登录社区云，与社区用户共同成长
邀请您加入社区
摘要：作者分享全AMD组装PC的优化经验。初期使用中出现黑屏、花屏等问题，经一年排查发现三大关键因素：1）内存频率需保持自动设置以达最佳"甜点频率"；2）禁用Windows的MPO技术可解决浏览器黑屏和闪烁问题；3）关闭AMD的SAM技术能改善游戏稳定性。通过调整这三项设置，电脑已长期稳定运行，验证了AMD产品的高性价比特性。文章详细提供了各项问题的具体解决方案，包括注册表修改
本文系统梳理软件性能优化的方法论：先建立性能思维，用估算和基准测试判断优化价值，再借助 perf、VTune、benchmark 等工具定位瓶颈。文章从 CPU 流水线、执行端口、缓存、内存墙、分支预测、SIMD 向量化、LTO/PGO、指令集构建，到锁粒度、读写锁、原子操作、伪共享与 TLS，串起一套从测量到落地的优化清单。核心观点是别凭感觉调参，而要理解硬件限制、用数据验证收益，在可读性和复杂
• 方式B（更稳，Catalina/Big Sur）：Rufus 制 Win11 LTSC U 盘（勾选跳过 TPM/联网）→ Option 键开机选 EFI USB → 手动选 BOOTCAMP 分区格式化 NTFS → 安装。• Win11 IoT LTSC 2024 ISO 可用（选 x64 Enterprise LTSC或LoT），Boot Camp 驱动用 macOS 下载的 Windo
测试先于选型：不要只看 Benchmark 跑分，一定要拿你们自己真实业务的 Prompt 分布去压测。短文本和长文本的配比，直接决定了最终的吞吐表现。监控指标抓重点：别光盯着 QPS，核心盯住GPU 显存占用率KV Cache 命中率P99 延迟。尤其是 P99，业务方对卡顿极其敏感。部署隔离：长短文本请求务必分开部署到不同的推理集群，千万不要把它们塞进同一个框架实例中，否则调度器会让你痛不欲生
抑制C盘空间占用是一以贯之的工作，尤其是对于大语言模型这类动辄占用数 GB 甚至数十 GB 空间的文件来说，稍有不慎就会让本就不富裕的 C 盘空间雪上加霜。只需做一件事：新建一个名为OLLAMA_MODELS的环境变量,变量值就是你要保存的位置。C:\Users\<用户名>\.ollama\models。之前如果有下好的模型移动到新位置就好。
【Ollama镜像加速下载方法】针对GitHub下载速度慢的问题，推荐使用免费镜像加速服务：访问https://zenithrane.dpdns.org/，将Ollama下载链接粘贴至输入框，点击跳转按钮即可实现加速下载。该方法简单三步操作即可解决下载困难问题。
python调用ollama库详解，包含：准备Ollama软件、准备ollama库ollama库的基本使用ollama库的进阶使用：options参数设置、返回的json对象处理
前言我们经常在GitHub上面看到自己喜欢的项目，但是由于GitHub下载速度惊人，所以我在这里分享一下自己下载GitHub的经验。正题打开GitHub官网。我这里随便打开了一个项目，然后点击code。然后我们点击这个复制的小图标。接着我们百度搜索gitee。点击第一个然后登录，如果没有账号就先注册一个账号。然后我们点击“+”号之后点击“新建仓库”。我们找到“导入已有仓库”，然后点击，接着在输入框
查看自己github上的关注
4、点击“个人“，“学生”，进入另一个页面后滚动鼠标直接点击continue，进入另一个页面后点击有“free”的选项，登录成功。补充2：输入名字，点击continue后显示以下情况，则说明密码有问题，重新输入一个（可包含字母、数字、符号）补充1：如果出现此情况，则说明这个名字被人用了，你得重新取一个，直至显示“is available”补充：【sign in：登录】【sign up：注册】3、验
使用GitHub镜像下载Ollama运行安装程序以解决下载慢的问题
学SNICAR模式，去GITHUB下源码，学校网速感人加上IP限制，折腾近一个小时才完成，网上文章太多，自己总结一下。下载单个文件通常下载提供都是整个项目下载，但对于过大项目，下载其中几个就够了，网上的方法花里胡哨，其实有很简单的方法。点进我们要单个下载的项目，比如这里我想先下nicarAD_v3.m 和 snicarAD_v3_drv.m 源文件研究一下。我们点进相应文件，看到右上角的raw，右
是因为LM Studio中模型的搜素和下载，需要访问：https://huggingface.co/， 这个网站在国内无法正常访问。① 一定要把LM Studio安装路径下的所有文件中的huggingface.co全都替换掉，不能有遗漏，可以多查找几遍。软件下载网址：https://lmstudio.ai/，根据自己的操作系统选择对应的版本下载安装即可。② 在替换完成后，所有的文件需保存，才能生效
本文介绍了如何使用LLaMA-Factory框架对DeepSeek模型进行微调。LLaMA-Factory是一个低代码大模型训练框架，适合新手入门。文章详细说明了硬件资源准备、环境搭建、LLaMA-Factory的安装与配置、CUDA和PyTorch的安装与验证，以及如何启动LLaMA-Factory的可视化微调界面。此外，还提供了模型微调的步骤，包括准备微调数据和修改微调参数。文章最后提供了相关
由于deepseek r1有不同尺寸的量化模型，本地运行成功与否跟你电脑自身的硬件配置有关，所以需要根据你的显存来选择，如果大家不知道自己的显存可以在任务管理器里面看，注意是。接下来就回到初始界面点击左边栏第三个选项，如下图的①，在模型目录里面设置模型目录，可以在一个空间大一点的盘里新建模型目录（如图②），选择模型之后，调整模型的参数，上下文长度参数不建议调整，会占用较大的显存，其他参数可以自己研
本文详细讲解如何在 Linux + NVIDIA GPU 环境下使用 vLLM 本地部署 DeepSeek 模型，并对外提供 OpenAI 兼容 API 服务。内容涵盖环境要求说明、Python 虚拟环境创建、vLLM 安装、模型下载（支持 ModelScope）、服务启动及接口测试全过程。通过实战演示，帮助开发者快速搭建高性能大模型推理服务，适用于私有化部署、接口服务化改造及高并发推理场景。步骤
