小明_GLC-优快云博客

原创《Windows C++本地部署Qwen3大模型完整教程：llama.cpp + CUDA + GGUF + API服务化全流程踩坑记录》

强烈推荐不要盲目追求最新版本的组合。CMake缓存 -> 编译器 -> CUDA Toolkit -> VS版本 -> 环境变量。推荐走llama.cpp -> GGUF模型 -> llama-cli测试 -> llama-server服务化 -> 业务系统调用。完成了基于Windows + C++ + llama.cpp + Qwen3 + CUDA GPU 加速的本地大模型推理服务部署！整个过程无需 Python 推理框架，可以直接、轻量地集成到 C++ 工业软件系统中。

2026-07-31 02:43:26 360

原创腾讯云 Ubuntu 22.04 安装 GitLab CE 踩坑记录：源配置、Nginx 冲突、502 与内存优化

系统：Ubuntu 22.04系统代号：jammy服务器：腾讯云 CVM配置：4 核 4GB 内存GitLab 版本：GitLab CE访问地址：http://服务器公网 IP1. GitLab apt 源 4042. apt 找不到 gitlab-ce 包3. sed 替换源文件时报文件不存在4. GitLab 官方源下载速度非常慢5. 访问公网 IP 显示 Welcome to nginx。

2026-07-09 00:20:26 276

原创腾讯云 Ubuntu 22.04 安装 GitLab CE 踩坑记录：apt 源 404、找不到 gitlab-ce、官网下载过慢问题解决

安装方式采用 GitLab CE 的 Omnibus 包安装方式，也就是通过apt安装gitlab-ce。

2026-07-08 22:42:28 317

原创 Opencode Go接入Claude Code

启用并连接：保存配置，在 CC-Switch 中启用该服务商的路由，然后启动 Claude Code。此时，Claude Code 的请求就会被转发到OpenCode Go，并使用你选择的模型。API 格式：在高级选项中，选择 “OpenAI Chat Completions (需开启代理)”。在 CC-Switch 中，为 Claude 添加一个新的“自定义服务商”。1、下载CC-Switch，适配自己电脑的桌面版。2、配置路由，进入CC的配置中进行使用。API Key：填入你复制的。

2026-06-04 20:26:07 13385 7

原创 DeepSeekOCR和MinerU2.5

MinerU2.5和DeepSeekOCR采用两种不同的技术路径来解决高分辨率文档的OCR识别问题。MinerU2.5采用的是的，通过来规避高计算量。DeepSeekOCR采用的是**“整体压缩”端到端路径**，致力于通过。

2026-04-02 00:25:02 271

原创从零到一：搭建具备“进化能力”的 AI 智能面试博客系统

（1）使用阿里云的域名服务（2）租用的腾讯云的轻量服务器（3）在腾讯云申请的免费SSL证书实现https，加密传输。

2026-03-01 20:14:25 366

原创大模型微调 PEFT vs LLaMA-Factory

核心逻辑：开发者需要自己处理数据清洗、Tokenizer 编码、Label Masking（标签掩码）、模型加载、LoRA 配置挂载以及训练循环。维度PEFT上手难度⭐⭐⭐⭐ (高)⭐⭐ (低)灵活性极高(可修改模型底层前向传播)中等(受限于框架提供的参数)数据处理白盒(完全透明，需手写逻辑)黑盒(模板化，依赖 preset)多轮对话需手写复杂的掩码(Mask)逻辑自动处理userassistant掩码高级特性需手动集成 DeepSpeed/FlashAttn一键开启，集成度高算法切换。

2026-02-11 00:03:38 898

原创大模型的本地部署

大模型本地部署

2026-02-10 14:16:25 459

原创用户登录验证Demo

本 Demo 旨在为园区管理员提供一个安全、可靠的后台管理登录入口。系统实现了完整的用户身份验证流程，并针对安全性进行了增强设计（如验证码、密码加密、登录限流），确保园区入驻数据的管理安全性。

2026-02-04 23:33:43 1172

原创根据职场新人开会的痛点给出解决方案并设计一个合理的产品

存储企业私有文档，利用 LLM 的语义搜索能力解决“过度泛化”导致的幻觉问题，确保 AI 给出的业务解释是基于公司真实数据的，而非模型的通用猜测。会议中提到的历史项目背景、过往数据或特定业务逻辑，新人由于入职时间短，缺乏上下文关联能力，如同在听“天书”，难以产出高质量的产出或见解。新人害怕在不合适的时机打断领导，或担心提出的问题过于基础，导致在需要澄清疑问时选择沉默，最后执行任务时出现偏差。**针对①和③，设计一个集成在协作软件中的 AI 功能。技术，将会议内容与企业内网知识库（文档、Wiki）实时匹配。

2026-02-04 23:17:32 352

原创大模型幻觉以及如何设计合适的prompt回答用户问题

如果想要问询更详细的科室导航，基础大模型一般没有垂类或者医院具体的细节，可以通过外挂知识库（RAG）或者利用内部知识进行指令微调（Llama Factory）等。②大模型本身就是基于上文预测下一个词的自回归模型，本身就是在词表中挑选概率相对高的词输出，一旦前面的词输出有偏差会导致后面的词存在更大的偏差。prompt的设计：给llm一个角色设定，同时要约束模型哪些该回答哪些不该回答，同时满足一个善良热心的医护人员。③ 针对不同大语言模型的特性，可以通过微调提高大模型的拒绝回答的能力。

2026-02-04 23:12:44 331

原创 Docker 构建镜像一直卡在下载 Python？

最近在将一个 Flask 编写的园区管理系统部署到阿里云服务器时，我遇到了一个极其诡异的问题：原本在本地跑得完美的 Python 代码，进了 Docker 镜像后构建极慢，甚至频繁报错。在经历了翻看几百行日志、重写了 N 次Dockerfile、甚至怀疑阿里云网络问题的后，我终于抓住了那个躲在角落里的“真凶”。这个坑非常隐蔽，如果你也在用或，请务必看完！

2026-02-04 18:27:42 716

原创利用Cpolar或者租用的服务器进行内网穿透

1、使用Cpolar工具，辅助内网穿透，通过下载或者安装Cpolar，使用免费的域名，并启动服务映射到相应的端口，默认TCP隧道的window端口是3389，linux端口22。然后复制生成的地址即可内网访问。2、使用租用的服务器进行内网穿透，我选择使用租用阿里服务器实现这个功能。需求：想要让本地部署的前后端工具，让其在公网上访问！

2026-02-04 18:23:16 497

原创 ms-Mamba: Multi-scale Mamba for Time-Series Forecasting 时序论文阅读

虽然Transformer模型最初是为NLP设计的，并因其自注意力机制在捕获长程依赖关系方面的出色表现而被应用于时间序列预测任务，但在处理时间序列数据时，其。ms-Mamba 是通过**组合多个 Mamba 模块（Mamba blocks）**来实现的，每个模块都配置了不同的采样率。线性模型（通常使用多层感知机，MLPs）的优点：它们架构更简单、速度更快，相比于基于Transformer的模型具有更高的效率。在这种方法中，只有基础采样率 Δ1 是可学习的（类似于原始 Mamba 模型）。

2026-02-02 19:33:34 1038

原创 Is Mamba Effective for Time Series Forecasting?论文阅读

由于计算复杂度高，Transformer模型在处理长序列时会消耗大量的GPU资源，这会导致模型在推理过程中对硬件设备要求较高。传统的 SSM 参数是固定的，而 Mamba 让参数变成**“输入依赖” (Input-Dependent)** 的。为了捕捉变量间的相关性，Transformer需要进行全局注意力计算。，这使得在变量众多的场景下，使用Transformer变得不切合实际。是随输入变化的，模型可以根据当前输入的内容，自主决定是**“记住”Mamba 的数学基础是离散化的状态空间模型，递归计算。

2026-02-02 19:32:05 625

原创关于租用阿里云服务器拉取Docker镜像的问题

应用场景：远程服务器（如 47.113.202.238）上运行着 MySQL 数据库，为了安全，MySQL 仅绑定远程服务器的 127.0.0.1:3306（仅远程本机可访问，外部网络无法直接连接内网服务），现在需要在本地电脑用 Navicat/DBeaver 等工具访问这个远程 MySQL。即在本地电脑运行了工具（默认监听 7897 端口），远程服务器因网络限制无法直接访问docker hub，通过该命令，远程服务器上的所有网络请求，可通过转发通道走本地电脑的 7897 端口访问docker hub。

2026-01-28 22:32:30 134

原创 ChatTS: Time Series LLM for Understanding and Reasoning

时间序列的数值特征至关重要，因为现实世界的应用通常涉及特定的数值查询（例如，询问最大 CPU 利用率），时间序列数据归一化可能导致丢失原始数据信息。，我们在文本中作为提示的一部分包含归一化参数 -“① 归一化：计算均值并进行中心化，计算缩放因子。”（归一化期间的缩放因子）和 “① 实现了保留值的时间序列归一化。② 构建元数据提示词：它会根据。”（归一化期间应用的偏移）。生成一段特殊的文本描述，

2026-01-19 22:56:28 109

原创 HyperD: Hybrid Periodicity Decoupling Framework for Traffic Forecasting

周期性建模隐含化分解过程不可学习单尺度周期性建模。

2026-01-19 22:55:08 718

原创 Sonnet: Spectral Operator Neural Network for Multivariable Time Series Forecasting

将时间序列数据的嵌入表示（Embedding）转换到。这样做的好处是能够同时保留和，从而让模型既能捕捉到局部的细节变化（高频），也能捕捉到整体的长期趋势（低频）。Mkexp−wαt2×coswβtwγt2定义了一组K个可学习的小波变换基函数，称为“原子”，记为矩阵Mk。exp−wαt2wα控制波形的宽度（即“包络”）。它让波形在时间轴上局域化，只在特定时间段内有较大的值，而不是无限延伸。coswβtwγ。

2026-01-19 22:30:51 873

原创智能语音助手项目

这是一个探索性的多模态语音交互系统。不同于传统的语音助手，该项目集成了声纹识别 (Speaker Verification)和RAG (检索增强生成)技术。它不仅能听懂“你在说什么”，还能识别“你是谁”，并根据不同用户的身份调用专属的长期记忆库（如饮食习惯、历史偏好），提供高度个性化的回答。

2026-01-18 14:09:54 496

原创 LangGraph

使用field_validator或validator验证和约束变量类型（3）JSON序列化。

2026-01-11 22:56:20 387

原创理解Docker、镜像Images、容器Container

Image(镜像)：可以理解为虚拟机的快照，里面包含了你要部署的应用程序以及它关联的所有库、软件。通过镜像可以创建许多不同的Container容器，这些容器就行是一台台运行起来的虚拟机，里面包含了虚拟程序。每个容器独立运行，相互之间不影响。容器就是镜像的实例化。我们可以修改容器中的安装包啥的，然后保存这个容器成为一个新的镜像（在顶层叠加）。如果学习Conda环境，这就很好理解了，我们每次构建一个项目都会使用Conda管理安装依赖包，实际上这个容器-Container就是一个对应Conda环境。

2026-01-11 22:53:03 1154

原创 Falcon-TST： A Large-Scale Time Series Foundation Model

一方面，下一个block作为之前block的补充，不断地去拟合之前block没有拟合到的残差信息，另一方面，可以将该过程看作对时间序列的分解，不同的stack中block拟合时间序列某一部分的信息，最终NBEATS的输出为各个stack的输出。② 在自回归滚动过程中，并不会每次都使用这96步全部结果，而是根据剩余预测长度，只截取其中前多少步做有效预测，并拼接回输入继续预测。，主要是为了屏蔽完全被padding填充的无效Patch，确保模型不会关注到没有意义的填充区域，这是数据有效性的过滤。

2026-01-09 23:06:59 1687

原创 DGraFormer: Dynamic Graph Learning Guided Multi-Scale Transformer for Multivariate Time Series Fore

该论文利用离散傅里叶变换，将原始数据从时域转换到频域，找到TopK的频率，反傅里叶变换到时域，去除噪声，只保留有周期性的信息。利用去噪后的数据构建计算静态的权重矩阵，代表了变量间的普遍关系。窗口划分：通过将W个时间窗口划分，每个窗口包含m个时间步，为了捕捉动态相关性，针对每个时间窗，随机初始化节点嵌入，并构建一个可学习的权重矩阵，则时间窗的权重矩阵是。参考了PatchTST的相关工作，通过扩展单patch到多patch，实现多尺度的研究工作。选取重要的变量构建一个权重矩阵，掩码去掉无关矩阵。

2026-01-09 23:03:30 261

原创 Timer-XL: Long-Context Transformers For Unified Time Series Forecasting 时序论文阅读

同时预测 A 和 B。我们认为 A 和 B 是。

2026-01-06 21:06:24 961

原创 TimeMOE:Billion-Scale Time Series Foundation Models with Mixture of Experts时序论文阅读

强大的混合专家架构：Time-MoE采用稀疏激活机制，在预测任务中仅激活部分网络节点，这不仅确保了高预测精度，还显著降低了计算负担，完美解决了时序大模型在推理阶段的计算瓶颈。2、采用MOE架构，使用多个专家替代单一的FFN层，并设计了一个共享专家捕获公共知识，其他多个专家按需激活和学习，同时增加一个辅助损失函数，让专家模型实现负载均衡。“Point-wise” 是“逐点的”或“按点的”。在训练阶段，所有投影同时优化，意味着模型通过共享隐藏状态，并行学习不同时间范围的预测模式，这提高了模型的表达能力和效率。

2026-01-06 21:03:42 863

空空如也

空空如也