重排序（Reranking）是RAG（检索增强生成）系统中的关键环节，位于“初检索”和“生成回答”之间。它的作用是：在向量检索返回一批候选文档后，用更精细的模型对它们重新排序，把最相关的文档放在最前面，从而提高最终生成回答的质量。

好家伙,这次我把《动手学深度学习》第一章读完了。先说一下,我为什么会突然翻这本书。更直接的原因是,前面我在做一个从零学习 AI 的小项目。写一个小项目去用,去学习ai(所谓干中学)写到训练循环时,代码里开始出现这些东西:再具体一点,是为了看懂这行代码:这行代码背后其实是在回答:当时我一路追下去,就追到了:让我的codex老师给我解释,越解释越晕所以我才去翻《动手学深度学习》。为了理解第一章它先把机

我今天要讲这三个话题，一个是云计算，一个大数据，一个人工智能，我为什么要讲这三个东西呢？因为这三个东西现在非常非常的火，它们之间好像互相有关系，一般谈云计算的时候也会提到大数据，谈人工智能的时候也会提大数据，谈人工智能的时候也会提云计算。所以说感觉他们又相辅相成不可分割，如果是非技术的人员来讲可能比较难理解说这三个之间的相互关系，所以有必要解释一下。一、云计算最初是实现资源管理的灵活性我们首先来说

最终，在 NLP 这个 RPE 的"原产地"，酝酿出了一种新的范式：2021 年的论文：RoFormer: Enhanced Transformer with Rotary Position Embedding 给出了答案。它不仅解决了这个问题，还直接奠定了现代大模型中位置编码的事实标准，今天几乎所有主流开源大模型（LLaMA、Mistral、Qwen、GLM……）都在使用它。这套方案就是 旋转位

云原生技术与AI基础设施深度融合，大模型在 Kubernetes 上的生产级部署成为行业当前核心课题。在千亿参数模型普及的今天，单机显存已无法承载，TP（张量并行）与 PP（流水线并行）成为标配。然而，这种分布式范式的转变，使得习惯于处理无状态微服务的 Kubernetes 原生工作负载抽象（如 Deployment/Service）显得力不从心。

400 万个 tokens。Claude Sonnet 4.6，$3 输入 / $15 输出，保守估算下来将近 $26。不是说它贵，是突然意识到：这只是一周的编码量。如果是个认真用 AI 工具的工程师，每个月的消费可能超过一台云服务器。然后 2026 年 4 月 24 日，DeepSeek 发布了 V4，并在三天后（今天，4 月 27 日）宣布 V4-Pro 限时降价 75%。我把 Claude

云原生技术与AI基础设施深度融合，大模型在 Kubernetes 上的生产级部署成为行业当前核心课题。在千亿参数模型普及的今天，单机显存已无法承载，TP（张量并行）与 PP（流水线并行）成为标配。然而，这种分布式范式的转变，使得习惯于处理无状态微服务的 Kubernetes 原生工作负载抽象（如 Deployment/Service）显得力不从心。

好家伙,这次我把《动手学深度学习》第一章读完了。先说一下,我为什么会突然翻这本书。更直接的原因是,前面我在做一个从零学习 AI 的小项目。写一个小项目去用,去学习ai(所谓干中学)写到训练循环时,代码里开始出现这些东西:再具体一点,是为了看懂这行代码:这行代码背后其实是在回答:当时我一路追下去,就追到了:让我的codex老师给我解释,越解释越晕所以我才去翻《动手学深度学习》。为了理解第一章它先把机

云原生技术与AI基础设施深度融合，大模型在 Kubernetes 上的生产级部署成为行业当前核心课题。在千亿参数模型普及的今天，单机显存已无法承载，TP（张量并行）与 PP（流水线并行）成为标配。然而，这种分布式范式的转变，使得习惯于处理无状态微服务的 Kubernetes 原生工作负载抽象（如 Deployment/Service）显得力不从心。