deephub

摘要： Gemma 3 270M是 Google 推出的一款虽小但能力惊人的开放模型。它属于 Gemma 家族，本质上是将 Gemini 模型中使用的相同技术带入了轻量级、可定制的形式中。 你可以在 不到一小时内完成微调，并将其大小压缩到 300MB 以下，让他直接在你的浏览器中运行。 在这篇文章中，我将展 阅读全文

摘要： 在深度学习落地过程中，有一个常见的误区：一旦推理速度不达标，大家的第一反应往往是拿着模型开到，比如：做剪枝、搞蒸馏、甚至牺牲精度换小模型。 实际上生产环境中的 Python 推理链路隐藏着巨大的“工程红利”。很多时候你的模型本身并不慢，慢的是低效的数据搬运、混乱的线程争用以及不合理的 Runtime 阅读全文

摘要： Scikit-Learn 1.8.0 更新引入了实验性的 Array API 支持。这意味着 CuPy 数组或 PyTorch 张量现在可以直接在 Scikit-Learn 的部分组件中直接使用了，且计算过程能保留在 GPU 上。 https://avoid.overfit.cn/post/ab7e 阅读全文

摘要： llama.cpp server在 2025年12月11日发布的版本中正式引入了 router mode（路由模式），如果你习惯了 Ollama 那种处理多模型的方式，那这次 llama.cpp 的更新基本就是对标这个功能去的，而且它在架构上更进了一步。 https://avoid.overfit. 阅读全文

摘要： 开发过程中，这种报错堆栈大家应该都不陌生： Traceback (most recent call last): File "app.py", line 10, in <module\> ZeroDivisionError: division by zero 程序崩溃，服务中断，用户体验归零。 但 阅读全文

摘要： 目前来看Google 是唯一一家在 AI 价值链上实现端到端垂直整合的公司。从基础模型 (Gemini)、应用层 (ImageFX, Search with Gemini, NotebookLM)，到云架构 (Google Cloud, Vertex AI) 以及硬件 (TPUs)，几乎全都有所布局 阅读全文

摘要： 打开交易图表，堆上十个技术指标，然后对着屏幕发呆不知道下一步怎么操作——这场景对交易员来说太熟悉了。如果把历史数据丢给计算机，告诉它“去试错”。赚了有奖励，亏了有惩罚。让它在不断的尝试和失败中学习，最终迭代出一个不说完美、但至少能逻辑自洽的交易策略。 这就是 TensorTrade 的核心逻辑。 T 阅读全文

摘要： 过去2年，整个行业仿佛陷入了一场参数竞赛，每一次模型发布的叙事如出一辙：“我们堆了更多 GPU，用了更多数据，现在的模型是 1750 亿参数，而不是之前的 1000 亿。” 这种惯性思维让人误以为智能只能在训练阶段“烘焙”定型，一旦模型封装发布，能力天花板就被焊死了。 但到了 2025 年，这个假设 阅读全文

摘要： 做 A/B 测试或者分析转化率的时候，经常会碰到那个老生常谈的问题： “这数据的波动到底是干预引起的，还是仅仅是相关性？” 传统的分析手段和机器学习擅长告诉你什么能预测结果，但预测不等于因果。而在做决策，不管是干预、优化还是调整业务逻辑时，我们需要的是因果关系。 今天介绍一下 PyCausalSim 阅读全文

摘要： 贝叶斯优化（Bayesian Optimization, BO）虽然是超参数调优的利器，但在实际落地中往往会出现收敛慢、计算开销大等问题。很多时候直接“裸跑”标准库里的 BO，效果甚至不如多跑几次 Random Search。 所以要想真正发挥 BO 的威力，必须在搜索策略、先验知识注入以及计算成本 阅读全文