://retrivium.ai/ru/retrospectives/tts38-voice-design-control-surface.md): Как дизайн голоса Gemini 3.8 TTS превращает описания в спецификации с раздельной проверкой идентичности, подачи и представительного текста. (событие: 2026-09-23)
- [Построчная режиссура способна менять смысл диалога](https://retrivium.ai/ru/retrospectives/tts38-dialogue-direction-semantics.md): Почему построчной режиссуре Gemini 3.8 TTS нужно сохранять отрицание, неопределённость и намерение вместо одной выразительности. (событие: 2026-09-23)
- [Flash TTS и Flash-Lite требуют приёмки по нагрузке](https://retrivium.ai/ru/retrospectives/tts38-flash-lite-production-choice.md): Как сравнивать Gemini Flash TTS и Flash-Lite через творческую и пакетную нагрузки вместо универсального рейтинга качества голоса. (событие: 2026-09-23)
- [Повторно используемый голос — артефакт с происхождением](https://retrivium.ai/ru/retrospectives/tts38-voice-artifact-provenance.md): Почему повторным голосам Gemini 3.8 TTS нужна история входов, разрешённых источников и редакций помимо имени сохранённого профиля. (событие: 2026-09-23)
- [Как Sol и Luna изменили экономику распределения задач](https://retrivium.ai/ru/retrospectives/sol-luna-two-model-economics.md): Выпуск Sol и Luna расширил выбор моделей; сравнивайте завершённые процессы, эскалации и приёмку до распределения работы по цене токенов. (событие: 2026-09-22)
- [Визуальный ввод не сделал Sol и Luna генераторами изображений](https://retrivium.ai/ru/retrospectives/sol-luna-image-input-text-output.md): Sol и Luna принимают изображения и возвращают текст; разделяйте понимание снимка и создание артефакта при маршрутизации через общий интерфейс. (событие: 2026-09-22)
- [Как кешируемый контекст повлиял на выбор Sol и Luna](https://retrivium.ai/ru/retrospectives/sol-luna-cache-workload-economics.md): Запуск Sol и Luna связал выбор модели с кешированием; анализируйте стабильный контекст отдельно от меняющихся доказательств и создаваемого вывода. (событие: 2026-09-22)
- [Правила эскалации после запуска Sol и Luna](https://retrivium.ai/ru/retrospectives/sol-luna-escalation-evidence.md): Sol и Luna расширили выбор для эскалации, но полезное условие переключения зависит от недостающих доказательств и приёмки, а не одной уверенности. (событие: 2026-09-22)
- [Opus 5.5 превратила эффективность токенов в вопрос учёта задач](https://retrivium.ai/ru/retrospectives/opus55-token-efficiency-task-accounting.md): Как оценивать токенную эффективность Opus 5.5 по эквивалентным принятым задачам с учётом повторов, проверки и изменения объёма работы. (событие: 2026-09-22)
- [Коротким отчётам Opus нужна другая проверка](https://retrivium.ai/ru/retrospectives/opus55-shorter-reports-review-quality.md): Почему заявленной ясности Opus 5.5 нужна проверка восстановления смысла с сохранением свидетельств, оговорок и решения читателя. (событие: 2026-09-22)
- [Проверка действий и защита модели — разные слои](https://retrivium.ai/ru/retrospectives/opus55-action-screening-vs-model-policy.md): Как проверка действий, изоляция и защита модели Opus 5.5 образуют отдельные слои с разными свидетельствами и обязанностями восстановления. (событие: 2026-09-22)
- [Условия сравнения стоимости задач Opus 5.5](https://retrivium.ai/ru/retrospectives/opus55-benchmark-cost-conditions.md): Как понимать сравнения стоимости задач Opus 5.5 через усилие, обвязку и правила приёмки перед проверкой другой нагрузки. (событие: 2026-09-22)
- [Batch-цена обменивает немедленный ответ на гибкость планирования](https://retrivium.ai/ru/retrospectives/retro-openrouter-batch-capacity-flexibility.md): Batch получает гибкость планирования за счёт отказа от немедленности. Он выполняет новую работу в переменном окне, тогда как response-кэш убирает повтор одинакового запроса. (событие: 2026-09-22)
- [Почему batch получает одного провайдера в многопровайдерном шлюзе](https://retrivium.ai/ru/retrospectives/retro-openrouter-batch-single-provider.md): OpenRouter исполняет каждый принятый batch у одного допустимого провайдера. Результаты запросов упрощают обработку исходов, но не делают строки независимыми решениями маршрутизации. (событие: 2026-09-22)
- [Медиана беты семь минут и окно выполнения 24 часа](https://retrivium.ai/ru/retrospectives/retro-openrouter-batch-deadline-median.md): Медиана беты семь минут является статистикой наблюдаемой когорты. Окно 24 часа и дедлайн приложения остаются отдельными условиями полезной batch-работы. (событие: 2026-09-22)
- [Отчёт Qwen3.8Omni: от понимания медиа к выполнению задач](https://retrivium.ai/ru/retrospectives/qwen38-omni-agent-productivity-report.md): Отчёт Qwen3.8Omni переносит внимание с описания медиа на выполнение задач, но восприятие и успешное исполнение остаются разными утверждениями. (событие: 2026-09-22)
- [vllm-metal: почему конкурентная нагрузка изменила вопрос Mac-инференса](https://retrivium.ai/ru/retrospectives/vllm-metal-scheduler-not-just-backend.md): vllm-metal сделал конкурентное обслуживание центральным вопросом AppleSilicon, вместо того чтобы считать успешную генерацию токенов полным описанием развёртывания. (событие: 2026-09-22)
- [Qwen публикует технический отчёт Omni3.8: понимание медиа и исполнение задач](https://retrivium.ai/ru/retrospectives/retro-qwen38-omni-report-media-planning.md): Qwen3.8-Omni смещает внимание с восприятия медиа на результат агента. Разбираем, почему понимание записи и выполнение связанной задачи требуют разных проверок. (событие: 2026-09-22)
- [Qwen3.8-Omni: что технический отчёт доказывает о доступности весов](https://retrivium.ai/ru/retrospectives/retro-qwen38-omni-report-paper-availability.md): Работа Qwen3.8-Omni фиксирует раскрытие исследования. Разбираем, почему техническому отчёту, интерфейсу, открытому окружению и checkpoint нужны разные свидетельства. (событие: 2026-09-22)
- [Общая память vllm-metal: зачем конкурентному инференсу свободный запас](https://retrivium.ai/ru/retrospectives/retro-vllm-metal-unified-memory.md): Релиз vllm-metal в историческом контексте: общая память меняет размещение данных, но конкурентным запросам всё равно нужен явный бюджет ресурсов. (событие: 2026-09-22)
- [Внимание vllm-metal: граница повторного использования слоёв и состояния запросов](https://retrivium.ai/ru/retrospectives/retro-vllm-metal-attention-replacement.md): Почему в анонсе vllm-metal разделены повторно используемые операции токенов и внимание с границами запросов: ретроспектива архитектуры обслуживания. (событие: 2026-09-22)
- [Обучение под harness ставит вопрос переноса](https://retrivium.ai/ru/retrospectives/grok47-harness-native-transfer.md): Как обучение Grok 4.7 под родную обвязку создаёт вопрос переноса семантики инструментов, состояний и восстановления во внешней системе. (событие: 2026-09-21)
- [Долгой работе Grok нужна проверка, переживающая повторы](https://retrivium.ai/ru/retrospectives/grok47-long-tasks-verification.md): Почему самопроверке Grok 4.7 нужны свидетельства конечного артефакта после повторов, изменённых входов и пересмотренных методов. (событие: 2026-09-21)
- [Grok 4.7: Одинаковая ставка токенов может оплачивать разный объём работы](https://retrivium.ai/ru/retrospectives/grok47-same-rate-different-work.md): Grok 4.7 сохранил стартовые ставки токенов предшественника, но длительность работы, инструменты и приёмка могут изменить стоимость завершённой задачи. (событие: 2026-09-21)
- [Grok 4.7: Более крупная база не раскрывает всю архитектуру](https://retrivium.ai/ru/retrospectives/grok47-bigger-base-not-architecture-proof.md): Что устанавливает сообщение о более крупной базе Grok 4.7 и почему оно не раскрывает число параметров, требования памяти или причину любого роста бенчмарка. (событие: 2026-09-21)
- [Qwen Image2.1: прозрачная генерация и единое редактирование](https://retrivium.ai/ru/retrospectives/qwen-image21-rgba-unification.md): Qwen Image2.1 объединяет создание и редактирование с прозрачными изображениями, но сохранение этой возможности требует больше, чем убедительное превью. (событие: 2026-09-20)
- [Qwen выпускает объединённую генерацию и редактирование Image2.1: нативная прозрачность и обычный RGB-выход](https://retrivium.ai/ru/retrospectives/retro-qwen-image21-transparent-edit.md): Qwen-Image-2.1 переносит прозрачный результат в единую генерацию изображений. Прослеживаем путь от слоёв до сохранения alpha-канала внутри приложения. (событие: 2026-09-20)
- [Qwen выпускает объединённую генерацию и редактирование Image2.1: редактирование по reference и идентичность](https://retrivium.ai/ru/retrospectives/retro-qwen-image21-reference-images.md): Qwen-Image-2.1 расширяет редактирование по образцам. Разбираем, почему нескольким визуальным входам нужны явные роли, а не расплывчатая оценка сходства. (событие: 2026-09-20)
- [Grok Transcribe 2.0: Улучшения шумного аудио требуют срезов вместо одного WER](https://retrivium.ai/ru/retrospectives/grok-transcribe2-noisy-audio-slices.md): Grok Voice Transcribe 2.0 делает акцент на шумном аудио. Ретроспектива различает телефонию, акценты и произнесённые идентификаторы вместо универсального WER. (событие: 2026-09-18)
- [Grok Transcribe 2.0: Неверное обозначение может перевесить гладкую транскрипцию](https://retrivium.ai/ru/retrospectives/grok-transcribe2-identifier-cost.md): Почему акцент Grok Transcribe 2.0 на произнесённых идентификаторах требует точной приёмки значений рядом с обычным качеством текста и средней ошибкой слов. (событие: 2026-09-18)
- [Grok Transcribe 2.0: Появление API и анонс модели имеют разные даты](https://retrivium.ai/ru/retrospectives/grok-transcribe2-listing-vs-announcement.md): Почему наблюдение записи API-каталога и официальный анонс Grok Transcribe 2.0 поддерживают разные исторические утверждения о доступности модели. (событие: 2026-09-18)
- [Почему состояние сервера модели важнее числа соединений](https://retrivium.ai/ru/retrospectives/retro-hyperpod-routing-gpu-state.md): HyperPod Inference Gateway добавил выбор назначения по состоянию serving в кластерное дополнение. Число соединений не описывает очереди и давление памяти. (событие: 2026-09-18)
- [Запуск HyperPod Gateway не сделал глобальную маршрутизацию доступной](https://retrivium.ai/ru/retrospectives/retro-hyperpod-global-tier-boundary.md): Запуск HyperPod разделял доступный кластерный шлюз и будущий глобальный уровень. Архитектурные схемы не отменяют опубликованные статусы выпуска. (событие: 2026-09-18)
- [Три даты в истории объявления HyperPod Inference Gateway](https://retrivium.ai/ru/retrospectives/retro-hyperpod-release-announcement-dates.md): Сентябрьские примечания, статья о запуске HyperPod и последующая новость датируют разные этапы. Точная история сохраняет различия этих записей. (событие: 2026-09-18)
- [Grok Build Memory: Память проекта должна отличать соглашения от временного состояния](https://retrivium.ai/ru/retrospectives/grok-memory-convention-vs-transient-state.md): Как память Grok Build превращает различие постоянных проектных соглашений и временного состояния задания в практическую инженерную границу. (событие: 2026-09-16)
- [Grok Build Memory: Фоновым заметкам памяти нужна проверяемая поверхность](https://retrivium.ai/ru/retrospectives/grok-memory-note-review.md): Почему фоновым заметкам памяти Grok Build нужна проверяемая поверхность просмотра и чем видимое хранение отличается от подтверждённого содержания. (событие: 2026-09-16)
- [Grok Build Memory: Правильная заметка памяти может устареть после изменения репозитория](https://retrivium.ai/ru/retrospectives/grok-memory-repository-revision.md): Как правильная заметка памяти Grok Build устаревает после изменения репозитория и почему проектной памяти нужна связь с текущими исходными свидетельствами. (событие: 2026-09-16)
- [От плана Rubin к многостоечному кластеру](https://retrivium.ai/ru/retrospectives/retro-rubin-rack-to-cluster-milestone.md): Хроника Rubin у CoreWeave проходит от плана освоения к запуску нескольких стоек. Этап усиливает системные подтверждения, сохраняя отдельность квалификации нагрузки. (событие: 2026-09-16)
- [Почему изменения хранилища сопровождали кластер Rubin CoreWeave](https://retrivium.ai/ru/retrospectives/retro-rubin-storage-locality-announcement.md): Анонсы хранилища и Rubin у CoreWeave сходятся на доставке артефактов. Ускорение записи, материализация модели и архивное хранение относятся к разным этапам нагрузки. (событие: 2026-09-16)
- [Запуск кластера и готовность конкретной нагрузки инференса](https://retrivium.ai/ru/retrospectives/retro-rubin-bringup-customer-readiness.md): Этап нескольких стоек CoreWeave подтверждает системное продвижение. Готовность нагрузки относится к названным артефакту, сочетанию ПО, форме исполнения и смеси запросов. (событие: 2026-09-16)
- [Почему запуск нескольких стоек Rubin делает границы отказа системным вопросом](https://retrivium.ai/ru/retrospectives/retro-rubin-multirack-failure-domain.md): Развёртывание Rubin в нескольких стойках создаёт разные зависимости отказов. Восстановление следует участвующему набору и общим сервисам приложения, а не одному числу стоек. (событие: 2026-09-16)
- [Blackwell-пакет рабочего стола не равен обычному GPU-инстансу](https://retrivium.ai/ru/retrospectives/retro-workspaces-g7-service-boundary.md): Graphics G7 принёс Blackwell в WorkSpaces Personal и Core. Пакеты рабочих столов, флоты приложений и обычные GPU-инстансы сохраняют разные границы эксплуатации. (событие: 2026-09-16)
- [Что 32 ГБ на GPU меняют для удалённого графического проекта](https://retrivium.ai/ru/retrospectives/retro-workspaces-g7-scene-memory.md): WorkSpaces G7 указывает 32 ГБ на GPU. Размещение сцены, временные буферы и работа с несколькими устройствами определяют пригодность бюджета для проекта. (событие: 2026-09-16)
- [Почему AlwaysOn и AutoStop важны при переносе рабочей станции](https://retrivium.ai/ru/retrospectives/retro-workspaces-g7-desktop-lifecycle.md): Релиз рабочих столов G7 включил AlwaysOn и AutoStop. Поэтому перенос рабочей станции требует выбора жизненного цикла сессии вместе с GPU. (событие: 2026-09-16)
- [Параллельное рассуждение меняет звучание ожидания](https://retrivium.ai/ru/retrospectives/live38-parallel-reasoning-dialogue.md): Как параллельное рассуждение Gemini 3.8 Live меняет озвучивание прогресса и почему разговор нужно отделять от подтверждённого завершения. (событие: 2026-09-15)
- [Live и Extended Thinking задают разный выбор задержки](https://retrivium.ai/ru/retrospectives/live38-variant-task-choice.md): Как выбирать Gemini 3.8 Live и Extended Thinking по глубине задачи, времени подтверждения и свидетельствам обоснованного решения. (событие: 2026-09-15)
- [Устное исправление может отменить смысл ожидающего инструмента](https://retrivium.ai/ru/retrospectives/live38-tool-cancellation-intent.md): Почему исправлениям Gemini 3.8 Live нужна разная обработка устаревших результатов, попыток отмены и уже зафиксированных последствий. (событие: 2026-09-15)
- [Визуальной опоре Live всё ещё важен возраст контекста](https://retrivium.ai/ru/retrospectives/live38-audio-visual-context-age.md): Почему визуальной опоре Gemini 3.8 Live нужно различать понимание картинки, возраст сцены и её применимость к устному указанию. (событие: 2026-09-15)
- [Почему NUMA-топология стала частью размещения в управляемом Slurm](https://retrivium.ai/ru/retrospectives/retro-aws-pcs-numa-placement.md): AWS PCS раскрыл NUMA-топологию и привязку GPU для размещения в Slurm. Локальность стала видимой без обещания универсального ускорения приложений. (событие: 2026-09-11)
- [MIG-разделы стали ресурсами планировщика AWS PCS](https://retrivium.ai/ru/retrospectives/retro-aws-pcs-mig-allocation.md): AWS PCS добавил независимое планирование совместимых экземпляров MIG. Поддержка устройства, профиль раздела и память приложения остаются отдельными ограничениями. (событие: 2026-09-11)
- [Custom GRES как выход за границы автоматического обнаружения оборудования](https://retrivium.ai/ru/retrospectives/retro-aws-pcs-custom-gres-escape-hatch.md): Custom GRES позволяет описывать ресурсы и топологию AWS PCS за пределами автообнаружения. Явная декларация должна соответствовать реальному оборудованию. (событие: 2026-09-11)
- [Agents API перенёс harness в границы сервиса](https://retrivium.ai/ru/retrospectives/agents-api-managed-harness-shift.md): Бета Agents API перенесла оркестрацию в управляемый сервис; приложение сохранило задачи, доступ, артефакты и условия приёмки. (событие: 2026-09-10)
- [Устойчивая агентная сессия — больше, чем сохранённый чат](https://retrivium.ai/ru/retrospectives/agents-api-durable-session-meaning.md): Устойчивые сессии Agents API сохраняют контекст работы, но приложение должно различать задачу, ход, артефакт и подтверждение при восстановлении. (событие: 2026-09-10)
- [Управляемые и собственные среды после беты Agents API](https://retrivium.ai/ru/retrospectives/agents-api-environment-choice.md): Agents API добавил выбор окружений; сравнивайте доступ к данным, владение зависимостями и артефакты до оценки способностей модели. (событие: 2026-09-10)
- [Почему успеху agent API нужен артефакт приёмки задачи](https://retrivium.ai/ru/retrospectives/agents-api-acceptance-artifacts.md): Agents API может завершить запуск при неполной прикладной задаче; сохраняйте артефакт с покрытием, источником и условиями приёмки. (событие: 2026-09-10)
- [Полный дуплекс изменил автомат состояний голосового агента](https://retrivium.ai/ru/retrospectives/live-api-full-duplex-state-machine.md): Как выпуск GPT-Live-1 в API меняет управление состояниями голосового агента и обнаруживает границы отмены и обработки устаревших результатов. (событие: 2026-09-10)
- [Делегирование отделяет разговор от медленного рассуждения](https://retrivium.ai/ru/retrospectives/live-api-backend-delegation-latency.md): Как делегирование рассуждения серверной модели меняет голосовой процесс и разделяет подтверждение вопроса, решение и устаревший контекст. (событие: 2026-09-10)
- [Почему голосовым минутам и токенам нужны отдельные бюджеты](https://retrivium.ai/ru/retrospectives/live-api-audio-clock-billing.md): Почему цена запуска GPT-Live-1 описывает голосовой слой, а не полную стоимость агента, и как отдельно учитывать делегированное рассуждение. (событие: 2026-09-10)
- [Качеству прерываний нужен разговорный тестовый сценарий](https://retrivium.ai/ru/retrospectives/live-api-interruption-acceptance.md): Проверки GPT-Live-1 должны различать паузы для размышления, подтверждения, исправления и исход задачи, а не измерять только задержку. (событие: 2026-09-10)
- [DeepSeek V4.1 Flash: почему сентябрьский релиз изменил больше имени модели](https://retrivium.ai/ru/retrospectives/deepseek41-asymmetric-release-boundary.md): DeepSeek V4.1 Flash меняет больше имени API: асимметричное выполнение и нативное зрение создают другой контракт модели. (событие: 2026-09-10)
- [DeepSeek выпускает V4.1 Flash с асимметричной архитектурой: разные роли обработки входа и выхода](https://retrivium.ai/ru/retrospectives/retro-deepseek41-flash-asymmetric-work.md): Асимметричный encoder-decoder DeepSeekV4.1Flash разделяет роли входа и выхода, поэтому одна общая характеристика параметров или скорости не объясняет ограничение каждой прикладной нагрузки. (событие: 2026-09-10)
- [DeepSeek выпускает V4.1 Flash с асимметричной архитектурой: псевдонимы API и воспроизводимость](https://retrivium.ai/ru/retrospectives/retro-deepseek41-flash-alias-lifecycle.md): Переход API DeepSeekV4.1Flash показывает, почему неизменного клиентского имени модели недостаточно для происхождения ответов, сравниваемых по разные стороны границы релиза и изменения сервиса. (событие: 2026-09-10)
- [DeepSeek выпускает V4.1 Flash с асимметричной архитектурой: нативное зрение и исторические сравнения кеша](https://retrivium.ai/ru/retrospectives/retro-deepseek41-flash-vision-cache.md): Архитектурные заявления о кеше DeepSeekV4.1Flash не описывают всю память мультимодального запроса, поэтому историческому сравнению нужна чёткая граница учитываемых выделений и стадии наблюдения. (событие: 2026-09-10)
- [Резидентность начинается с расшифровки шлюзом, а не только с GPU](https://retrivium.ai/ru/retrospectives/retro-openrouter-residency-gateway-decryption.md): Региональный маршрут OpenRouter включает расшифровку шлюза и допустимое место инференса. Регионы клиентских развёртываний и хранение остаются отдельными частями пути. (событие: 2026-09-09)
- [Почему региональный инференс может отказать для существующей модели](https://retrivium.ai/ru/retrospectives/retro-openrouter-regional-fail-closed.md): У существующей глобальной модели может не быть регионального endpoint. Документированный 404 сохраняет условие места вместо незаметного направления запроса в другую географию. (событие: 2026-09-09)
- [Страна происхождения модели не равна месту инференса](https://retrivium.ai/ru/retrospectives/retro-openrouter-model-origin-hosting.md): Региональный анонс OpenRouter разделяет происхождение модели и место serving. Создатель, оператор, шлюз и политика данных — разные части описания обработки. (событие: 2026-09-09)
- [Почему расширение в Финляндии объединило атомную энергию, ветер и накопители](https://retrivium.ai/ru/retrospectives/retro-finland-energy-portfolio.md): Финский портфель объединил атомное продление, ветер, хранение и исследование гибкости. Их разные функции энергосистемы и статусы должны оставаться явными. (событие: 2026-09-09)
- [Сохранение работы АЭС отличается от добавления новой станции](https://retrivium.ai/ru/retrospectives/retro-finland-life-extension-accounting.md): Продление Loviisa сохраняет будущий путь предложения, а не создаёт новый реактор. Его вклад зависит от изменяемой альтернативы будущего закрытия. (событие: 2026-09-09)
- [Модель выбора площадки не равна реализованному снижению цены электричества](https://retrivium.ai/ru/retrospectives/retro-finland-siting-study-boundary.md): Аргумент финского размещения использовал заказное гипотетическое моделирование. Сценарий помогает планировать, не являясь уже полученной экономией национальных цен. (событие: 2026-09-09)
- [Изучение demand response не делает каждый запрос инференса прерываемым](https://retrivium.ai/ru/retrospectives/retro-finland-flexibility-compute.md): Финская работа demand response была исследовательской. Переносимый спрос инференса требует политики сроков, сохранения состояния, перезапуска и побочных действий. (событие: 2026-09-09)
- [CUDA 13.4: Функциональный preview Rubin не равен общей production-поддержке](https://retrivium.ai/ru/retrospectives/retro-cuda134-rubin-preview.md): CUDA 13.4 добавляет функциональную поддержку Rubin в preview после анонса платформы. Почему начало переноса и production-квалификация относятся к разным этапам. (событие: 2026-09-09)
- [CUDA 13.4: Управление MPS и изоляция MIG остаются разными механизмами](https://retrivium.ai/ru/retrospectives/retro-cuda134-mps-control-isolation.md): CUDA 13.4 расширяет управление MPS после ранних средств разделения GPU. Как отличить программируемую политику совместной работы от аппаратной границы MIG. (событие: 2026-09-09)
- [CUDA 13.4: Разделение поставки драйвера делает неявную зависимость явной](https://retrivium.ai/ru/retrospectives/retro-cuda134-driver-toolkit-packaging.md): CUDA 13.4 разделяет установку драйвера и toolkit. Как последовательные выпуски аппаратуры и ПО сделали ответственность за установку явным вопросом совместимости. (событие: 2026-09-09)
- [CUDA 13.4: Windows on Arm добавляет ось ОС в проверку CUDA](https://retrivium.ai/ru/retrospectives/retro-cuda134-arm-os-matrix.md): CUDA 13.4 добавляет Windows on Arm после ранней работы Linux Arm и платформ GPU. Почему архитектура CPU не устанавливает поддержку операционной системы приложением. (событие: 2026-09-09)
- [Images 2.5 и сохранение правок между ходами](https://retrivium.ai/ru/retrospectives/images25-editing-state-continuity.md): Images 2.5 усилила итеративные правки, но непрерывности нужны управляющий образец, защищённые свойства и версионируемая приёмка каждого шага. (событие: 2026-09-08)
- [Flare и Sunburst требуют разной творческой приёмки](https://retrivium.ai/ru/retrospectives/images25-flare-sunburst-acceptance.md): Flare и Sunburst рассчитаны на разные процессы; сравнивайте творческое разнообразие и точные исправления по отдельным условиям приёмки артефакта. (событие: 2026-09-08)
- [Происхождение изображения не равно метке выбранной модели](https://retrivium.ai/ru/retrospectives/images25-provenance-vs-model-selection.md): Images 2.5 предлагает разные варианты API; сохраняйте запрос, файл и документированный смысл меток происхождения при атрибуции результатов. (событие: 2026-09-08)
- [Эскизы и комментарии сделали намерение при правке явнее](https://retrivium.ai/ru/retrospectives/images25-sketch-comments-workflow.md): Как эскизы и комментарии в Images 2.5 изменили проверку правок и почему пространственной отметке нужны исходная версия и критерии сохранения. (событие: 2026-09-08)
- [Как отдельный компьютер Muse изменил границу персонального агента](https://retrivium.ai/ru/retrospectives/muse-dedicated-computer-personal-agent.md): Почему отдельный компьютер Muse включает состояние браузера и артефакты в контракт персонального агента помимо разговорных возможностей. (событие: 2026-09-08)
- [Личная цель не определяет все фоновые разрешения](https://retrivium.ai/ru/retrospectives/muse-goals-vs-background-authority.md): Как персональные цели Muse разделяют обоснованную подготовку, подключённый доступ и конкретные действия без неограниченных полномочий. (событие: 2026-09-08)
- [Разрыв между способностями Spark и полезной работой Muse](https://retrivium.ai/ru/retrospectives/muse-model-to-product-gap.md): Почему запуск Muse нужно оценивать как цикл от цели до исхода, а не выводить полезность только из способности Spark планировать. (событие: 2026-09-08)
- [CUDA Rust предлагает отдельно язык и модель программирования](https://retrivium.ai/ru/retrospectives/retro-cuda-rust-two-models.md): NVIDIA представила SIMT и тайловое направление CUDA Rust. Выбор языка, ответственность модели программирования и готовность эксплуатации остаются разными решениями. (событие: 2026-09-08)
- [Что владение Rust проверяет на границе запуска GPU](https://retrivium.ai/ru/retrospectives/retro-cuda-rust-borrow-boundary.md): Владение Rust обнаруживает ограниченный класс ошибок GPU-программирования. Оно не устанавливает численную корректность, полную безопасность синхронизации или зрелость эксплуатации. (событие: 2026-09-08)
- [Почему NVIDIA назвала GPU-направления Rust ранней стадией](https://retrivium.ai/ru/retrospectives/retro-cuda-rust-alpha-production.md): NVIDIA прямо назвала направления CUDA Rust ранними. Рабочие примеры устанавливают экспериментальный путь, а не полноту API или готовность эксплуатации. (событие: 2026-09-08)
- [Tile-абстракция передаёт управление потоками компилятору](https://retrivium.ai/ru/retrospectives/retro-cuda-rust-abstraction-kernel-control.md): Тайловый CUDA Rust передаёт отображение компилятору. Выбор абстракции отделён от выбора языка и не означает универсального преимущества скорости. (событие: 2026-09-08)
- [Как AlphaGenome Atlas перенёс инференс с запроса на подготовку атласа](https://retrivium.ai/ru/retrospectives/alphagenome-atlas-precomputed-inference.md): Как AlphaGenome Atlas показывает переход от интерактивного инференса к заранее вычисленному научному ресурсу и что это меняет в эксплуатации. (событие: 2026-09-08)
- [Зачем AlphaGenome Atlas объяснения помимо рейтинга вариантов](https://retrivium.ai/ru/retrospectives/alphagenome-atlas-ranking-explanation.md): Ретроспектива AlphaGenome Atlas: почему полезному рейтингу вариантов нужны проверяемые основания, калибровка и интерпретация для конкретного вопроса. (событие: 2026-09-08)
- [Как модель стала общим научным ресурсом в AlphaGenome Atlas](https://retrivium.ai/ru/retrospectives/alphagenome-atlas-accessible-science.md): Как AlphaGenome Atlas продолжает путь от специализированных моделей к общим научным ресурсам, где доступность и прослеживаемость меняют повторное использование. (событие: 2026-09-08)
- [Почему атлас предсказаний должен связывать версии данных и модели](https://retrivium.ai/ru/retrospectives/alphagenome-atlas-model-data-versioning.md): Почему справочнику предсказаний вроде AlphaGenome Atlas нужны связанные версии модели и данных, воспроизводимые снимки и понятные правила обновления. (событие: 2026-09-08)
- [Почему обновление Astra затронуло контракт API](https://retrivium.ai/ru/retrospectives/astra-responses-tool-contract.md): С Astra вызовы инструментов стали частью миграции модели: проверьте элементы запросов, результаты выполнения и продолжение до сравнения качества ответов. (событие: 2026-09-03)
- [Astra и переход от ответов к завершению долгой работы](https://retrivium.ai/ru/retrospectives/astra-long-running-work-completion.md): Astra появилась после примитивов выполнения и сжатия контекста; важно, оставляет ли долгая работа доказательства, доступные следующему проверяющему. (событие: 2026-09-03)
- [Какие настройки убрала Astra и что нужно сохранить при миграции](https://retrivium.ai/ru/retrospectives/astra-reasoning-control-compatibility.md): Astra убрала привычные настройки sampling; при миграции нужно сохранить смысл задачи, а не молча подставлять несвязанные параметры. (событие: 2026-09-03)
- [Что запуск Astra доказывает о рабочем процессе](https://retrivium.ai/ru/retrospectives/astra-launch-evidence-vs-task-acceptance.md): Свидетельства запуска Astra обосновывают локальную проверку, но её выводы определяются условиями работы и заранее заданными критериями приёмки. (событие: 2026-09-03)
- [Соглашение о покупке и обещание открытой платформы отвечают на разные вопросы](https://retrivium.ai/ru/retrospectives/retro-nvidia-hf-open-platform.md): Соглашение NVIDIA и Hugging Face и обещание открытости относятся к разным утверждениям. Закрытие сделки и будущее поведение требуют собственных подтверждений. (событие: 2026-09-03)
- [Почему распространение моделей стало стратегически близким к вычислениям](https://retrivium.ai/ru/retrospectives/retro-nvidia-hf-distribution-compute.md): Поиск моделей и исполнение дополняют друг друга в истории NVIDIA и Hugging Face. Стратегическое соседство не устанавливает обязательную аппаратную зависимость. (событие: 2026-09-03)
- [Что NVIDIA прямо заявила о других облаках и ускорителях](https://retrivium.ai/ru/retrospectives/retro-nvidia-hf-multicloud-commitment.md): NVIDIA обещала выбор облаков и ускорителей в объявлении Hugging Face. Это обязательство отделено от лицензий моделей, исходников и будущего управления. (событие: 2026-09-03)
- [Документированный путь от вычислительного партнёрства к соглашению о покупке](https://retrivium.ai/ru/retrospectives/retro-nvidia-hf-partnership-acquisition-sequence.md): Хронология NVIDIA и Hugging Face поддерживает преемственность, а не неизбежность. Партнёрство, широта провайдеров и соглашение имеют разные роли подтверждений. (событие: 2026-09-03)
- [Как WeatherNext 3 связал свежесть наблюдений с устройством модели](https://retrivium.ai/ru/retrospectives/weathernext-3-observation-to-forecast.md): Как путь от GraphCast и GenCast к WeatherNext 3 превратил свежесть наблюдений в архитектурный вопрос, а не просто деталь финального погодного интерфейса. (событие: 2026-09-03)
- [Почему детальный прогноз погоды меняет нагрузку на инференс](https://retrivium.ai/ru/retrospectives/weathernext-3-resolution-serving.md): Почему движение к более детальным прогнозам WeatherNext 3 меняет объём выхода, перемещение данных и устройство нагрузки за пределами сравнения скорости моделей. (событие: 2026-09-03)
- [Как погодный AI пришёл к решениям за пределами средней точности](https://retrivium.ai/ru/retrospectives/weathernext-3-probability-decisions.md): Как путь к WeatherNext 3 проясняет различие между точным прогнозом погоды и полезным решением, которое приходится принимать в условиях неопределённости. (событие: 2026-09-03)
- [Почему обученным погодным моделям всё ещё нужна проверка физической согласованности](https://retrivium.ai/ru/retrospectives/weathernext-3-physical-consistency.md): Почему развитие до WeatherNext 3 сохраняет важность физической согласованности, связанных переменных и проверки новых условий для обученного прогнозирования. (событие: 2026-09-03)
- [Spark 1.3 и несколько рабочих процессов в одной беседе](https://retrivium.ai/ru/retrospectives/spark13-long-thread-workflows.md): Почему длинной беседе Spark 1.3 нужны проверки принадлежности и зависимостей, когда пользователь меняет несколько незавершённых результатов. (событие: 2026-09-02)
- [Spark 1.3 показывает связь обратной связи API и кодового продукта](https://retrivium.ai/ru/retrospectives/spark13-api-product-feedback-loop.md): Как последовательность модели Spark, программного продукта и API разделяет отзывы об интеллекте, обвязке и интеграционных условиях. (событие: 2026-09-02)
- [Max reasoning Spark 1.3 требует собственной оценки](https://retrivium.ai/ru/retrospectives/spark13-max-reasoning-acceptance.md): Как оценивать max reasoning Spark 1.3 по разрешимой неопределённости, отсутствующим данным и завершению задачи вместо длины ответа. (событие: 2026-09-02)
- [Flash 3.8 показывает, почему старательная модель тратит больше токенов](https://retrivium.ai/ru/retrospectives/flash38-extra-work-cost.md): Почему дополнительную тщательность Gemini 3.8 Flash нужно оценивать как новый объём работы рядом со ставками, ожиданием и принятым исходом. (событие: 2026-09-02)
- [Flash и Flash Cyber требуют отдельных описаний доступа](https://retrivium.ai/ru/retrospectives/flash38-cyber-deployment-separation.md): Почему Gemini 3.8 Flash и Flash Cyber нужны отдельные описания способностей, доступа и разрешённой задачи при сравнении внедрений. (событие: 2026-09-02)
- [Долгому программированию нужны промежуточные контрольные точки](https://retrivium.ai/ru/retrospectives/flash38-long-horizon-software-checkpoints.md): Почему долгому программированию Gemini 3.8 Flash нужны контрольные состояния и валидация итогового патча вместо опоры на прежний успех. (событие: 2026-09-02)
- [Стартовая цена Flash является историческим условием](https://retrivium.ai/ru/retrospectives/flash38-introductory-price-history.md): Почему вводная цена Gemini 3.8 Flash относится к датированной записи выбора, а не вечному утверждению об экономике задач. (событие: 2026-09-02)
- [Fable 5.1 сделала историю рассуждения границей совместимости](https://retrivium.ai/ru/retrospectives/fable51-reasoning-history-compatibility.md): Почему ограничения истории рассуждения Fable 5.1 превращают обновление в перенос состояния и как проверить исправленный разговор и резервную модель. (событие: 2026-09-01)
- [Почему изменение forced tool в Fable 5.1 важно для оркестрации](https://retrivium.ai/ru/retrospectives/fable51-forced-tools-contract.md): Как несовместимое изменение forced tool в Fable 5.1 разделяет маршрутизацию, уточнение и исполнение, за которые отвечает приложение. (событие: 2026-09-01)
- [Что дешёвое чтение кеша Fable изменило в долгих циклах](https://retrivium.ai/ru/retrospectives/fable51-cache-reads-agent-loops.md): Почему дешёвое чтение кеша Fable 5.1 меняет состав расходов, но не доказывает попадания, сокращение итераций или снижение цены принятой задачи. (событие: 2026-09-01)
- [Один frontier-выпуск и две границы доступа](https://retrivium.ai/ru/retrospectives/fable51-two-access-surfaces.md): Почему парный выпуск Fable 5.1 и Mythos 5.1 требует разделять возможности, доступность и проверенное внедрение при выборе модели. (событие: 2026-09-01)
- [Агентное видео заменило равномерную выборку поиском доказательств](https://retrivium.ai/ru/retrospectives/agentic-video-search-vs-sampling.md): Как агентное видео Gemini меняет получение свидетельств и требует проверки просмотренных интервалов и слепых зон поисковой гипотезы. (событие: 2026-09-01)
- [Экономии видеотокенов нужен учёт сохранённых доказательств](https://retrivium.ai/ru/retrospectives/agentic-video-token-saving-coverage.md): Почему экономии видеотокенов нужны принятые ответы, покрытие обязательных событий и полные попытки как граница сравнения. (событие: 2026-09-01)
- [Когда транскрипт и кадр описывают разные события](https://retrivium.ai/ru/retrospectives/agentic-video-transcript-visual-disagreement.md): Почему агентному видео Gemini нужно сохранять временные отношения при объединении расшифровки, рассказа и видимого события. (событие: 2026-09-01)
- [Не найти событие — не значит доказать его отсутствие](https://retrivium.ai/ru/retrospectives/agentic-video-negative-evidence.md): Почему результатам «не найдено» агентного видео Gemini нужна формулировка по покрытию перед выводом, что событие не происходило. (событие: 2026-09-01)
- [HUMAIN: работающие вычисления отличаются от плана на гигаватт](https://retrivium.ai/ru/retrospectives/retro-humain-live-versus-gigawatt-plan.md): Августовское обновление HUMAIN объединяет работающие Instinct и будущие цели расширения. Эксплуатационный этап, план энергии и выделение нагрузке требуют отдельных записей. (событие: 2026-08-31)
- [Почему объявление GPU-as-a-service HUMAIN включает сетевую фабрику](https://retrivium.ai/ru/retrospectives/retro-humain-gpu-fabric-platform.md): Обновление HUMAIN включает фабрику Cisco в работающую платформу. Полезная интерпретация разделяет трафик артефактов, исполнения, клиентов и управления. (событие: 2026-08-31)
- [Суверенный AI: от языка инвестиций к ответственности эксплуатации](https://retrivium.ai/ru/retrospectives/retro-humain-sovereign-ai-operation.md): Запуск HUMAIN переносит внимание с масштаба инвестиций на эксплуатационную ответственность: доступу, обслуживанию, восстановлению и приёмке нужны определённые владельцы. (событие: 2026-08-31)
- [Суверенной AI-мощности нужна эксплуатационная граница помимо адреса](https://retrivium.ai/ru/retrospectives/retro-humain-sovereign-operations-stack.md): Местная мощность HUMAIN требует карты границ приложения. Запросы, артефакты, диагностика, управление и восстановление способны проходить разными путями. (событие: 2026-08-31)
- [Отчёт Qwen3.8Next: состояние за пределами активных параметров](https://retrivium.ai/ru/retrospectives/qwen38-next-report-off-accelerator-state.md): Отчёт Qwen3.8Next включает состояние вне ускорителя в анализ инференса, поэтому одни активные параметры не описывают требования развёртывания. (событие: 2026-08-31)
- [Qwen публикует отчёт об архитектуре FlashNext: n-gram таблицы вне ускорителя](https://retrivium.ai/ru/retrospectives/retro-qwen38next-paper-ngram-residency.md): Отчёт Qwen3.8-Next размещает n-gram таблицы вне ускорителя. Объясняем, почему активные параметры не описывают полный путь памяти при инференсе. (событие: 2026-08-31)
- [Qwen публикует отчёт об архитектуре FlashNext: архитектурные ablation и выводы развёртывания](https://retrivium.ai/ru/retrospectives/retro-qwen38next-paper-ablation-reading.md): Архитектурные ablation Qwen3.8-Next объясняют исследовательский выбор. Разбираем, почему результаты предобучения не определяют производительность сервиса. (событие: 2026-08-31)
- [Продление сцены делает непрерывность проверяемым условием](https://retrivium.ai/ru/retrospectives/omni11-extension-continuity.md): Почему продление сцен Omni 1.1 нужно проверять на физическую и сюжетную непрерывность стыка, а не только красоту дополнительных кадров. (событие: 2026-08-27)
- [Первый и последний кадры не задают весь переход](https://retrivium.ai/ru/retrospectives/omni11-endpoints-transition-path.md): Почему интерполяции кадров Omni 1.1 нужны ограничения пути, различающие движение камеры, предмета и непрерывность между опорами. (событие: 2026-08-27)
- [Выбор разрешения не гарантирует исходную детализацию](https://retrivium.ai/ru/retrospectives/omni11-resolution-upscaling-meaning.md): Почему увеличение Omni 1.1 до 4K нужно оценивать отдельно от исходной детализации, верности содержания и временной согласованности видео. (событие: 2026-08-27)
- [Дешёвым видеопробам нужна явная передача в итоговый артефакт](https://retrivium.ai/ru/retrospectives/omni11-prototype-final-artifact.md): Почему облегчённым пробам Omni 1.1 нужна запись творческого выбора и отдельная приёмка окончательного артефакта. (событие: 2026-08-27)
- [Как скрытые тесты стали инфраструктурной задачей оценки AI](https://retrivium.ai/ru/retrospectives/double-blind-ai-hidden-test.md): Как пилот двойной слепой оценки AI продолжает историю широких бенчмарков и превращает сохранность скрытого теста в системную задачу. (событие: 2026-08-27)
- [Почему конфиденциальная оценка должна защищать и модели, и вопросы](https://retrivium.ai/ru/retrospectives/double-blind-ai-model-sovereignty.md): Почему двойная слепая оценка AI имеет две цели конфиденциальности: защиту артефактов закрытой модели и нераскрытых вопросов проверяющего. (событие: 2026-08-27)
- [Как аттестация изменила доказательную базу AI-бенчмарка](https://retrivium.ai/ru/retrospectives/double-blind-ai-attestation.md): Как двойной слепой пилот связывает аттестацию исполнения со свидетельствами бенчмарка, сохраняя различие подтверждения конфигурации и научной валидности. (событие: 2026-08-27)
- [Почему двойное слепое исполнение не исправит слабый бенчмарк](https://retrivium.ai/ru/retrospectives/double-blind-ai-benchmark-design.md): Почему двойной слепой процесс не исправляет непредставительный бенчмарк и как сохранять различие целостности исполнения и валидности задания. (событие: 2026-08-27)
- [Умная транскрипция меняет границу цитирования](https://retrivium.ai/ru/retrospectives/transcribe35-smart-cleanup-evidence.md): Почему очистку Gemini 3.5 Transcribe нужно считать выбором представления, когда читаемые заметки и точные цитаты имеют разные требования. (событие: 2026-08-26)
- [Живая транскрипция и обработка записи имеют разные контракты](https://retrivium.ai/ru/retrospectives/transcribe35-live-recorded-contracts.md): Почему живому и записанному путям Gemini 3.5 Transcribe нужны разные правила завершения, идентичности входа и дальнейшего использования. (событие: 2026-08-26)
- [Пользовательскому словарю нужна проверка по аудио](https://retrivium.ai/ru/retrospectives/transcribe35-vocabulary-scope.md): Как проверять словарные подсказки Gemini 3.5 Transcribe по контрастному аудио, исправлениям и ложным заменам вместо ожидаемого написания. (событие: 2026-08-26)
- [Метки говорящих и время слов несут разную неопределённость](https://retrivium.ai/ru/retrospectives/transcribe35-speaker-timestamp-trust.md): Почему словам, меткам говорящих и времени Gemini 3.5 Transcribe нужны отдельные проверки перед объединением в запись действий. (событие: 2026-08-26)
- [Перенос контроллера меняет больше, чем спецификацию памяти](https://retrivium.ai/ru/retrospectives/retro-nvhbm-controller-placement.md): NVHBM переносит функции контроллера в базовый кристалл HBM. Изменение сдвигает обязанности интеграции при сохраняющейся будущей квалификации партнёров. (событие: 2026-08-26)
- [Выбор собственного XPU по-прежнему зависит от квалификации памяти](https://retrivium.ai/ru/retrospectives/retro-nvhbm-custom-xpu-qualification.md): NVHBM расширяет модульную инфраструктуру специальных XPU. Повторное использование памяти сужает проектирование, сохраняя квалификацию конечных сочетаний. (событие: 2026-08-26)
- [Мощность HBM не равна энергии полного инференса](https://retrivium.ai/ru/retrospectives/retro-nvhbm-component-system-energy.md): Утверждения мощности NVHBM не устанавливают энергию всего инференса. Результату сервиса нужны системная граница, длительность и учёт полезного выхода. (событие: 2026-08-26)
- [Почему собственные ускорители могут делить архитектуру стойки и оставаться разными](https://retrivium.ai/ru/retrospectives/retro-nvhbm-hyperscaler-common-rack.md): Fusion и NVHBM объединяют инфраструктуру вокруг специальных ускорителей. Архитектурное взаимодействие не означает одинаковых инструкций или переносимости бинарных моделей. (событие: 2026-08-26)
- [Два миллиона запланированных GPU — окно поставок, а не снимок склада](https://retrivium.ai/ru/retrospectives/retro-aws-two-million-delivery-window.md): План AWS и NVIDIA охватывает 2027–2028 годы. Дополнительные GPU описывают будущий поток поставки, а не текущий инвентарь региона или выделение клиенту. (событие: 2026-08-26)
- [Почему анонсы AI-мощности нельзя складывать без проверки пересечений](https://retrivium.ai/ru/retrospectives/retro-aws-capacity-roadmap-overlap.md): Перед сложением мощностей нужны область и время. Число расширения AWS нельзя добавлять к каждой дорожной карте без подтверждения пересечений. (событие: 2026-08-26)
- [Разнородной GPU-дорожной карте нужны общие системы, а не только чипы](https://retrivium.ai/ru/retrospectives/retro-aws-common-infrastructure-heterogeneous.md): Дорожная карта AWS и NVIDIA охватывает разные поколения и инфраструктуру. Поставка сервиса зависит от сети, изоляции и ПО вместе с предложением GPU. (событие: 2026-08-26)
- [План гиперскейлера не резервирует мощность отдельному приложению](https://retrivium.ai/ru/retrospectives/retro-aws-public-plan-customer-allocation.md): Расширение AWS — будущее общее предложение. Приложению всё ещё нужны поддерживаемая конфигурация, расположение, условия аккаунта и окно выделения. (событие: 2026-08-26)
- [GLM5.3 Flash: почему название скрывает другую базовую архитектуру](https://retrivium.ai/ru/retrospectives/glm53-flash-new-base-chronology.md): GLM5.3 Flash следует понимать как новую основу и контракт исполнения, а не уменьшенное численное представление прежнего флагмана. (событие: 2026-08-26)
- [Z.ai запускает мультимодальную GLM5.3 Flash: гибридное внимание и предположения движка](https://retrivium.ai/ru/retrospectives/retro-glm53-flash-hybrid-state.md): Новая гибридная основа GLM5.3Flash меняет предположения обслуживания, поэтому метка Flash не оправдывает неизменное копирование работы с состоянием более крупной модели семейства. (событие: 2026-08-26)
- [Z.ai запускает мультимодальную GLM5.3 Flash: нативный визуальный вход и происхождение модели](https://retrivium.ai/ru/retrospectives/retro-glm53-flash-visual-base.md): Нативный визуальный путь GLM5.3Flash относится к новой мультимодальной основе, поэтому его нельзя описывать как processor поверх неизменного прежнего текстового checkpoint семейства. (событие: 2026-08-26)
- [Z.ai запускает мультимодальную GLM5.3 Flash: анонимная обратная связь до именованного релиза](https://retrivium.ai/ru/retrospectives/retro-glm53-flash-preview-feedback.md): Анонимная обратная связь preview выявляет полезные случаи, но не становится контролируемым benchmark GLM5.3Flash только после появления публичного имени модели и нового анонса. (событие: 2026-08-26)
- [Общая память Cowork изменила передачу от разговора к работе](https://retrivium.ai/ru/retrospectives/cowork-memory-cross-surface-continuity.md): Как общая память Claude и Cowork сокращает повторное задание, оставаясь отличной от актуальных свидетельств и точных артефактов работы. (событие: 2026-08-25)
- [Редактируемые темы сделали память проверяемым объектом](https://retrivium.ai/ru/retrospectives/cowork-memory-editable-topics.md): Как редактируемые темы памяти Claude превращают повторные исправления ответов в проверяемые изменения постоянных предположений с ясными границами. (событие: 2026-08-25)
- [Общую память и доказательства проекта нужно различать](https://retrivium.ai/ru/retrospectives/cowork-memory-project-boundary.md): Почему общей памяти Cowork нужно различать переносимые предпочтения письма, проектные определения и факты, связанные со своим источником. (событие: 2026-08-25)
- [Настройки памяти меняют предположения продолжения](https://retrivium.ai/ru/retrospectives/cowork-memory-sensitive-topic-defaults.md): Как настройки чувствительных тем меняют входы продолжения и почему отсутствующий контекст нужно обнаруживать явно, а не выдумывать. (событие: 2026-08-25)
- [Granite4.2: почему название семейства не определяет архитектуру](https://retrivium.ai/ru/retrospectives/granite42-dense-reasoning-family-change.md): Granite4.2 показывает, почему имя семейства не является полной архитектурной спецификацией. (событие: 2026-08-25)
- [IBM выпускает Granite4.2 с нативным рассуждением: dense-модели после гибридных предшественников](https://retrivium.ai/ru/retrospectives/retro-ibm-granite42-dense-family.md): Плотная архитектура Granite4.2 означает, что имя семейства не определяет требования обслуживания, особенно если прежняя конфигурация Granite опиралась на другие внутренние предположения исполняющего пути. (событие: 2026-08-25)
- [Granite 4.2: нативное рассуждение и корпоративные парсеры](https://retrivium.ai/ru/retrospectives/retro-ibm-granite42-native-thinking.md): Нативное рассуждение Granite4.2 делает интерпретацию ответа вопросом корпоративной интеграции, поскольку способному ответу нужна явная граница до принятия его приложением как структурированного результата задачи. (событие: 2026-08-25)
- [IBM выпускает Granite4.2 с нативным рассуждением: многоэтапное post-training и объяснение изменений](https://retrivium.ai/ru/retrospectives/retro-ibm-granite42-multistage-rl.md): Granite4.2 изменил дообучение вместе с корпоративным рассуждением. Разбираем, почему итоговый benchmark не объясняет вклад каждого этапа подготовки модели. (событие: 2026-08-25)
- [Groq 3 LPX отделяет специализацию генерации токенов от общих вычислений](https://retrivium.ai/ru/retrospectives/retro-groq-lpx-decode-specialization.md): Groq 3 LPX объявлен специализированным расширением генерации Rubin. Его роль лучше оценивать через размещение фаз и окружающий системный путь. (событие: 2026-08-24)
- [Полное производство оборудования и публичный API — разные этапы](https://retrivium.ai/ru/retrospectives/retro-groq-lpx-production-api.md): Производство Groq 3 LPX и интеграция Nebius — разные этапы. Аппаратный релиз сам по себе не устанавливает общедоступный клиентский маршрут API. (событие: 2026-08-24)
- [Быстрая генерация токенов не определяет весь агентный цикл](https://retrivium.ai/ru/retrospectives/retro-groq-lpx-agent-speed-boundary.md): LPX ускоряет генерацию, а агенты также обрабатывают входы, вызывают инструменты и ждут зависимости. Завершение задачи требует более широкой границы времени. (событие: 2026-08-24)
- [Почему benchmark LPX требует указания модели и контекста](https://retrivium.ai/ru/retrospectives/retro-groq-lpx-benchmark-denominator.md): Тест LPX относится к названным модели, контексту и системному пути. Полезное сравнение сохраняет время, конкурентность и границы приемлемого результата. (событие: 2026-08-24)
- [Pipette: августовский переход от баллов модели к измерению системы](https://retrivium.ai/ru/retrospectives/pipette-system-benchmark-2026.md): Релиз Pipette важен тем, что единицей измерения становится развёрнутая конфигурация, а не отдельное имя модели. (событие: 2026-08-24)
- [Liquid и Artificial Analysis представляют Pipette: зависимость рейтинга устройств от контекста](https://retrivium.ai/ru/retrospectives/retro-liquid-pipette-context-rankings.md): Системная постановка Pipette включает контекст в рейтинг, поэтому лидер одного типа запроса не становится универсальным победителем локального инференса. (событие: 2026-08-24)
- [Pipette: версия движка как условие сравнения производительности](https://retrivium.ai/ru/retrospectives/retro-liquid-pipette-runtime-control.md): Системный подход Pipette делает ревизию runtime переменной измерения, а не невидимой подробностью за неизменным именем модели и одинаковым пользовательским заданием. (событие: 2026-08-24)
- [Liquid и Artificial Analysis представляют Pipette: тепловое состояние и воспроизводимость edge-тестов](https://retrivium.ai/ru/retrospectives/retro-liquid-pipette-thermal-state.md): Подход Pipette к измерению устройств делает их состояние частью воспроизводимости, поэтому повторным запускам нужен объявленный жизненный цикл, а не необъяснённая средняя. (событие: 2026-08-24)
- [Релиз LFM2.5 DSpark: почему drafter является отдельным артефактом](https://retrivium.ai/ru/retrospectives/lfm25-dspark-separate-artifacts.md): Текстовый релиз DSpark добавляет парный артефакт развёртывания, а не новую замену target-модели. (событие: 2026-08-20)
- [Agentic Search: переход от поиска к циклу чтения и проверки](https://retrivium.ai/ru/retrospectives/mistral-agentic-search-evidence-loop.md): Agentic Search меняет вопрос поиска: вместо нахождения похожего отрывка нужно определить, какое подтверждение требует дальнейшего изучения. (событие: 2026-08-20)
- [Liquid публикует DSpark drafter для текстовых моделей: память drafter и экономия проверки](https://retrivium.ai/ru/retrospectives/retro-liquid-text-dspark-draft-memory.md): Текстовый DSpark добавляет отдельный черновой артефакт, поэтому сокращение последовательной работы target нужно сопоставлять с состоянием и вычислениями нового компонента. (событие: 2026-08-20)
- [Liquid публикует DSpark drafter для текстовых моделей: сохранение распределения и правильность интеграции](https://retrivium.ai/ru/retrospectives/retro-liquid-text-dspark-sampling-proof.md): Спекулятивное исполнение DSpark должно сохранять контракт target, поэтому свойство алгоритма не подтверждает автоматически каждое сочетание runtime и параметров выборки. (событие: 2026-08-20)
- [Liquid публикует DSpark drafter для текстовых моделей: ревизии target и совместимость drafter](https://retrivium.ai/ru/retrospectives/retro-liquid-text-dspark-target-identity.md): Обновление target меняет идентичность пары DSpark, поэтому принятая конфигурация draft не подтверждает автоматически каждый последующий checkpoint того же семейства. (событие: 2026-08-20)
- [Mistral представляет Agentic Search: поисковая навигация и генерация ответа](https://retrivium.ai/ru/retrospectives/retro-mistral-agentic-search-verification-loop.md): Agentic Search Mistral меняет поиск и изучение свидетельств, но успешная навигация не делает окончательный ответ автоматически подтверждённым найденными источниками и прочитанными фрагментами. (событие: 2026-08-20)
- [Mistral представляет Agentic Search: редакции документов в агентной навигации](https://retrivium.ai/ru/retrospectives/retro-mistral-agentic-search-document-identity.md): Agentic Search повторно изучает документ, поэтому идентичность ревизии существенна при объединении в ответе свидетельств, полученных в разные моменты выполнения поискового процесса. (событие: 2026-08-20)
- [Mistral представляет Agentic Search: число поисковых шагов как задача остановки](https://retrivium.ai/ru/retrospectives/retro-mistral-agentic-search-loop-budget.md): Agentic Search допускает дополнительный поиск, но остановка остаётся вопросом нерешённых свидетельств приложения, а не универсального количества шагов для каждого документа и запроса. (событие: 2026-08-20)
- [Grok Build: Созданное приложение меняет смысл при публикации](https://retrivium.ai/ru/retrospectives/grok-build-everyone-preview-to-published.md): Как переход Grok Build от предпросмотра в чате к опубликованным приложениям меняет идентичность, аудиторию и свидетельства проверки сгенерированного результата. (событие: 2026-08-19)
- [Название Grok Build не определяет единственную среду](https://retrivium.ai/ru/retrospectives/grok-build-surface-runtime-differences.md): Почему открытой терминальной оболочке Grok Build и позднему Build Mode в браузере и телефоне нужны отдельные описания среды при общем имени семейства. (событие: 2026-08-19)
- [Grok Build: Мобильному созданию нужна явная передача на проверку](https://retrivium.ai/ru/retrospectives/grok-build-mobile-review-handoff.md): Как мобильная доступность Grok Build меняет удобство проверки, сохраняя необходимость изучения функций, аудитории и публикации созданного приложения. (событие: 2026-08-19)
- [Как платёжная инфраструктура встретилась с маршрутизацией инференса](https://retrivium.ai/ru/retrospectives/retro-stripe-openrouter-billing-routing.md): Stripe и OpenRouter связывают биллинг пользователей с решениями upstream-инференса. Соглашение объясняет стратегическое пересечение, а интеграции и финансовым результатам нужны поздние подтверждения. (событие: 2026-08-19)
- [Что означала нейтральность в объявлении о приобретении OpenRouter](https://retrivium.ai/ru/retrospectives/retro-openrouter-neutrality-after-agreement.md): Заявление преемственности OpenRouter является обязательством компании. Нейтральность остаётся вопросом вариантов, клиентских ограничений, правил выбора и фактического исполнения. (событие: 2026-08-19)
- [От Stripe Projects до соглашения о приобретении](https://retrivium.ai/ru/retrospectives/retro-openrouter-acquisition-chronology.md): Ранний Stripe Projects соединял аккаунт, ключ и оплату. Позднее соглашение о приобретении — отдельный корпоративный этап, не изменение прежней интеграции задним числом. (событие: 2026-08-19)
- [LFM2.5 QAD: квантованный релиз после обучения, а не только конвертации](https://retrivium.ai/ru/retrospectives/lfm25-qad-training-versus-conversion.md): Релиз QAD делает происхождение обучения частью идентичности квантованного checkpoint вместо полного описания одной меткой квантования. (событие: 2026-08-19)
- [LFM2.5 QAD Q4_0: обученное квантование и происхождение весов](https://retrivium.ai/ru/retrospectives/retro-liquid-qad-trained-artifact.md): LFM2.5 QAD показывает, почему метка Q4_0 определяет представление, а не полное происхождение обученного checkpoint внутри файла с этим обозначением. (событие: 2026-08-19)
- [LFM2.5 QAD: сравнение с моделью-учителем и локальная приёмка](https://retrivium.ai/ru/retrospectives/retro-liquid-qad-teacher-reference.md): Результат восстановления качества teacher для LFM2.5 QAD отвечает на вопрос сравнения моделей, но не подтверждает автоматически пригодность извлечения с другими последствиями ошибок. (событие: 2026-08-19)
- [LFM2.5 QAD: смена квантованных весов и точные идентификаторы](https://retrivium.ai/ru/retrospectives/retro-liquid-qad-precision-migration.md): При замене конвертированных весов на обученный LFM2.5 QAD нужно сохранить проверки идентификаторов: гладкий ответ скрывает ошибки, особенно существенные структурированному клиенту. (событие: 2026-08-19)
- [GLM5.3: новый этап post-training на прежней основе](https://retrivium.ai/ru/retrospectives/glm53-same-base-new-posttraining.md): Анонс GLM5.3 является этапом post-training, а не доказательством необходимости более крупной основы для любого роста возможностей. (событие: 2026-08-14)
- [Qwen3.8-27B: отдельная хронология релиза рядом с весами Max-класса](https://retrivium.ai/ru/retrospectives/qwen38-27b-separate-weight-timeline.md): У Qwen3.8-27B собственная хронология релиза, поэтому имя семейства не заменяет определение весов, которые действительно были доступны и проверены. (событие: 2026-08-14)
- [Z.ai анонсирует GLM5.3 с изменениями post-training: прежняя основа и новое post-training](https://retrivium.ai/ru/retrospectives/retro-glm53-announcement-base-reuse.md): Обновление GLM5.3 на прежней основе делает дообучение существенной осью сравнения, поэтому неизменное число параметров не устанавливает прежнее поведение на прикладных задачах. (событие: 2026-08-14)
- [Z.ai анонсирует GLM5.3 с изменениями post-training: анонс и последующая публикация весов](https://retrivium.ai/ru/retrospectives/retro-glm53-announcement-release-stages.md): Анонсу GLM5.3, облачному развёртыванию и скачиваемым артефактам нужны отдельные даты, поскольку одно название модели объединяет несколько разных стадий её доступности внешнему оператору. (событие: 2026-08-14)
- [Z.ai анонсирует GLM5.3 с изменениями post-training: защитные возможности и границы оценки](https://retrivium.ai/ru/retrospectives/retro-glm53-announcement-cyber-evidence.md): Контролируемые защитные оценки GLM5.3 описывают распределение задач, а не доказывают универсальную безопасность развёрнутой системы, использующей модель и внешние инструменты в конкретной среде. (событие: 2026-08-14)
- [Бюджет рассуждения Qwen3.8-27B: когда дополнительный вывод не помогает задаче](https://retrivium.ai/ru/retrospectives/retro-qwen38-27b-weights-thinking-budget.md): Ретроспектива управления рассуждением Qwen и публикации Qwen3.8-27B: как отделять способности модели от бюджета вывода, необходимого конкретной задаче. (событие: 2026-08-14)
- [Checkpoint Qwen3.8-27B: как различать официальные веса и конверсии](https://retrivium.ai/ru/retrospectives/retro-qwen38-27b-weights-precision-evidence.md): Релиз Qwen3.8-27B как история артефактов: почему для толкования локальных результатов нужны ревизия checkpoint, происхождение конверсии и шаблон. (событие: 2026-08-14)
- [Flash 3.7 превратила обратную связь в короткий цикл выпуска](https://retrivium.ai/ru/retrospectives/flash37-release-cadence-feedback.md): Как быстрый цикл Gemini 3.7 Flash превращает отзывы в регрессионные сценарии, сохраняя различие совместимости и качества. (событие: 2026-08-13)
- [Метка рабочей модели требует учёта токенов завершённой задачи](https://retrivium.ai/ru/retrospectives/flash37-workhorse-token-efficiency.md): Как вводную цену Gemini 3.7 Flash и тщательную работу инструментов оценивать через полный расход эквивалентной принятой задачи. (событие: 2026-08-13)
- [Улучшения генерации UI требуют проверки соответствия образцу](https://retrivium.ai/ru/retrospectives/flash37-web-ui-reference-fidelity.md): Почему утверждения об UI Gemini 3.7 Flash требуют отдельных проверок сходства снимка, правил дизайн-системы и состояний взаимодействия. (событие: 2026-08-13)
- [Улучшенной работе со знаниями нужно больше красивого документа](https://retrivium.ai/ru/retrospectives/flash37-knowledge-work-evidence.md): Почему оценке знаний Gemini 3.7 Flash нужно сохранять идентичность свидетельств при извлечении, объединении документов и итоговой подаче. (событие: 2026-08-13)
- [MiniMax Music3: почему августовское событие — публикация весов,а не первый API](https://retrivium.ai/ru/retrospectives/minimax-music3-hosted-versus-weights.md): Августовское событие MiniMax Music3 опубликовало веса генерации музыки и артефакты инференса, отличаясь от первого появления облачного продукта. (событие: 2026-08-13)
- [MiniMax Music3: почему текстовому запросу нужен контракт аудиоинференса](https://retrivium.ai/ru/retrospectives/retro-minimax-music3-weights-audio-output.md): Публикация весов Music3 в контексте исследований: текстовое управление музыкой привело к задаче обслуживания с аудиоартефактами, длительностью и этапами генерации. (событие: 2026-08-13)
- [Веса MiniMax Music3: как отделить доступ к артефактам от условий модели](https://retrivium.ai/ru/retrospectives/retro-minimax-music3-weights-weight-license.md): Ретроспектива открытых весов Music3: различие облачного доступа, загружаемого пакета и условий конкретного артефакта, выбранного для исследования. (событие: 2026-08-13)
- [Grok 4.6 и разница между долгой работой и длинным чатом](https://retrivium.ai/ru/retrospectives/grok46-sustained-work-vs-long-chat.md): Почему устойчивую работу Grok 4.6 нужно проверять по артефактам, стабильной цели и обоснованному продвижению вместо длины разговора. (событие: 2026-08-12)
- [Интерактивным артефактам нужны проверки поведения](https://retrivium.ai/ru/retrospectives/grok46-interactive-artifact-acceptance.md): Почему интерактивным артефактам Grok 4.6 нужны проверки параметров, повторов и сброса помимо первого снимка. (событие: 2026-08-12)
- [Модель Grok 4.6 и кодовый harness требуют разных доказательств](https://retrivium.ai/ru/retrospectives/grok46-coding-harness-boundary.md): Почему свидетельства программирования Grok 4.6 относятся к сочетанию модели и обвязки с сохранёнными контрактами инструментов и контекстом. (событие: 2026-08-12)
- [Доступ первой недели является датированным условием](https://retrivium.ai/ru/retrospectives/grok46-provisional-access-assumptions.md): Почему включённое использование первой недели Grok 4.6 остаётся датированным условием продукта отдельно от постоянной способности и эффективности. (событие: 2026-08-12)
- [LFM2.5-VL-3B: августовские изменения локальных задач документов](https://retrivium.ai/ru/retrospectives/lfm25-vl3b-visual-edge-release.md): Визуальный выпуск LFM2.5 важен появлением отдельного пути изображений у компактной текстовой линии. (событие: 2026-08-12)
- [Liquid запускает LFM2.5-VL-3B: визуальные процессоры как артефакты релиза](https://retrivium.ai/ru/retrospectives/retro-liquid-vl3b-vision-processor.md): Визуальный processor LFM2.5-VL-3B входит в эффективный артефакт релиза, поскольку одно изображение превращается в разные свидетельства до исполнения модели. (событие: 2026-08-12)
- [Liquid запускает LFM2.5-VL-3B: OCR-вопросы и визуальные подтверждения](https://retrivium.ai/ru/retrospectives/retro-liquid-vl3b-ocr-grounding.md): Вопросы OCR для LFM2.5-VL-3B требуют приёмки по источнику, поскольку убедительное визуальное объяснение может отличаться от точного чтения изображения документа. (событие: 2026-08-12)
- [Liquid запускает LFM2.5-VL-3B: текстовое происхождение и визуальные возможности](https://retrivium.ai/ru/retrospectives/retro-liquid-vl3b-text-visual-lineage.md): Текстовая преемственность LFM2.5-VL-3B объясняет архитектуру, но визуальная возможность зависит от отдельного пути преобразования свидетельств изображения в представление модели. (событие: 2026-08-12)
- [Grok Bot перешёл от запуска процесса к постоянному исполнителю](https://retrivium.ai/ru/retrospectives/grok-bot-from-workflow-to-teammate.md): Как бета постоянного Grok Bot меняет сроки указаний, исправления процедур и предположения повторной работы. (событие: 2026-08-11)
- [Облачный компьютер меняет сохранность передачи задачи](https://retrivium.ai/ru/retrospectives/grok-bot-cloud-session-handoff.md): Почему облачной передаче Grok Bot нужно согласовать намерение, состояние браузера и сохранённые последствия отдельно от памяти беседы. (событие: 2026-08-11)
- [Остановки для согласования являются частью протокола задачи](https://retrivium.ai/ru/retrospectives/grok-bot-approval-interrupts.md): Как согласование Grok Bot связывает готовую подготовку, конкретный выбор и применяемую операцию с учётом уже данного разрешения. (событие: 2026-08-11)
- [Границе расхода беты Grok Bot нужна дата](https://retrivium.ai/ru/retrospectives/grok-bot-usage-boundary-history.md): Почему отдельный расход беты Grok Bot сохраняется с датой отдельно от ресурсов задачи, принятого результата и поздних условий планов. (событие: 2026-08-11)
- [Lightning и Switchyard: почему августовский запуск содержит два разных компонента](https://retrivium.ai/ru/retrospectives/lightning-switchyard-model-router-split.md): Lightning и Switchyard являются разными компонентами: специализированным исполнителем и библиотекой маршрутизации. (событие: 2026-08-11)
- [NVIDIA анонсирует Nemotron3.5 Lightning и Switchyard: библиотека маршрутизации и модель-специалист](https://retrivium.ai/ru/retrospectives/retro-nemotron35-lightning-router-library.md): NeMo Switchyard и NemotronLightning решают разные уровни системы специалистов, поэтому библиотека маршрутизации не выбирает подходящую модель по одному привлекательному показателю опубликованной оценки. (событие: 2026-08-11)
- [Nemotron 3.5 Lightning: дистилляция и специализация задач](https://retrivium.ai/ru/retrospectives/retro-nemotron35-lightning-distillation.md): Происхождение дистилляции NemotronLightning описывает отношение обучения, а не универсальную эквивалентность большому teacher для каждой задачи планирования и исполнения внутри будущего приложения оператора. (событие: 2026-08-11)
- [NVIDIA анонсирует Nemotron3.5 Lightning и Switchyard: специалисты внутри длительных процессов](https://retrivium.ai/ru/retrospectives/retro-nemotron35-lightning-execution-loop.md): NemotronLightning выполняет повторные шаги длинного процесса, но компактный специалист не отменяет проверки внешних действий и накопленного состояния между последовательными обращениями приложения к модели. (событие: 2026-08-11)
- [Grok Image 2.0: проверка текста помимо качества изображения](https://retrivium.ai/ru/retrospectives/imagine2-typography-acceptance.md): Imagine Image 2.0 подчёркивает типографику и компоновку. Ретроспектива различает точный текст, визуальную иерархию и размещение в полезной сгенерированной графике. (событие: 2026-08-07)
- [Grok Image 2.0: какие детали образца должно сохранить редактирование](https://retrivium.ai/ru/retrospectives/imagine2-edit-reference-identity.md): Почему редактированию с сохранением образца в Grok Image 2.0 нужны явные неизменяемые признаки, чтобы красивые изменения не стирали обязательные детали объекта. (событие: 2026-08-07)
- [Grok Image 2.0: что подтверждает название Quality Mode](https://retrivium.ai/ru/retrospectives/imagine2-quality-mode-task-meaning.md): Что устанавливает название Quality Mode для Grok Image 2.0 и почему конкретной задаче всё ещё нужны свидетельства текста, образца и пригодности выхода. (событие: 2026-08-07)
- [SK hynix FMS: Почему FMS рассматривала AI-память как размещение по уровням](https://retrivium.ai/ru/retrospectives/retro-fms-memory-tier-placement.md): Презентации SK hynix на FMS предшествовали план стоечной платформы и отчёт о поставках HBM. Почему следующий вопрос памяти касается размещения состояния между уровнями. (событие: 2026-08-07)
- [SK hynix FMS: Дорожная карта HBF не подтверждает готовые серверы HBF](https://retrivium.ai/ru/retrospectives/retro-fms-hbf-roadmap-shipment.md): Обсуждению HBF на FMS предшествовали подтверждённые этапы поставок HBM. Как читать новую дорожную карту памяти, не принимая её за доступные серверы. (событие: 2026-08-07)
- [SK hynix FMS: Расширение CXL добавляет место хранения, а не эквивалент локальной памяти](https://retrivium.ai/ru/retrospectives/retro-fms-cxl-capacity-latency.md): Как переход от поставок HBM к демонстрациям иерархии на FMS изменил разговор о CXL: дополнительная ёмкость стала вопросом размещения данных под конкретную нагрузку. (событие: 2026-08-07)
- [SK hynix FMS: Широкому портфелю памяти всё равно нужно ПО управления состоянием](https://retrivium.ai/ru/retrospectives/retro-fms-memory-vendor-system-role.md): Широкому портфелю SK hynix на FMS предшествовали новости платформы и поставок. Почему полный набор компонентов всё ещё оставляет ПО управление перемещением и жизненным циклом кэша. (событие: 2026-08-07)
- [Taalas и движение AMD к специализированному оборудованию инференса](https://retrivium.ai/ru/retrospectives/retro-amd-taalas-specialized-inference.md): Соглашению Taalas предшествуют специализация фаз инференса и дорожная карта AMD. Полезный вопрос — где приспособленный путь исполнения соответствует меняющейся нагрузке. (событие: 2026-08-06)
- [Почему заголовок о Taalas нужно читать вместе с условиями сделки](https://retrivium.ai/ru/retrospectives/retro-taalas-agreement-headline-body.md): Заголовок Taalas и основной текст имеют разную точность. Карточке события следует сохранить название, определяя тип объявленной сделки по предметному описанию. (событие: 2026-08-06)
- [Два разных пути специализированного инференса в портфеле AMD 2026 года](https://retrivium.ai/ru/retrospectives/retro-taalas-cerebras-inference-portfolio.md): Объявления Cerebras и Taalas указывают на дополняющие пути инференса. Анализ портфеля сначала различает альтернативы, компоненты фаз и слои платформы. (событие: 2026-08-06)
- [Соглашение о чипах инференса оставляет дорожную карту интеграции](https://retrivium.ai/ru/retrospectives/retro-taalas-integration-roadmap-risk.md): Соглашение Taalas начинает дорожную карту интеграции. Сопровождаемому пути нужны явные артефакты модели, выбор runtime, квалификация версий и ответственность поддержки. (событие: 2026-08-06)
- [CoreWeave Indonesia: Контрактная мощность в Индонезии и работающие GPU требуют разных реестров](https://retrivium.ai/ru/retrospectives/retro-coreweave-indonesia-contract-live.md): Расширению CoreWeave в Индонезии предшествовали аппаратная дорожная карта и выпуски платформы. Почему законтрактованное питание на 2028 год отличается от доступных GPU. (событие: 2026-08-04)
- [CoreWeave Indonesia: Новому AI-региону нужна эксплуатационная команда вместе с оборудованием](https://retrivium.ai/ru/retrospectives/retro-coreweave-indonesia-local-operations.md): План CoreWeave в Индонезии включает обучение местной эксплуатации. Как ранние выпуски вычислений и песочниц делают команду частью региональной мощности ИИ. (событие: 2026-08-04)
- [CoreWeave Indonesia: Для локальности нужен местный путь сервиса, а не только адрес ЦОД](https://retrivium.ai/ru/retrospectives/retro-coreweave-indonesia-location-service.md): Будущие площадки CoreWeave в Индонезии ставят вопрос локальности. Почему адрес регионального объекта сам по себе не определяет полный путь запроса ИИ. (событие: 2026-08-04)
- [CoreWeave Indonesia: План ЦОД на 2028 год должен учитывать смену поколений ускорителей](https://retrivium.ai/ru/retrospectives/retro-coreweave-indonesia-generation-window.md): Плану площадок CoreWeave в Индонезии на 2028 год предшествовала дорожная карта ускорителей 2026 года. Почему проектирование ЦОД и поколения GPU идут по разным часам. (событие: 2026-08-04)
- [LFM2.5-2.6B: хронология локальной агентной модели по первоисточнику](https://retrivium.ai/ru/retrospectives/lfm25-26b-announcement-timeline.md): Анонс LFM2.5-2.6B следует понимать как этап локальных агентов с последующими ветвями артефактов, а не одну дату всех файлов экосистемы. (событие: 2026-08-04)
- [Shieldstral: августовский переход от фиксированных меток к вопросам политики](https://retrivium.ai/ru/retrospectives/shieldstral-policy-question-release.md): Shieldstral сделал вопросы политики частью входа мультимодального классификатора, что меняет способ регистрации и сравнения поведения модерации. (событие: 2026-08-04)
- [SpecForge: августовское разделение жизненных циклов target и trainer](https://retrivium.ai/ru/retrospectives/specforge-target-trainer-lifecycle-split.md): SpecForge отделил производство признаков target от оптимизации draft, сделав независимые жизненные циклы архитектурным вопросом, а не деталью номера релиза. (событие: 2026-08-04)
- [Liquid выпускает LFM2.5-2.6B для локальных агентов: трассы рассуждения постоянных локальных агентов](https://retrivium.ai/ru/retrospectives/retro-liquid-26b-thinking-session.md): Компактные веса LFM2.5-2.6B не означают компактную долгую сессию: постоянный агент накапливает разговоры, результаты инструментов и незавершённую работу между вызовами. (событие: 2026-08-04)
- [Liquid выпускает LFM2.5-2.6B для локальных агентов: выполнение инструментов и гладкий план](https://retrivium.ai/ru/retrospectives/retro-liquid-26b-tool-evidence.md): Ориентация LFM2.5-2.6B на агентов делает инструменты существенными, но убедительный план не доказывает успешного завершения внешнего действия в среде приложения. (событие: 2026-08-04)
- [Liquid выпускает LFM2.5-2.6B для локальных агентов: даты анонса и обновления карточек](https://retrivium.ai/ru/retrospectives/retro-liquid-26b-date-provenance.md): Хронология LFM2.5-2.6B должна следовать датированному первичному анонсу, а не превращать поздние изменения карточки или сторонние публикации в новый запуск модели. (событие: 2026-08-04)
- [Mistral выпускает Shieldstral с задаваемой политикой: вопросы политики как версионируемые входы](https://retrivium.ai/ru/retrospectives/retro-mistral-shieldstral-policy-question.md): Shieldstral переносит вопросы политики во вход инференса. Прослеживаем переход от фиксированных меток к формулировкам, которые приложение должно проверять и версионировать. (событие: 2026-08-04)
- [Mistral выпускает Shieldstral с задаваемой политикой: политика содержания и определение происхождения](https://retrivium.ai/ru/retrospectives/retro-mistral-shieldstral-classifier-provenance.md): Модерация Shieldstral и обнаружение водяных знаков отвечают разным вопросам. Объясняем, почему классификация по политике не устанавливает происхождение текста. (событие: 2026-08-04)
- [Разделение SpecForge: захваченным признакам нужен жизненный цикл владения](https://retrivium.ai/ru/retrospectives/retro-specforge-disaggregation-feature-ownership.md): Как SpecForge пришёл к отдельным пулам инференса target и обучения drafter и почему конвейеру признаков нужны явные правила владения и восстановления. (событие: 2026-08-04)
- [Проверки согласованности SpecForge: малый тест перед большим запуском](https://retrivium.ai/ru/retrospectives/retro-specforge-disaggregation-consistency-gate.md): Ретроспектива проверки согласованности SpecForge: как контролируемый пример выявляет несовместимость конвейера, не доказывая итоговое качество модели. (событие: 2026-08-04)
- [Qwen3.8 Max: отделяем анонс 3 августа от последующих весов](https://retrivium.ai/ru/retrospectives/qwen38-max-announcement-and-weights.md): Анонс Qwen3.8 Max создал этап облачной модели и будущее обязательство весов, а не один повсеместно доступный артефакт. (событие: 2026-08-03)
- [Alibaba анонсирует Qwen3.8 Max и будущие веса Max-класса: зрение в API и текстовые загружаемые веса](https://retrivium.ai/ru/retrospectives/retro-qwen38max-announcement-weight-modality.md): Облачные возможности Qwen3.8Max и контракт скачиваемых весов проверяют отдельно, поскольку общий анонс семейства не делает модальности всех маршрутов исполнения автоматически одинаковыми для клиента. (событие: 2026-08-03)
- [Alibaba анонсирует Qwen3.8 Max и будущие веса Max-класса: активные параметры и перемещение полного checkpoint](https://retrivium.ai/ru/retrospectives/retro-qwen38max-announcement-max-scale.md): Выбранные вычисления Qwen3.8Max не равны перемещению полного checkpoint: загрузка и распределение требуют состояния за пределами экспертов, активных в одном конкретном запросе к модели. (событие: 2026-08-03)
- [Qwen3.8-Max: один анонс и разные этапы доступности](https://retrivium.ai/ru/retrospectives/retro-qwen38max-announcement-release-clock.md): Облачный анонс Qwen3.8Max, публикация checkpoint и поддержка runtime образуют разные этапы доступности, поэтому одна дата запуска не заменяет полную историю принятия модели оператором. (событие: 2026-08-03)

## Ресурсы

- [Полное содержание](https://retrivium.ai/ru/llms-full.txt)
- [Markdown](https://retrivium.ai/ru/index.md)
- [RSS](https://retrivium.ai/ru/rss.xml)
- [XML sitemap](https://retrivium.ai/sitemap-index.xml)
- [English collection](https://retrivium.ai/journal/)