Skip to main content

acshame

acshame
acshame

  1. https://x.com/Stv_Lynn/status/1923777152522256889?t=fmzO8zuLSnBDf0kAq7Ywkw&s=35
    X (formerly Twitter)
    Steven Lynn (@Stv_Lynn) on X
    我很高兴向大家宣布：Hello Dify 上线了
    🔗https://t.co/IgDMJBWA3y

    这是一套开源的 Dify 入门教程，并且配套免费的可交互的案例 demo（叫做 playground），你可以通过一系列的最佳实践来快速上手 Dify。

    如果你愿意贡献案例，欢迎给仓库提 PR！（或者你懒得写正文的话，可以放在 issue

  2. https://x.com/GitHub_Daily/status/1923680066862710887?t=Dcswr6WrRJ57bo5bwa3KUg&s=35
    X (formerly Twitter)
    GitHubDaily (@GitHub_Daily) on X
    MCP Server Chart 这款 MCP 服务器颇为实用，让我们的 AI助手拥有专业级数据可视化能力。

    通过 MCP 实现了在 AI 对话中， 就能直接生成柱状图、折线图、饼图等 15+ 种高质量图表，使用的是 AntV 可视化图表生成框架。

    GitHub：https://t.co/cV9CMvVO7b

    可通过 Claude、Cursor、Cherry Studio 等 MCP

  5. https://x.com/karminski3/status/1924255317841588663?t=AQyzHpQCi6SZrq3BRyg1tg&s=35
    X (formerly Twitter)
    karminski-牙医 (@karminski3) on X
    Qwen 又发新模型了！ ParScale-1.8B-P1 （P2，P4，P8）

    这个 P 是什么意思？没错，就是这个模型最新颖的点。大家知道提升模型能力要么增加参数量，要么疯狂推理（类似QwQ一个问题要想3分钟）。于是 Qwen 团队又搞出了一个新方法，干脆并行推理。于是他们发明了新的方法——ParScale

    简单讲

  7. #学习的本质是极致的重复# （转）世界上被证明最有效率的四个学习方法，值得好好看看，受益匪浅。

    1、费曼学习法

    曾经有一个农民让自己的孩子从学校回来之后，把在学校学到的知识讲给自己听。这样他也可以学到知识了。可没想到，他孩子的学习成绩从此特别优异，最终考上了清华。

    这个农民无意中采用 ​​​https://mapp.api.weibo.cn/fx/abccc97723f7d95e0537bb4110e37326.html

  18. deepseek又发新论文了！arxiv.org/pdf/2505.09343
    论文主要介绍了DeepSeek-V3在硬件架构方面的挑战和创新，以及如何通过软硬件协同设计实现高效训练和推理。
    关键结论
    ✨内存效率：DeepSeek-V3 通过 MLA 将 KV 缓存大小显著减少到每个 token 仅需 70 KB，远低于其他模型（如 Qwen-2.5 72B 的 327 KB 和 LLaMA-3.1 405B 的 516 KB）。这使得模型更适合处理长文本和资源受限的环境。
    ✨成本效益：MoE 架构允许在训练时仅激活部分参数，从而显著降低计算需求。例如，DeepSeek-V3 在扩展到 671B 参数时，每个 token 的激活参数仅为 37B，相比全参数激活的密集模型（如 72B 的 Qwen 和 405B 的 LLaMA），计算成本大幅降低。
    ✨推理速度：通过重叠计算和通信以及多令牌预测模块，DeepSeek-V3 在推理时能够显著提高吞吐量和响应速度。例如，多令牌预测模块可以将生成速度提高 1.8 倍。
    ✨低精度计算：FP8 混合精度训练在 DeepSeek-V3 中首次应用于大规模模型训练，通过细粒度量化策略，相对 BF16 的精度损失控制在 0.25% 以内。
    ✨网络优化：采用多平面两层 Fat-Tree 网络拓扑，相比传统的三层 Fat-Tree 拓扑，显著降低了网络成本，并提高了网络的鲁棒性和可扩展性。
    论文还提出了对未来 AI 硬件的建议和展望。