- 博客(302)
- 资源 (1)
- 问答 (3)
- 收藏
- 关注
RSS订阅原创 入门 triton 看这一篇就够了
简而言之：Triton 是一种更方便地编程 GPU 的语言。你编写类似 Python 的代码，然后将其编译成 ptx 代码（与 CUDA 代码的编译方式相同）。在编译过程中，Triton 编译器会尝试通过巧妙的技巧重新排列程序的各个部分（不改变程序的含义！），以提高运行速度。
2026-11-06 18:56:09
2
原创 手把手量化一个 35B MoE 智能体模型：从 BF16 到 NVFP4 的完整工程流程
搬运权重（显存带宽）和矩阵乘法（算力）。量化的全部意义，就是用更少的比特同时压缩这两者。精度的选择是一场"表达力换效率"的交易。一个浮点数需要多少硬件资源，近似正比于尾数位的平方加上指数位：FP32（23 位尾数）约 537 单位，BF16（7 位）约 57 单位，FP8-E4M3（3 位）约 13 单位，而 FP4-E2M1（1 位尾数 + 2 位指数）只要约 3 单位。也就是说，同样面积的张量核心，做 FP4 乘法的吞吐潜力接近 FP32 的百倍——这正是。
2026-10-23 16:38:51
7
原创 沐曦 MetaX C500 算子级性能实测
基于 ByteDance 开源评测框架（ByteMLPerf 方法论的延续），对沐曦 C500 做了一次单卡算子级摸底。本文先讲清楚（这部分框架文档语焉不详，笔者翻了源码），再给出实测数据和初步分析。欢迎各位指正、补充多卡数据。
2026-10-14 18:46:51
236
原创 用 LTX-2.3 搭建多主体参考（MSR）视频
文本到视频（T2V）在单主体、单镜头上已经能出片，但一旦要稳定生成多角色、固定场景、带对白的短片，就会暴露三个老问题：角色外观漂移、长叙事跑题、音画不同步。本文以 LTX-2.3（Lightricks 22B 蒸馏版）的 MSR 示例工作流为蓝本，拆解一条可复用的工程流水线：多参考图 → 时序对齐的 MSR 参考视频(IC) → 结构化多镜头提示词 → 负向远离引导（NAG）+ 蒸馏少步采样 → 视听联合潜变量解码。
2026-07-27 15:31:01
97
原创 Qwen-Image-Edit-2511 角色三视图工作流
→→ Qwen-Image-Edit 专用条件编码节点（社区封装，常与同类）CFGNorm→ 采样调度与 CFG 规整节点（KJNodes / 社区）→ 标准 + 便捷节点包导入前请确认上述自定义节点已安装，否则节点会以红色缺失态载入。下载。
2026-07-22 16:48:44
236
原创 DGXspark实践下来最好的Qwen3.6-35B-A3B-NVFP4 vLLM 部署指南
使用 NVIDIA 官方 NGC 镜像以获得最佳性能。：使用了错误的 tool-call-parser。
2026-07-17 18:43:15
445
原创 从 RNA 到细胞图谱：GPU 加速单细胞测序全流程深度解析
人体有大约 37 万亿个细胞，它们都来自同一个受精卵，携带几乎完全相同的 DNA。但为什么有的细胞变成了跳动的心肌细胞，有的变成了传导信号的神经元，有的又变成了抵御病原体的免疫细胞？答案在于基因表达——每个细胞虽然拥有全部基因，但真正"打开"的基因组合各不相同。就像同一本菜谱，不同的厨师选了不同的菜来做，最后端上桌的菜肴完全不同。传统的 bulk RNA 测序把一堆细胞混在一起测，得到的是"平均值"，就像把一锅菜全部打碎了再尝味道，你吃不出来里面放了什么食材。而。
2026-07-15 22:11:45
22
原创 深度拆解 Kimi Goal 模式：一个「完全信任模型」的自主任务驱动系统设计
用户创建目标时可以提供，它会被包裹在标签中注入提示词，作为模型判断的明确依据。如果没有提供，模型就只能根据objective文本自行裁量。这种设计的代价是显而易见的：如果模型判断力不足，可能出现「早停」（任务没做完就宣布完成）或「发散」（无限循环做多余的事）。但收益也同样显著——系统层不需要维护复杂的完成检测逻辑，判断能力随模型升级而自然提升。Kimi Goal 模式不是一个「任务自动化脚本」，而是一个「模型自主执行的运行时框架」。它把大量的判断权下放给模型，系统层退回到「容器」和「护栏」的角色。
2026-07-08 17:31:15
448
原创 深度解析 Kimi Code Swarm 模式：多 Agent 并行编程的架构设计与工程权衡
Kimi Code 推出 Swarm 模式，通过主从式多 Agent 并行架构突破单 Agent 串行执行的瓶颈，将 AI 编程助手能力从单文件补全扩展到全项目级任务交付。该模式采用四层协同架构（TUI 命令层、状态管理层、工具协议层、调度引擎层），支持三种触发方式，并实现差异化提示词管理。核心模块包括：1）状态机实现精细化的上下文管理；2）标准化批量任务协议；3）两阶段自适应并发调度算法，通过渐进启动和限速退避机制平衡效率与稳定性。实测显示该模式最高可提升 4.5 倍执行效率，降低 80% 时延。
2026-07-08 17:12:07
400
原创 DeerFlow Agent 中间件架构：用插件化链彻底告别 Agent 继承式开发
框架提供纯数据类True：启用框架内置默认中间件；False：直接关闭该能力；传入实例：使用自定义实现替换官方中间件。@dataclass# summarization/guardrail 无内置实现，仅支持关闭或自定义中间件业务侧可零侵入替换核心能力：例如自研向量记忆，仅需实现，传入，组装时会自动剔除原生，全程不修改底层组装逻辑。@Next(目标中间件类)：当前插件插入锚点之后；@Prev(目标中间件类)：当前插件插入锚点之前。示例：在工具断链处理中间件后新增自定义审计插件pass。
2026-07-03 17:00:58
449
原创 deerflow2是如何调用网络搜索工具的？
网络搜索通过统一的web_search工具接口实现，但后端支持多种可插拔的搜索引擎，在中通过字段切换。
2026-07-03 17:00:49
317
原创 腾讯ACE反作弊驱动可能导致电脑蓝屏反复发作
文章摘要： 本文分析了Windows系统蓝屏错误**SYSTEM_SERVICE_EXCEPTION (0x3B)和PAGE_FAULT_IN_NONPAGED_AREA (0x50)**的常见原因与解决方案。主要诱因包括： 驱动问题（尤其是显卡驱动）； 系统更新或文件损坏； 第三方软件冲突； 硬件故障（内存条接触不良、坏道、超频等）。 解决步骤： 安全模式卸载问题驱动/软件； 使用sfc、dism等命令修复系统； 关闭超频设置，检测内存（mdsched.exe）； 检查硬件连接（如内存条金手指）。 若问题
2026-06-22 11:21:51
1205
原创 RDKit一些很少用到的高级功能
NextMove Software 开发的高精度指纹，内置结构标准化，对互变异构体和盐形式不敏感。自动识别蛋白-配体之间的氢键、疏水相互作用、π-π 堆积、阳离子-π 等非共价相互作用。RDKit 独有的药效团表示方法，将药效团特征表示为高斯分布，支持模糊药效团模型。将官能团和环系统抽象为节点，保留药效团信息，有效识别骨架不同但药效团相似的分子。生成唯一规范互变异构体，彻底解决"同一分子不同 SMILES"的去重问题。基于 3D 构象定量评估分子的三维复杂度，能区分平面分子和立体分子。
2026-06-17 18:56:36
28
原创 当化学遇见算法：AI 驱动的逆合成规划——从数据偏见到专家混合智能的二十年长征
1969 年，E.J. Corey 与 W.T. Wipke 提出了（逆合成分析）这一思想（Science其本质是"目标导向"地逆向拆解：给你一个想要合成的分子（target），问：用什么反应可以把它"打回"更简单的中间体（intermediate）？再用同样的问题递归地问这些中间体，直到所有片段都成为可买到的商品化起始原料（starting material）。E.J. Corey 因此获得 1990 年诺贝尔化学奖；
2026-06-16 17:09:14
54
原创 彻底解决WSL2 Docker VHDX磁盘无限膨胀：清理、压缩、全自动定时方案
摘要： 针对Windows下Docker Desktop WSL2后端docker_data.vhdx文件只增不减的问题，本文提出完整解决方案： 原因分析：WSL2虚拟磁盘删除数据仅标记空闲，不自动收缩；BuildKit缓存和悬空镜像为主要占用源；只读属性导致压缩失效。 手动清理步骤： 使用docker system prune和docker builder prune清理资源； 清除目录只读权限后，通过Optimize-VHD压缩VHDX文件释放空间。 自动管控：配置Docker Engine限制构建缓存
2026-06-16 01:34:11
617
原创 Nemotron 3 Super：智能体训练全流程揭秘
Nemotron 3 Super 作为 NVIDIA 推出的 Mamba+LatentMoE 混合架构千亿级大模型，除了创新的模型架构与低精度预训练方案外，其后训练流水线是模型具备长链路工具调用、软件工程、终端交互等高阶智能体能力的核心支撑。本文基于官方技术报告，完整拆解该模型从监督微调、多阶段强化学习到专项修复的全后训练流程，梳理各阶段目标、数据设计、算法选型与工程实现方案，为同类智能体大模型的对齐训练提供可落地的参考范式。
2026-06-12 15:27:15
333
原创 ElectrolyteGPT：首个电池电解液逆向设计的生成式 AI 系统 —— 算法原理与复现解析
数据驱动的重要性：1100 万→100 万的精心筛选，比单纯增大模型更有效领域适配：fLine 表示法、正则分词、化学感知的数据增强（SMILES randomization）都是关键小模型的力量：6M 参数在特定化学空间的表现，远超通用大模型在相同任务上的零样本能力条件生成的极限：10 维条件导致模型崩溃，提示我们需要更好的条件编码策略（如 diffusion guidance、RLHF-style 偏好优化）未来方向配方实验验证。
2026-06-08 12:17:34
122
原创 农药剂型分类的完整检测指南
由原药、填料（如高岭土、硅藻土）、润湿剂和分散剂经混合粉碎而成。使用时加水稀释形成悬浮液，供喷雾施用。其特点是生产成本低、便于运输，但易产生粉尘，且悬浮稳定性对加工细度依赖极高。
2026-06-08 11:11:30
276
原创 从零复现 QLib Alpha158：158个因子 + LightGBM 在 A 股 CSI300 上的量化选股实践
本文详细介绍了使用微软QLib框架中的Alpha158因子集和LightGBM模型在A股CSI300成分股上进行量化选股策略的开发与回测过程。文章从项目背景出发，深入解析了Alpha158因子集的架构和设计思想，包括8大类因子（K线形态、价格动量/反转、价格位置、波动率、成交量因子、量价关系、涨跌统计、趋势拟合）及其表达式。同时，文章揭示了Label设计的细节和横截面标准化处理，为量化投资初学者提供了实用的源码级分析和可运行代码示例。
2026-06-02 15:54:11
902
原创 AI 做逆合成，光靠数据远远不够
AI逆合成规划的瓶颈：数据质量与专家知识的鸿沟 尽管AlphaFold在蛋白质结构预测上取得突破，但AI在有机合成规划领域却陷入困境。问题核心并非数据量不足，而在于：1）公开数据存在大量错误（如40%专利反应条目不准确）；2）严重的数据偏倚（仅记录成功案例，缺失失败经验）；3）反应模板提取难以编码立体化学等关键信息。更根本的是，AI无法从数据中学习反应机理、物理有机化学原理等"隐性知识"，导致面对复杂分子时失效。 解决方案在于混合路径：结合AI计算能力与专家知识编码，如Synthia系统通过手工规则实现复杂
2026-05-28 00:24:47
39
原创 有机化学真的在指数增长吗？数据告诉你另一个故事
要对反应进行分类，核心是提取反应模板（Reaction Template）——即反应发生时，化学键断裂和形成的核心骨架，以及周围必要的官能团环境。研究者使用了两种原子映射工具（MAPPET 和 IBM RXN Mapper）将约1240 万条NOC 反应和约180 万条专利反应自动归类为反应模板。以 Suzuki 偶联为例：三组看似不同的反应（碘苯 + 苯硼酸、溴苯 + 吡啶硼酸、碘苯 + 乙烯基硼酸），在提取反应模板后，实际上属于同一个反应类型——核心都是 Pd 催化下芳基卤化物与硼酸的交叉偶联。
2026-05-28 00:07:00
60
原创 RAG 踩坑总结
Claude Code 的工具搜索是懒加载：工具存在于 Agent 的世界里，当上下文压力越过一个阈值时，就按需加载。这个决策发生在 Agent 循环内部，在请求已经到达之后。这个现象叫 “迷失在中间”（Lost in the Middle），模型会丢失埋在上下文中间的重要信息。这个决策完全发生在 Agent 循环之外，在基础设施层，在请求到达 LLM 之前。Gateway 不是让模型自己去搜索工具，而是把一个精挑细选的、预先过滤好的工具集交到它手上。研究表明，上下文越长，模型表现越差。
2026-05-12 15:07:27
169
原创 NVIDIA GPU 计算能力（Compute Capability）权威技术报告
计算能力（Compute Capability, CC）是NVIDIA为每一款GPU指定的硬件功能集版本号，格式为X.Y。本质：它直接对应GPU中的流式多处理器（SM）版本。例如CC 8.0的GPU，其SM版本即为sm_80。它代表了该GPU支持的指令集、硬件资源上限和架构世代，是不可改变的出厂属性。主版本X：对应核心硬件架构世代（如8代表Ampere，9代表Hopper）。次版本Y：在同代架构内表示功能升级。例如Turing被标记为7.5，以体现其在Volta（7.0）基础上的增量改进。
2026-05-11 11:54:56
195
原创 深度解析 Hermes Agent 定时任务系统：AI 驱动的 Cron 调度增强实践
Hermes Agent 作为 Nous Research 推出的自进化 AI 代理，其「Scheduled automations」（定时自动化）模块是核心差异化特性之一——它并非简单封装系统 Cron，而是将传统定时调度与 AI 代理的记忆、技能、跨平台能力深度融合，实现了「自然语言定义任务、AI 编排执行、跨平台投递、自优化迭代」的全链路自动化。本文将从四个维度，完整拆解这一模块的技术实现。
2026-04-14 12:52:25
1144
原创 某药企自研路线规划系统的技术选型与实践反思
这款药企自研逆合成系统的实践历程，彻底打破了“AI逆合成工具的核心是算法精度”的行业误区。其落地经验清晰地表明，AI逆合成工具的产业化成功，从来不是技术越先进越好，而是要真正贴合药物研发一线的真实需求。对于药企而言，逆合成AI工具的核心价值，从来不是替代化学家完成高难度的逆合成推理，而是成为化学家的研发助手，解决原料匹配、合规筛查、路线初筛等重复性、基础性工作，释放研发人员的创新精力。而技术选型的核心准则，永远是先做到与化学家的认知对齐、与研发工作流的适配、与合规管控的要求匹配，再去追求算法精度的提升。
2026-04-08 21:41:37
52
原创 为什么纯Decoder架构在分子逆合成任务中存在不可逾越的双向性鸿沟
本文通过数学推导与化学验证，揭示了纯Decoder架构在逆合成任务中的本质缺陷。研究表明：因果掩码强制单向信息流导致原子级表征不完整，即使输入完整SMILES序列，左侧token仍无法获取右侧结构信息；而Encoder的全注意力机制能实现真全局编码。以酰胺键断裂为例，纯Decoder因无法捕捉N原子右侧苯环的电子效应而误判活性位点。本文建议逆合成任务应优先采用Encoder架构，并批判了行业四大认知误区，为AI化学信息学提供了理论指导。
2026-03-27 18:05:40
382
原创 Proteina-Complexa：NVIDIA 如何用「生成式先验 + 测试时搜索」重新定义蛋白质设计
LLM 领域蛋白质设计领域预训练大语言模型预训练流匹配生成模型流匹配去噪轨迹测试时搜索（MCTS/Beam）测试时搜索（MCTS/Beam Search）奖励模型（RLHF）奖励模型（AF2/RF3/力场）自生成序列优于重写自生成序列优于逆折叠重设计在推理阶段投入更多计算，换取更高质量的输出——这个范式正在从语言模型扩展到蛋白质设计。
2026-03-20 16:43:10
425
原创 大模型微调避坑记录
目前最顶尖的模型通常遵循以下演进路线：冷启动 SFT：使用几千到几万条极高质量的样本，让模型学会基本的推理格式和对话规矩。Reasoning RL：针对逻辑题，利用结果校验（如代码运行成功、数学题算对）作为奖励信号。Preference RL：针对主观题，利用 Reward Model 或人类排序数据。
2026-02-03 17:22:42
287
原创 患者-试验匹配算法的数学原理与工程实现
本文摘要：研究提出患者-临床试验匹配的形式化框架，将其定义为跨模态蕴含预测问题。患者电子健康记录（EHR）表示为纵向就诊序列，临床试验标准分为纳入和排除标准。核心挑战是学习标准级匹配函数。提出DeepEnroll模型，采用分层嵌入网络处理EHR数据，结合ClinicalBERT编码试验标准，通过可分解注意力实现高效对齐，并引入数值推理模块处理精确约束。模型在IQVIA数据集上训练，采用交叉熵损失。后续工作COMPOSE进一步提出查询依赖的患者表示方法，通过记忆网络实现动态编码，提升匹配灵活性。研究为临床试验
2026-01-28 16:14:51
70
原创 COSMO-RS理论：流体相热力学预测的核心模型与技术突破
摘要：COSMO-RS模型通过量子化学计算分子表面电荷分布，实现了从微观量子尺度到宏观化工过程的热力学预测。该模型基于介电连续介质理论，将分子表面片段化处理，通过σ-剖面描述电荷分布，并计算片段间的静电失配能和氢键能。其核心算法通过自洽化学势方程求解活度系数，克服了传统模型依赖实验参数的局限。随着技术进步，模型引入了高阶描述符和色散力修正，提升了预测精度。在药物研发、化工分离等领域广泛应用，但仍存在对长程有序结构预测不足等局限性。该模型为复杂体系的热力学性质预测提供了重要理论工具。
2026-01-04 14:22:36
970
原创 深度学习驱动的蛋白质设计新范式：解析RFdiffusion3与Foundry生态系统
蛋白质设计是计算生物学与生物工程领域的前沿方向，其目标是创造具有特定结构和功能的新型蛋白质分子，在药物研发、工业酶工程、基因治疗等领域具有革命性应用潜力。传统蛋白质设计方法依赖于分子动力学模拟和基于物理的能量函数优化，面临计算成本高昂、设计成功率低等挑战。近年来，以扩散模型为代表的深度学习技术为蛋白质设计带来了突破性进展，其中RFdiffusion3（RFD3）作为最新一代扩散模型，实现了全原子水平的生物分子相互作用从头设计。
2025-12-24 17:27:32
1207
原创 LoRA 微调技术全解析：从数学原理到工程实践的深度指南
摘要：LoRA（低秩适应）是一种高效的参数微调技术，通过冻结预训练模型参数并引入低秩可训练矩阵，显著降低计算和存储成本。其核心原理是将权重更新分解为两个低维矩阵乘积，参数量从$d_{out}×d_{in}$降至$r(d_{in}+d_{out})$。关键参数包括秩$r$（控制表达能力）、缩放因子$\alpha$（调节更新强度）和Dropout（防止过拟合）。LoRA常应用于Transformer的注意力层和前馈网络层，并衍生出RSLoRA、DoRA等改进方法。工程实践中需平衡参数配置，在推理时可灵活组合不同
2025-12-22 11:48:37
683
原创 化学势：掌控物质世界的“隐形推手“
本文深入解析化学势这一热力学核心概念，揭示其作为物质迁移与化学变化驱动力的本质。化学势定义为吉布斯自由能对组分物质的偏导数，反映了粒子逃离某状态的趋势。文章详细推导了理想气体和溶液中化学势的数学表达式，阐明其受温度、压强和浓度的影响规律。通过水的三相点、合成氨反应、原电池电动势和细胞主动运输等实例，展示了化学势在相平衡、化学反应、电化学和生物学中的关键作用。最后指出化学势概念已拓展至材料科学等领域，成为连接微观粒子行为与宏观现象的桥梁。全文以严谨公式与生动案例相结合，系统阐述了化学势如何统一解释自然界万千变
2025-12-19 17:47:03
962
原创 COSMO-RS 实操：从量子力学到热力学性质的“无参”预测之路
摘要：COSMO-RS模型通过将分子间相互作用转化为表面片段接触问题，实现了从量子化学计算到宏观相平衡的预测。其核心流程包括：1）DFT计算分子表面屏蔽电荷密度（σ-profile）；2）基于统计热力学求解片段化学势。该模型通过静电失配能、氢键作用和范德华力构建能量泛函，并引入组合项修正熵效应。针对柔性分子，采用构象系综加权方法提高预测精度。相比传统基团贡献法，COSMO-RS具有参数依赖性低、可预测溶剂依赖性构象等优势，其变体COSMO-SAC则侧重计算效率。实践建议包括：固定基组选择、处理带电体系需修正
2025-12-19 14:59:11
207
原创 使用Reaxys数据库构建化学反应条件预测数据集
该数据处理过程遵循“来源筛选→质量清洗→格式标准化→拆分验证”的逻辑，核心是“去芜存菁”——既保留覆盖广泛有机反应的海量数据（1140万条），又通过严格筛选和标准化消除噪声与歧义，最终构建出适配“多目标条件预测（分类+回归）”的高质量数据集。这一过程是后续神经网络模型实现高预测精度（如Top-10条件匹配率69.6%）的关键前提。
2025-12-19 11:45:56
142
原创 DeerFlow 图文并茂功能的实现机制
DeerFlow图文处理技术解析：系统通过InfoQuest爬虫获取网页图像资源，严格规范图像引用来源，确保仅使用真实获取的图像。采用Markdown标准化格式处理图文内容，前端支持流式渲染，实现平滑加载。从信息获取、处理到展示形成完整链路，保证图文结合的真实性与可追溯性。
2025-12-18 16:53:00
334
原创 LLaMA-Factory 大模型微调实战：参数算法深解与场景化落地指南
摘要： 大模型微调是通过特定场景数据调整预训练模型参数，实现任务适配与通用能力的平衡。核心算法包括LoRA（低显存微调）、偏好对齐（DPO/ORPO/KTO）和量化训练（4bit/8bit压缩）。参数配置需针对显存优化、训练稳定性和效果提升动态调整，如长文本任务启用FlashAttention，复杂任务提高LoRA秩。典型场景适配案例显示，客服问答采用ORPO+LoRA可提升准确率，法律文档问答结合Dora降低显存占用，图文广告生成通过两阶段训练优化多模态效果。微调决策应基于场景痛点选择算法与参数组合，通过
2025-12-17 15:59:59
404
1
原创 正交试验法优化水性涂料配方：从极差分析到方差验证的全流程实践
正交试验的“极差分析+方差分析”是涂料研发的高效工具：极差分析快速锁定最优配方，方差分析定量验证影响显著性。本文案例完整覆盖了从试验设计到结果验证的全流程，可直接复用于各类配方优化场景。
2025-12-15 13:41:08
142
1
原创 探索AUTOCT：用大语言模型自动化临床实验预测的新框架
AUTO CT框架是一种创新的临床试验预测方法，结合大语言模型（LLMs）与经典机器学习，实现自动化特征生成与优化。该框架通过特征提议者、规划者、构建者等组件，利用蒙特卡洛树搜索（MCTS）算法迭代优化特征集，在TrialBench基准测试中表现出色（I-III期试验ROC-AUC达0.753/0.639/0.702）。其独特优势在于：1）完全自动化处理非结构化数据；2）保持机器学习模型的可解释性；3）在低数据环境下仍能高效工作。未来有望显著降低药物研发成本，加速医疗创新进程。
2025-11-27 23:56:06
133
LTX-2.3 搭建多主体参考（MSR）
2026-07-27
comfy Qwen-Image-Edit-2511 角色三视图工作流
2026-07-22
半导体设备研究系列之明暗场缺陷检测设备
2024-02-05
TA创建的收藏夹 TA关注的收藏夹
TA关注的人