logo
publist
写文章

简介

该用户还未填写简介

擅长的技术栈

可提供的服务

暂无可提供的服务

GPU占用率40%却无法压榨问题的原因及解决方案

也能将吞吐量提升10倍以上(实测类似场景从0.03→0.5 requests/s)。后续再引入动态批处理可进一步优化。,而非GPU算力不足。通过预加载模型+异步流水线,

#python#php#开发语言
AI 大模型编程的软件开发范式:SDD(Specification-Driven Development)模式驱动开发

关注AI 编程助手(Cursor、Claude Code等)时, SDD 无疑指的是规范驱动开发——它正在重塑软件工程师的角色,让开发者从“枯燥敲代码的打字员”,跃升为“定义系统语义、指挥 AI 干活的设计师与指挥家”。但是,如果你是在当下的 AI 编程与大模型浪潮中听到这个词,它代表的是一种具有革命性意义的下一代软件开发范式——规范驱动开发(Specification-Driven Develo

#驱动开发#人工智能
大数据技术栈演进:从MapReduce到云原生计算的全面对比(2026年)

Spark 2.0引入的Structured Streaming提供端到端的Exactly-Once语义,支持微批(ProcessingTime)和连续处理(Continuous)两种模式,后者可实现<100ms的处理延迟[6]。:MapReduce采用"分而治之"思想,将计算任务分解为Map(映射)和Reduce(归约)两个阶段。:不要追求"银弹"技术,根据业务场景的实时性要求、数据规模、团队技

#大数据#mapreduce#云原生 +2
DPO、PPO、GRPO强化学习算法对比

DPO是一种针对大型语言模型的对齐技术,用于根据人类偏好调整模型权重。它与人类反馈强化学习(RLHF)的不同之处在于,它不需要拟合奖励模型,而是使用更简单的二元数据偏好进行训练。GRPO是一种强化学习算法,专门用于增强大型语言模型中的推理能力。它通过评估彼此相关的响应组来优化模型。PPO是一种基于Actor-Critic框架的强化学习算法,通过限制策略更新幅度保证训练稳定性。

#算法#机器学习#深度学习 +1
时间序列异常检测基础系统概述(理论)

数据特性:数据量、维度、噪声水平异常类型:点异常、上下文异常、集体异常业务需求:实时性要求、误报容忍度、可解释性需求资源约束:计算资源、标注数据可用性通常采用分层检测策略,先用简单快速的方法过滤大部分正常数据,再用复杂方法精细分析可疑数据,以达到效率与准确性的平衡。

#python#机器学习#深度学习 +1
大模型领域三个不同维度的关键技术三种方式(对比学习、MOE、HSTU)

这是一种“在比较中学习”的范式。其核心思想不是让模型预测一个确切的标签,而是学习一个“表示空间”,在这个空间里,相似样本的表示距离近,不相似样本的表示距离远。希望这个详细的展开介绍能帮助您全面理解这三项重要技术。MOE是一种将“专家”组合起来的模型架构,旨在实现。的“系统级”黑科技。

#学习#人工智能#机器学习
AI发展趋势(世界模型、Next-State Prediction范式、具身智能机器人)

这是AI从"感知"进化为"认知"的核心标志。Chelsea Finn(Physical Intelligence CEO):“通用机器人策略只是起点,真正的物理智能来自机器人在真实环境中的长期交互和自我改进。**王仲远(**智源研究院院长):“Emu3.5的意义在于,它可能开创了一个新的大模型赛道…2025-2026年国内外各大机构的重磅发布,标志着这一赛道已从学术构想进入技术竞逐与产业落地的关键

#人工智能#机器人
AI发展趋势(世界模型、Next-State Prediction范式、具身智能机器人)

这是AI从"感知"进化为"认知"的核心标志。Chelsea Finn(Physical Intelligence CEO):“通用机器人策略只是起点,真正的物理智能来自机器人在真实环境中的长期交互和自我改进。**王仲远(**智源研究院院长):“Emu3.5的意义在于,它可能开创了一个新的大模型赛道…2025-2026年国内外各大机构的重磅发布,标志着这一赛道已从学术构想进入技术竞逐与产业落地的关键

#人工智能#机器人
AI发展趋势(世界模型、Next-State Prediction范式、具身智能机器人)

这是AI从"感知"进化为"认知"的核心标志。Chelsea Finn(Physical Intelligence CEO):“通用机器人策略只是起点,真正的物理智能来自机器人在真实环境中的长期交互和自我改进。**王仲远(**智源研究院院长):“Emu3.5的意义在于,它可能开创了一个新的大模型赛道…2025-2026年国内外各大机构的重磅发布,标志着这一赛道已从学术构想进入技术竞逐与产业落地的关键

#人工智能#机器人
时间序列异常检测框架CrossAD论文阅读

创新点总结CrossAD通过“跨尺度重建”解决了多尺度关联利用的深度问题,通过“跨窗口全局建模”解决了上下文视野广度的问题。两者结合,使模型同时具备了“显微镜”(洞察细粒度异常)和“望远镜”(把握全局背景)的能力。CrossAD通过机制设计,将模型从“盲人摸象(固定窗口)”和“管中窥豹(单尺度)”的传统困境中解放出来,使其能够“纵观全局、明察秋毫”,这正是其在技术上取得突破性进展的根本原因。实验验

#经验分享#python#机器学习
    共 24 条
  • 1
  • 2
  • 3
  • 请选择