暂无搜索历史
江湖人称“山哥”,在数字化、人工智能、电商和金融等领域积累了丰富的平台架构设计经验
技术系统的S曲线,描述了技术从诞生到衰退的完整生命周期。其进化轨迹呈S形曲线,分为婴儿期、成长期、成熟期和衰退期四个阶段,各阶段具有不同的性能、专利和经济效益特...
1 req.md (30行)
在 AI 辅助编程时代,明确的功能需求与清晰的业务规则定义是项目成功的关键。功能需求描述系统应具备的能力,而业务规则则约束系统行为,确保其符合业务逻辑与合规要求...
AI辅助写程序时,我们希望spec系列markdown文件中有图。对比下来,工具支持度最高的当属 mermaid 图——但mermaid图有很多种,支持有好有差...
Build(编译 TypeScript) → Package(打包 npm 包) → Commit(提交到 Git)
V8 是 Chromium 的内置组件——Chromium 用 V8 来执行网页中的 JavaScript 代码。
本文分析管道/钩子/工作流技术在 IDE 中的应用。本文为 AI 生成,助快速盘点技术。
思考:随着云原生开发的普及,我们会看到更多组件优先考虑Web标准兼容性,即使是桌面应用也通过Electron等桥梁利用这些能力。在这种趋势下,作为有经验的开发者...
Curl作为一款成熟的命令行网络工具,在分布式与AI架构的开发调试和运维辅助环节中发挥着实用价值。
省流:mHC是传统Transformer架构的升级,增加【大并发】【灵活并发】两点能力
当前LLM应用的核心矛盾——强大的模型潜力需要依赖高质量、高密度的上下文信息才能被有效激活。
在人工智能浪潮的推动下,一个全新的CodeGen生态正在形成。本节将从LLM层、助手层和方法层三个维度,提供框架性思考。
编程助手从“代码补全工具”向“全流程研发协作伙伴”演进的速度很快啊,每半年都有大变化。
AI写的,我仅修正了明显的幻觉。你猜这么着,两个著名chat助手,一个回答幻觉明显。
【CodeGen技术】系列最终目标是讨论SDD,包括LLM层、助手层、方法层、实践层共 4 篇。本文是系列第 1 篇。
因为咱是懂架构的,所以借助架构模式理解LLM架构并不困难。倒是向量语义叠加、多头注意力原理,颇是费脑细胞。
【LLM架构管窥 ◆ 系列小文】旨在快速盘点LLM架构特点、特别是局限性,为后续【基于SDD的AI编程最佳实践】提供必要的认知准备。
向量,不仅仅是几何中的箭头或代数中的数字列表,它更是承载信息、表示状态、构建模型的基本单元。而向量空间则为这些向量提供了运算和结构的舞台,是玩转LLM的基石。
总参数量 = 词嵌入层参数 + 解码器层参数小模型 就是在参数量上显著小于LLM的模型
暂未填写公司和职称
暂未填写个人简介
暂未填写技能专长
暂未填写学校和专业
暂未填写个人网址
暂未填写所在城市