3）数据清洗和预处理：收集到的数据可能包含噪声、缺失值和异常值，在入库之前，需要对数据进行清洗和预处理，以确保数据的质量和准确性。前端采集设备常常以最小数据字段集来传输数据包，特别是采取无线网络传输的，尽量让数据包小一些，当数据到了数据网关之后，可能我们会补齐一些字段，比如从设备ID映射出设备所在地址、区域、厂商等等，这些字段补齐之后去入库，方便之后数据查询分析。同时，还需要遵守相关的法律法规，保

本文记录了企业部署大模型技术的实践过程。业务部门因政策扶持和市场热点强烈要求部署大模型，但技术人员对投入产出比存疑。技术团队使用淘汰的Tesla P4服务器（CUDA 11.3）尝试部署时遇到vLLM等工具不兼容问题，最终采购NVIDIA L20显卡（48G显存）搭建新环境。详细记录了Python 3.12虚拟环境配置、PyTorch等基础库安装过程，以及使用LlamaFactory进行模型微调的

本文介绍了Qwen3.5-9B模型微调后的导出与部署过程。在导出阶段，详细说明了通过WebUI和命令行两种方式的导出操作，重点解决了导出过程中遇到的常见错误，包括路径配置错误、模板选择错误、库版本不兼容等问题。在部署阶段，使用vLLM创建新的虚拟环境部署模型，提供了启动脚本配置要点，包括端口设置、模型路径等关键参数。最后通过测试脚本和OpenClaw接入验证了部署的正确性，成功实现了模型的应用集成

2026年开源语音识别（ASR）领域涌现多个主流模型：OpenAI的Whisper支持99种语言，生态成熟；阿里通义的Qwen3-ASR覆盖22种中文方言，精度达SOTA；阿里达摩院的Paraformer采用非自回归架构，速度快10倍；SenseVoice集成ASR、情感识别和事件检测；小红书的FireRedASR中文CER仅0.57%，精度最高；NVIDIA NeMo适合企业级流式服务。这些模型

本次从openspec（需求）开始，Claude Code连接Penpot MCP server, 用需求spec去驱动Penpot系统进行原型设计， 在用Claude Code连接Penpot MCP server导出Penpot生成的资产（设计）到git仓库目录penpot-assets里，最后Claude Code利用openspec和penpot-assets进行编码，生成基于Vite+V

本次从openspec（需求）开始，Claude Code连接Penpot MCP server, 用需求spec去驱动Penpot系统进行原型设计， 在用Claude Code连接Penpot MCP server导出Penpot生成的资产（设计）到git仓库目录penpot-assets里，最后Claude Code利用openspec和penpot-assets进行编码，生成基于Vite+V

文章摘要： 本文对比了阿里云开源的两个大模型Qwen3.8-27B和Qwen3.6-35B-A3B-FP8的性能差异。Qwen3.8-27B是2026年8月发布的新一代27B参数稠密模型，在编码、推理和多模态能力上全面领先，8个基准测试得分高出3.2-12.9分。而Qwen3.6-35B-A3B-FP8是4月发布的35B参数MoE模型，采用FP8量化，每token仅激活3B参数，在推理效率、部署成

在AI + 时代怎么保证软件工程中需要坚守的东西，如代码质量、可读性、可维护性、性能、一定的系统设计文档，需要我们去不断尝试和反思，找到合适可靠的方法论。

开源视频分析大模型综述 本文全面梳理了当前主流的开源视频分析大模型，包括Qwen3-VL、GLM-4V、CogVLM/CogAgent、LLaVA等，从模型架构、核心能力、参数规模等维度进行对比分析。其中，阿里云通义千问的Qwen3-VL系列凭借256K上下文支持、秒级视频索引、多分辨率自适应等特性，成为当前开源界最强的多模态模型之一；GLM-4V系列在中文优化和GUI Agent能力上表现突出；

2026年开源语音识别（ASR）领域涌现多个主流模型：OpenAI的Whisper支持99种语言，生态成熟；阿里通义的Qwen3-ASR覆盖22种中文方言，精度达SOTA；阿里达摩院的Paraformer采用非自回归架构，速度快10倍；SenseVoice集成ASR、情感识别和事件检测；小红书的FireRedASR中文CER仅0.57%，精度最高；NVIDIA NeMo适合企业级流式服务。这些模型