更多精彩内容,欢迎继续阅读
做深度学习的这几年,我遇到最多的训练问题其实就是两个:显存不够跑不动,跑起来了但训练速度又慢得让人焦虑。而 PyTorch 的 AMP 混合精度训练,恰好是同时解决这两个问题的第一把钥匙。AMP 的全称是 Automatic Mixed Precision&…
阅读更多 →很多做本地部署的朋友,第一次把真实业务文档喂给本地模型时,几乎都会撞上同一堵墙:长文本超限。我手里这套链路,就是专门为了把这堵墙挪开而搭的。从最初的文档清洗、切分,到中间的任务编排,再到最终把大文…
阅读更多 →1. 项目概述:为什么一块16GB显卡能跑动27B大模型?最近在本地部署Qwen3.8-27B时,我反复卡在显存瓶颈上——用常规的GGUF Q4_K_M量化,实测显存占用稳稳突破14.2GB,稍一推理就OOM;换成Q3_K_M又明显掉点&#x…
阅读更多 →大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…
阅读更多 →当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:
阅读更多 →📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…
阅读更多 →文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…
阅读更多 →一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…
阅读更多 →文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…
阅读更多 →