<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[]]></title><description><![CDATA[会创造一个世界~]]></description><link>https://blog.youkuaiyun.com/u011345885</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; u011345885]]></copyright><item><title><![CDATA[【内涵】实际工作中的一些矩阵理论]]></title><link>https://blog.youkuaiyun.com/u011345885/article/details/170288948</link><guid>https://blog.youkuaiyun.com/u011345885/article/details/170288948</guid><author>u011345885</author><pubDate>Sun, 08 Nov 2026 13:09:24 +0800</pubDate><description><![CDATA[to do。]]></description><category></category></item><item><title><![CDATA[【优雅】mm系列开源仓库中的hook机制]]></title><link>https://blog.youkuaiyun.com/u011345885/article/details/170041288</link><guid>https://blog.youkuaiyun.com/u011345885/article/details/170041288</guid><author>u011345885</author><pubDate>Wed, 04 Nov 2026 13:20:15 +0800</pubDate><description><![CDATA[https://zhuanlan.zhihu.com/p/355272220]]></description><category></category></item><item><title><![CDATA[内涵：sam系列论文梳理]]></title><link>https://blog.youkuaiyun.com/u011345885/article/details/167222608</link><guid>https://blog.youkuaiyun.com/u011345885/article/details/167222608</guid><author>u011345885</author><pubDate>Wed, 07 Oct 2026 17:36:00 +0800</pubDate><description><![CDATA[梳理一下sam系列的论文]]></description><category></category></item><item><title><![CDATA[学术：学术论文的投稿与审稿]]></title><link>https://blog.youkuaiyun.com/u011345885/article/details/166790413</link><guid>https://blog.youkuaiyun.com/u011345885/article/details/166790413</guid><author>u011345885</author><pubDate>Mon, 28 Sep 2026 17:03:05 +0800</pubDate><description><![CDATA[记录学术论文投稿的点点滴滴]]></description><category></category></item><item><title><![CDATA[学术: 学术论文的科研绘图]]></title><link>https://blog.youkuaiyun.com/u011345885/article/details/166350490</link><guid>https://blog.youkuaiyun.com/u011345885/article/details/166350490</guid><author>u011345885</author><pubDate>Tue, 22 Sep 2026 17:06:59 +0800</pubDate><description><![CDATA[本文介绍如何根据ICLR2027官方模板的版面参数（如5.5in文本宽），反推绘图时的精确尺寸。通过计算子图宽度（如0.32×5.5in=4.47cm），在PowerPoint中设置幻灯片大小以匹配，确保图形插入Overleaf后显示一致。强调使用Times New Roman字体、字号7–10pt、0.75pt线宽，并通过缩放因子（如0.95）留白增强可读性。折线图则基于对齐高度（如3.22cm）设定Python绘图尺寸，最终在Overleaf中用subfigure拼接，实现视觉统一与排版精准。]]></description><category></category></item><item><title><![CDATA[内涵: 强化学习是如何更新模型参数的]]></title><link>https://blog.youkuaiyun.com/u011345885/article/details/164957719</link><guid>https://blog.youkuaiyun.com/u011345885/article/details/164957719</guid><author>u011345885</author><pubDate>Fri, 11 Sep 2026 09:30:00 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[内涵：Low-Rank Adaptation (LoRA)]]></title><link>https://blog.youkuaiyun.com/u011345885/article/details/164884939</link><guid>https://blog.youkuaiyun.com/u011345885/article/details/164884939</guid><author>u011345885</author><pubDate>Thu, 10 Sep 2026 23:58:01 +0800</pubDate><description><![CDATA[该技术通过低秩适配（LoRA）将全量微调的矩阵分解为两个低秩矩阵，大幅减少参数量，适用于LLM与Diffusion模型。其核心是固定主干，仅训练小规模可学习矩阵（如adapter或prefix layer），训练后可合并以零延迟推理。类似卷积中的3×3拆分为1×3与3×1，支持高效训练与内存存储。相比全参微调，其代价与矩阵秩相关，秩越低越省资源。虽具稀疏性特征，但非MOE。]]></description><category></category></item><item><title><![CDATA[【系列梳理】文档解析系列梳理]]></title><link>https://blog.youkuaiyun.com/u011345885/article/details/164338422</link><guid>https://blog.youkuaiyun.com/u011345885/article/details/164338422</guid><author>u011345885</author><pubDate>Thu, 03 Sep 2026 23:10:44 +0800</pubDate><description><![CDATA[文档解析任务就是将适合人使用的形式（例如pdf形式，文档图片形式）转换为适合机器使用的形式（例如xml），有了解析好的文档协议，就可以作为多模态大模型的训练语料。广义的OCR在大模型时代焕发生机，成了一个基建工具。但在文档解析中，传统的狭义OCR普通文本识别无论是中文、英文还是其他语种相对都比较成熟。但是对于文档中的公式（latex表示）、表格、图片（流程图，普通图片）还是蛮有挑战的。]]></description><category></category></item><item><title><![CDATA[【内涵】Learning Transferable Visual Models From Natural Language Supervision]]></title><link>https://blog.youkuaiyun.com/u011345885/article/details/164231875</link><guid>https://blog.youkuaiyun.com/u011345885/article/details/164231875</guid><author>u011345885</author><pubDate>Tue, 01 Sep 2026 01:05:56 +0800</pubDate><description><![CDATA[CLIP文章常被代指，但应理解其真正洞见：用语言（图像描述）作为监督信号学习可迁移视觉模型，替代ImageNet分类预训练模型，监督信息更丰富，且具备one-shot能力。需要简洁。</think>该文常被简称为CLIP，但其真正洞见在于用语言（图像描述）作为监督信号，学习可迁移的视觉模型，替代ImageNet分类预训练。描述性文本蕴含更丰富信息，且模型不仅提升下游任务指标，更具备一次性学习能力。]]></description><category></category></item><item><title><![CDATA[【快读系列】agent的benchmark]]></title><link>https://blog.youkuaiyun.com/u011345885/article/details/164119947</link><guid>https://blog.youkuaiyun.com/u011345885/article/details/164119947</guid><author>u011345885</author><pubDate>Thu, 27 Aug 2026 16:08:54 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[【脉络】大模型时代的主流推理框架]]></title><link>https://blog.youkuaiyun.com/u011345885/article/details/164099752</link><guid>https://blog.youkuaiyun.com/u011345885/article/details/164099752</guid><author>u011345885</author><pubDate>Thu, 27 Aug 2026 01:52:59 +0800</pubDate><description><![CDATA[随着大语言模型规模不断增长，高效、稳定、低成本的推理部署逐渐成为 LLM 应用落地的关键环节。从模型加载、推理执行，到 KV Cache、Batching、并行计算与服务化部署，一套完整的推理系统背后涉及大量工程优化。本文将围绕当前主流的 LLM 推理生态，介绍 Hugging Face Transformers、vLLM、SGLang 和 TokenSpeed 等工具的核心定位、设计思路与适用场景，并从模型支持、推理性能、易用性和扩展能力等角度进行梳理与对比，帮助读者建立对 LLM 推理技术栈的整体认识，]]></description><category></category></item><item><title><![CDATA[【快读系列】skill的方方面面]]></title><link>https://blog.youkuaiyun.com/u011345885/article/details/163997849</link><guid>https://blog.youkuaiyun.com/u011345885/article/details/163997849</guid><author>u011345885</author><pubDate>Tue, 25 Aug 2026 17:52:46 +0800</pubDate><description><![CDATA[这篇文章属于study类型的文章，由于它并不是100%的下结论，因此对于实际指导有一定的限制，反倒是这类文章中体现的如何分析，如何自圆其说，如何把事情做的系统，有理有据值得学习，实际生活和工作中可能就是这样自圆其说即可。]]></description><category></category></item><item><title><![CDATA[【提问与交流】智能体相关的一些提问与交流]]></title><link>https://blog.youkuaiyun.com/u011345885/article/details/163888481</link><guid>https://blog.youkuaiyun.com/u011345885/article/details/163888481</guid><author>u011345885</author><pubDate>Wed, 19 Aug 2026 14:56:45 +0800</pubDate><description><![CDATA[本文探讨了两个核心议题：1) 技能(skill)与提示(prompt)的关系，指出二者本质相同但形态不同，prompt是"内存态"的临时指令，而skill是"磁盘态"的固化经验，当特定场景重复出现3-5次时就应转化为skill；2) AI时代开发复杂框架的方法论，建议先通过自由对话形成创意，再转化为规范文档并反复修正，最后由AI生成代码库，过程中将运行问题转化为测试用例持续优化。全文揭示了人机协作中知识固化与迭代开发的高效模式。]]></description><category></category></item><item><title><![CDATA[【优雅】多线程模式下代码断点的设置]]></title><link>https://blog.youkuaiyun.com/u011345885/article/details/163505793</link><guid>https://blog.youkuaiyun.com/u011345885/article/details/163505793</guid><author>u011345885</author><pubDate>Wed, 05 Aug 2026 14:55:32 +0800</pubDate><description><![CDATA[摘要：在多线程调试时，使用"b+文件名:行号"可能无法在内部函数中断点暂停。有效解决方案是：1.将工作线程数设为1；2.在目标函数内部插入breakpoint()语句。这两种方法配合使用，即可成功在指定位置暂停执行，实现预期的调试效果。]]></description><category></category></item><item><title><![CDATA[【优雅】一些节省精力的实践和习惯记录]]></title><link>https://blog.youkuaiyun.com/u011345885/article/details/162372607</link><guid>https://blog.youkuaiyun.com/u011345885/article/details/162372607</guid><author>u011345885</author><pubDate>Sat, 27 Jun 2026 18:23:47 +0800</pubDate><description><![CDATA[摘要：文章分享了两个提高工作效率的方法：1）将重复性工作标准化（SOP化），如服务器环境配置等流程文档化，减少决策消耗；2）把琐碎任务批量处理（集中化），比如用脚本自动化多个模型测试，避免时间碎片化。这两个方法的共同核心是减少工作状态切换频率，保持专注高效。作者通过具体案例说明，这些习惯能有效节省精力，创造连续工作时间块来处理更有价值的事务。]]></description><category></category></item><item><title><![CDATA[【内涵】深度生成式模型导论]]></title><link>https://blog.youkuaiyun.com/u011345885/article/details/162334559</link><guid>https://blog.youkuaiyun.com/u011345885/article/details/162334559</guid><author>u011345885</author><pubDate>Fri, 26 Jun 2026 11:57:07 +0800</pubDate><description><![CDATA[摘要：生成式模型（v2.0）与判别式模型（v1.0）是AI发展的两个阶段。判别式模型能识别内容（如检测分类），而生成式模型能创造内容（如图像生成）。这种差异类似语言学习中"听懂"和"表达"的区别，或数学中"理解证明"与"独立推导"的差异。生成式能力包含并超越判别式能力，通过生成式建模可解决更多传统判别式方法难以处理的任务，体现了"真正的理解需要创造力"的理念。（149字）]]></description><category></category></item><item><title><![CDATA[【优雅】个人主页的本地修改与预览]]></title><link>https://blog.youkuaiyun.com/u011345885/article/details/161455592</link><guid>https://blog.youkuaiyun.com/u011345885/article/details/161455592</guid><author>u011345885</author><pubDate>Wed, 27 May 2026 15:12:33 +0800</pubDate><description><![CDATA[本文介绍了在本地修改和预览个人主页的简单方法：进入主页文件夹后运行python -m http.server 8080命令，然后在浏览器访问http://localhost:8080/即可查看效果。若遇到404错误，建议尝试无痕浏览模式解决问题。该方法无需复杂配置，适合快速预览主页修改效果。]]></description><category></category></item><item><title><![CDATA[【快捷】通过指定CPU的分配解决A100服务器上多训练任务核心争抢导致的训练速度慢的问题]]></title><link>https://blog.youkuaiyun.com/u011345885/article/details/160691469</link><guid>https://blog.youkuaiyun.com/u011345885/article/details/160691469</guid><author>u011345885</author><pubDate>Fri, 01 May 2026 18:57:15 +0800</pubDate><description><![CDATA[最近，正赶上某一个DDL, 大家都在开足马力使用显卡疯狂跑实验，突然发现原先的实验配置在相同的4090机器上训练速度要慢2~3倍，一次实验的时长来到了9天，这有点难以接收。幸好有小伙伴帮忙搞到了一台4卡的A100资源，可以用。欣喜之余，也遇到了问题：如果我启一个任务，那么训练速度是正常的；如果在两张显卡上起分别起两个训练实验，则这两个训练实验的训练时长都会加倍，显然是两个实验出现了互相影响。也不能这么稀缺的显卡资源，每次只跑一个实验，感觉有种端着金饭碗要饿死的感觉。经过和AI的交流，4090的集群的训练问题]]></description><category></category></item><item><title><![CDATA[【置顶】博客说明]]></title><link>https://blog.youkuaiyun.com/u011345885/article/details/160567916</link><guid>https://blog.youkuaiyun.com/u011345885/article/details/160567916</guid><author>u011345885</author><pubDate>Mon, 27 Apr 2026 22:01:19 +0800</pubDate><description><![CDATA[通俗的讲就是不追求一步到位，也不追求什么都懂。不同阶段的理解可能不一样，有时候甚至会推翻自己之前说的，那就再记一笔。大概是这样一种节奏：先用尽可能短的时间把一件事搞“清楚”，哪怕搞出来的东西有点糙、像一堆“垃圾”，也没关系，先有再说，后面慢慢改、慢慢补。该博客的定位是：“不求甚解，每有会意，便欣然记之。如果你不小心点进来了，不喜欢也正常，轻拍就好。]]></description><category></category></item><item><title><![CDATA[【内涵】transformer之位置编码]]></title><link>https://blog.youkuaiyun.com/u011345885/article/details/160420827</link><guid>https://blog.youkuaiyun.com/u011345885/article/details/160420827</guid><author>u011345885</author><pubDate>Mon, 27 Apr 2026 21:33:06 +0800</pubDate><description><![CDATA[这三点都是很重要的，因为它们结合起来才是tranfromer架构需要positon编码的原因，也是论文题目《attention is all you need》口气这么大的原因。因为此时除了attention这一个结构，transformer中其余的所有操作：add, layernorm, 残差，feed forward, linear都是point-wise操作（再强调一下，这里的feed forward和linear不是cver眼中的全连接层或者说MLP层，至此MLP, CNN, RNN都不存在了，只有]]></description><category></category></item></channel></rss>