-
深入学习自然语言：NLP、NLG不可分开战斗！
有人说来自语言的数据是“非结构化数据”，事实证明这是一个错误的说法。如果没有特定的语言结构，人们可能无法用语音或者书面语言进行正确交流。语法是语言的结构，它有助于定义语言的含义。大家学习任何一门语言，都要学习该门语言的语法结构。要想推动计算机的快速发展，就要摆脱传统处理计算机的思维，推陈出新，理解自然语言的结构。
-
人工智能的下一个重大挑战：理解语言的细微差别
语言是人类特有的技能，是人类智慧的体现。在人工智能时代，自然语言处理（NLP）技术为机器赋予了这样的语言功能，让机器有了自然语言识别能力，为用户体验开辟了新路径。
-
使用python进行Oracle数据库性能趋势分析
总结 通过Oracle性能趋势分析工具的应用可以进行细粒度的数据库性能管理，及时发现潜在的信息系统性能衰减隐患，通过持续性、常态化的信息系统性能优化，优化信息系统提升，提升用户体验。
-
Jerry眼中的SAP客户数据模型
由于Jerry水平和精力所限，本文不会详细阐述这些产品里的客户模型设计细节，而是介绍了一种方法，如果您对这些模型设计感兴趣，可以按照该方法自行深入研究。除SAP S/4HANA On Cloud之外，其他七款产品在SAP成都研究院均存在对应的开发团队。如果您对这些产品有进一步的问题需要咨询，欢迎留言。可以按照客户的类...
-
自己写的杀mysql线程的脚本
执行结果：点击(此处)折叠或打开[root@MySQL02 ~]# python kill_sql.py ############## 摘要 ###############用户ygjt_new在线的总线程数是3, 其中select:2 update:1 delete:0 insert:0 alter:0...
-
使用FBTriton实现表批量嵌入的现代化
本文探讨了用于 Table Batched Embedding (TBE) 前向和后向传播的 FBTriton 内核设计。这些核心算子负责在推荐系统中跨数千个分片 GPU（图形处理器） 处理嵌入查找。我们的 Triton 实现在这些工作负载上成功超越了传统的 CUDA（NVIDIA 并行计算平台和编程模型） 内核。在此，我们阐述架构设计、详述实测性能提升，并重点介绍未来的优化机会。 TBE（Table-Batched Embedding）内核在一次 GPU 操作中高效地对多张表执行嵌入查找和池化。TBE 在单次 GPU 启动中为多张表结合了嵌入查找和池化，减少了启动开销并提高了内存效率。
-
扩散模型中置信度的局限
作者：Russ Webb、Amitis Shidani、Alice Bizeul、Dan Busbridge 离散扩散（包括重掩码和均匀状态采样器）通过每步写入多个 token 位置来生成序列，每个位置的值从逐位置分布中采样，而写入哪些位置也由这些相同的分布决定。对于普遍关注的领域（像素、音素或词），token 之间存在固有的依赖关系。我们证明，一步操作只有在它所写入的位置在已固定 token 的条件下条件独立时，才与训练分布匹配；任何逐位置分布的乘积都无法匹配一个存在依赖的组；并且逐位置分布无法决定一个组是否存在依赖：两个联合分布可以具有相同的逐位置边缘分布，但在哪些值组合会出现上有所不同。
-
使用 Meta 的 Muse Spark Open 在 NVIDIA GB300 NVL72 上扩展智能体编码工作流 | NVIDIA 技术博客
Meta 发布 Muse Spark Open，这是一个针对编码优化的 816B 混合专家（MoE）模型，拥有 42B 激活参数和 1M token 上下文窗口。该模型在 NVIDIA GB300 NVL72 Blackwell Ultra 上专门针对智能体编码工作流进行训练，具备更高的首次尝试准确率、可靠的工具调用能力以及对跨仓库代码库的深度理解。1M token 上下文窗口可容纳整个项目，包括复杂依赖、遗留代码和数千个文件，无需将任务拆分成片段。 作为推理模型，Muse Spark Open 在图像和文档理解之外增加了音频和视频感知能力，能够原生且可靠地处理其所见、所闻和所读的内容。
-
带堆视图的保险库：AgentCore Harness 与身份之间令人不安的空间
Unit 42 研究人员发现了一个问题：在 Amazon Web Services (AWS) AgentCore Harness 中使用默认配置，可能允许攻击者通过提示注入操纵智能体的行为，从而窃取由 AgentCore Identity 管理的明文凭据。 为得出这一结论，我们检查了该 harness 众多集成中的两个： AWS AgentCore Identity，平台推荐的用于管理智能体身份和存储凭据的方式（即身份保管库） 下游 Model Context Protocol (MCP) 服务器，harness 使用来自该身份保管库的凭据对其进行身份验证 AWS AgentCore Identity 提供静态加密、传输中加密、密钥管理服务 (KMS) 密钥以及身份和访问管理 (IAM) 门控访问。
-
数据职业并非千篇一律！在数据领域找到理想职位的建议 - KDnuggets
博客 热门文章 关于 主题 AI 职业建议 计算机视觉 数据工程 数据科学 语言模型 机器学习 MLOps NLP 编程 Python SQL 数据集 活动 资源 速查表 推荐 技术简报 广告 数据专业人士，蓬勃发展不仅仅是为了赚大钱！它关乎成就感和影响力。在本文中，我将帮助你根据自己独特的技能组合、性格和目标，发现最适合你的数据职位。 作者：Lillian Pierson, P.E.，世界级数据领导者和企业家的导师，Data-Mania 首席执行官 自从 2012 年《哈佛商业评论》将数据科学家评为“21 世纪最性感的职业”以来，似乎每个人和他们的妈妈都争先恐后地培养自己的数据科学技能。 这并非没有道理！对数据科学家的需求只增不减，而且薪资远超美国全国平均水平。
-
GRPO如何通过可验证奖励训练小型语言模型
使用 Unsloth 进行本地推理实验背后的机制，以及为什么奖励函数与模型同样重要。 语言模型可以写出“让我再检查一下”，但仍然算错乘法。它甚至可以写出“等等，让我重新考虑”，然后得出另一个错误答案。这两句话都不是思考的证据。如果目标是解决问题，只有最后的数字才算数。 DeepSeek 的 R1-Zero 让没有初步监督微调阶段的强化学习受到了相当多的关注。其研究人员报告了一些行为，例如重新审视某种方法，以及在困难问题上花费更多 token。相比之下，DeepSeek-R1 使用了更广泛的训练流程，包括冷启动数据，因此我们不应将这两个训练过程视为可以互换。
-
Orca Security 使用 Amazon Bedrock 进行自然语言安全查询 | Amazon Web Services
安全分析师需要快速获取有关其云基础设施的答案，而无需深入了解特定领域的查询语言。Orca Security 的工具覆盖了 900 多个云模型（Sonar 跟踪的资源类型，例如 Amazon Elastic Compute Cloud（Amazon EC2）实例或 Amazon Simple Storage Service（Amazon S3）存储桶）。查询这些数据需要精确的模型名称、嵌套关系导航，以及从 18 个运算符（用于筛选结果的比较函数，如 equals 或 contains）中进行选择。 为解决这一问题，Orca Security 与 AWS 合作构建了 Discovery AI，这是一个基于 Amazon Bedrock 的自然语言查询智能体。
-
让零售更智能：使用Arduino® VENTUNO™ Q开发板构建情境感知体验 | Arduino Blog
博客首页 > 认识 Nuvi：从 Q 到可爱的 AI 桌面伴侣 你拿着两件夹克和一条裤子走进试衣间。你喜欢每一件单品，但不确定它们搭配在一起是否合适——以及哪件夹克更好。通常，你会拍张照片发给朋友，或者走出去询问店员。但想象一下，如果你只需看着镜子，点击“扫描你的造型”就可以了。 几秒钟后，镜子识别出你穿的是什么，辨认出颜色，并建议你如何完善这套穿搭。也许是一件衬衫或一件配饰——店内就有售——能将整体造型串联起来。 这就是运行在 VENTUNO Q 上的 Smart Mirror 示例背后的体验。它起初是一个个性化风格顾问，但也指向了一种新型零售体验：物理空间能够理解顾客正在做什么，并实时提供相关指导。
-
告别“拍脑袋”配GPU：一份面向推理负载与TCO的实用配置指南
将 GPU 配置视为一个动态的、数据驱动的持续优化过程，而非一次性的静态决策，才是控制 AI 推理成本、实现长期 TCO 最优化的根本之道。对于正在规划 AI 基础设施的团队而言，不妨从梳理自身用例和量化上述关键输入开始，这远比争论“该买 H100 还是 A100”更有价值。
-
在用户之前打破你自己的RAG管道
一个小型对抗性测试集，能捕捉到你的评估集永远无法发现的检索失败 检索增强生成（RAG（检索增强生成））使用从一组文档中检索到的信息来回答问题。该文档集合称为语料库。典型的评估会将一个写得好的问题发送到一个整洁的语料库，并检查检索器是否返回正确的段落。 生产环境的文档集合很少保持整洁。 策略变更后，旧页面仍然可被搜索到。用户输入“warehuse”而不是“warehouse”。光学字符识别（OCR），即从扫描件中提取文本的软件，可能会将“SSO”读作“SS0”。表格也可能在页面边界处被分割，从而将数字与其标签分开。 每个问题都可能将检索器引向错误的段落。语言模型随后接收到不正确或不完整的上下文，因此即使是写得好的答案也可能是错误的。 在本文中，我们将看到一个小型检索器和故障注入，即故意添加问题以测试系统如何响应。
-
GPT 风格语言模型中的因果注意力
因果注意力（Causal attention）是一种自注意力机制，其规则是阻止来自后续 token 位置的信息。在位置 t 处，模型可以关注到包括 t 在内的位置。然后，生成的表示被用于预测位置 t+1 处的 token。 举一个小例子，考虑 token 序列“the cat sat”。当模型计算“cat”的表示时，它可以使用“the”和“cat”。它不能使用“sat”，因为“sat”在此时是下一个 token 的预测目标。 这种限制使得 GPT 风格的模型能够在完整序列上训练，而不会看到自身预测任务的答案。整个训练序列都存在于内存中，这使得并行处理多个位置成为可能。注意力掩码仍然限制了每个位置可以读取的内容。 如果没有掩码，“cat”的表示可能会包含来自“sat”的信息，然后用这些信息来预测“sat”。
-
GraphRAG：6种高级架构模式的实践者指南 | Towards Data Science
超越基础图检索：六种面向生产的架构，用于结合语义搜索、知识图谱和LLM推理。 检索增强生成（RAG（检索增强生成））是各组织中应用最广泛的LLM用例。通过在查询时对文档进行向量化并检索语义相似的片段，RAG可以缓解幻觉、为回答提供依据，并绕过模型预训练带来的静态知识截止限制。然而，在现实场景中，标准的基于向量的RAG在复杂查询上会遇到限制，例如那些需要全局上下文、多跳推理、跨文档数值聚合等的查询。 标准RAG非常擅长回答明确的、局部化的查询。但如果我们问：“供应商B延迟发货零件A会如何影响产品C的最终装配？”，它会基于语义重叠检索出彼此不连贯的片段，却完全遗漏了连接这些实体的明确、确定性的关系。
-
使用键值缓存复用提示前缀以优化SLM
博客热门文章关于 主题 AI 职业建议 计算机视觉 数据工程 数据科学 语言模型 机器学习 MLOps NLP 编程 Python SQL 数据集 活动 资源 速查表 推荐 技术简报 广告 在我们关于SLM优化技术的短系列文章的第二篇中，我们重点关注使用键值缓存复用提示前缀。 在上一篇文章中，我们讨论了为小型语言模型（SLM）窄域自动化优化约束输出空间。我们当时提到，这是SLM优化策略短系列文章的第一篇。现在我们来到了第二篇。这次我们将重点关注使用键值缓存复用提示前缀。让我们不再浪费时间寒暄，直接进入正题。
-
Inkling：一个全新的开放权重975B MoE，带来一些惊喜
2026年7月16日，作者 Sebastian Raschka Thinking Machines Lab 发布了 Inkling，这是一个拥有 9750 亿参数的开源权重混合专家（MoE）模型。每个 token 激活 410 亿参数，并支持高达 1,048,576 个 token 的上下文窗口。 这些数字使 Inkling 与 Kimi K2.5 和 GLM-5.2 处于大致相同的规模级别。然而，该架构有几个我较少见到的细节，包括每个解码器块内部的短卷积，以及用可学习的相对位置偏置替代 RoPE。 Inkling 有 66 个解码器层，隐藏维度为 6,144。前两层使用稠密前馈块。其余层包含 256 个路由专家和 2 个共享专家。每个 token 选择 6 个路由专家，且两个共享专家始终处于激活状态。
-
模型可解释性之谜 - KDnuggets
博客热门文章关于 主题 AI 职业建议 计算机视觉 数据工程 数据科学 语言模型 机器学习 MLOps NLP 编程 Python SQL 数据集 活动 资源 速查表 推荐 技术简报 广告 深度网络被广泛视为黑箱。但它们真的在任何意义上都无法解释，而逻辑回归却可以吗？ 更新：此后我在《模型可解释性的迷思》（The Mythos of Model Interpretability）中完善了这些想法，这是一篇在2016年ICML机器学习人类可解释性研讨会上展示的学术论文。 关于机器学习模型的可解释性，有一种流行的说法：像逻辑回归这样的简单统计模型产生可解释的模型。另一方面，神经网络则是黑箱。这种说法暗示我们可以输入数据，观察输出结果，但缺乏对中间过程进行推理的能力。
