跳到正文
3月11日周三
1月24日周六
1月15日周四
  1. OpenAI49

    构建 AI 智能体的实用指南

    OpenAI 发布构建 AI 智能体的实用指南,系统阐述设计、编排与部署核心流程。 指南涵盖用例定义、模型选型、工具设计、护栏机制及多智能体协作模式。 旨在帮助开发者规范开发流程,降低复杂智能体系统的实施门槛。

12月30日周二
12月3日周三
  1. Ahead of AI78

    DeepSeek V3.2 技术详解:架构、稀疏注意力与强化学习更新

    DeepSeek 发布开源旗舰模型 DeepSeek V3.2,架构基于 Multi-Head Latent Attention(MLA)并引入 DeepSeek Sparse Attention(DSA),将注意力计算复杂度从 O(L²) 降至 O(Lk)。

    推荐理由:详细拆解 DeepSeek V3.2 及 Math V2 的稀疏注意力与自验证训练技术,读者可据此理解其架构效率与性能提升机制。

11月4日周二
10月5日周日
  1. Ahead of AI50

    理解 LLM 评估的 4 种主要方法(从零开始)

    文章介绍了 LLM 评估的四种主要方法:多选题、验证器、排行榜和 LLM 评判。 其中多选题评估基于基准测试,如 MMLU 数据集包含 57 个领域、约 16,000 道题目,通过准确率衡量模型表现。 这些方法分为基准评估与判断评估两类,帮助构建评估框架以解读基准测试与论文结果。

9月6日周六
9月2日周二
  1. Hugging Face Blog55

    Hugging Face 教程:利用 PyTorch 预编译加速 ZeroGPU Spaces

    Hugging Face 发布教程,演示如何利用 PyTorch 预编译加速 ZeroGPU Spaces。该教程展示了在 H200 硬件上,通过预编译和 FP8 量化将 Flux、Wan 等模型的推理速度提升 1.3 倍至 1.8 倍。文中还详细介绍了动态形状处理、区域编译以及如何结合 FlashAttention-3 进一步优化性能的具体实践方法。

8月18日周一
8月7日周四
7月31日周四
7月23日周三
7月22日周二
7月17日周四
  1. Hugging Face Blog45

    Consilium:多 LLM 协作平台

    Consilium 是作者基于 Gradio 和 MCP 构建的多 LLM 协作平台,支持模型通过结构化辩论达成共识。该平台提供扑克桌视觉界面及 MCP 服务,可集成至 Cline 等应用。作者发现为 LLM 分配“专家倡导者”等特定角色能显著提升讨论质量,并实现了环形、星形等通信结构及可配置的辩论轮数。

7月9日周三
7月8日周二
  1. Hugging Face Blog48

    Hugging Face 基于 Knapsack 优化 nanoVLM 多模态数据管道

    Hugging Face 团队针对 nanoVLM 项目构建高效多模态数据管道,通过五个阶段优化以解决 GPU 空闲等待和填充浪费问题。 采用 Knapsack 策略将批次中约 60% 的无效填充 token 降至最低,并引入生产者-消费者模式实现动态批处理。 该方案利用贪婪和二分打包策略平衡 token 与图像数量,显著提升训练效率。

7月1日周二
  1. Hugging Face Blog42

    Sentence Transformers 微调稀疏嵌入模型指南

    Sentence Transformers 提供了一套用于微调稀疏嵌入模型的完整流程,涵盖模型、数据集、损失函数及评估器等组件。该库生成的 sparse-encoder/example-inference-free-splade-distilbert-base-uncased-nq 模型成本低,特别适合混合搜索或检索重排场景。

6月19日周四
  1. Hugging Face Blog74

    Hugging Face 教程:如何在消费级硬件上使用 QLoRA 微调 FLUX.1-dev

    Hugging Face 发布教程,指导使用 diffusers 库和 QLoRA 技术在单卡消费级硬件(如 RTX 4090)上微调 FLUX.1-dev 模型,峰值显存占用低于 10 GB。

    推荐理由:文章提供了在消费级硬件上微调FLUX.1-dev的具体代码流程和显存优化技巧,读者可直接复用该方案降低部署门槛。

6月12日周四
6月4日周三
5月12日周一
5月8日周四
4月13日周日
4月8日周二
3月26日周三
  1. Hugging Face Blog60

    Sentence Transformers 微调 reranker 模型教程与实测对比

    Sentence Transformers 团队发布教程,演示如何在自有数据上微调 cross-encoder reranker 模型。教程覆盖数据集准备、hard negatives mining、loss 函数选择、训练参数与评估器配置等完整流程,并给出从零训练及微调的完整代码示例。

    推荐理由:作者给出了可直接复用的微调流程和评测方法,并附上实测对比数据,帮助读者在自己的数据上训练更强 reranker 模型。

3月20日周四
3月7日周五
2月28日周五