Populární témata
#
Bonk Eco continues to show strength amid $USELESS rally
#
Pump.fun to raise $1B token sale, traders speculating on airdrop
#
Boop.Fun leading the way with a new launchpad on Solana.
You Jiacheng
To je krásná teorie!
1. 10. 09:02
Dokonce i s plnodávkovými gradienty se optimalizátory DL vzpírají klasické optimalizační teorii, protože pracují na *okraji stability.*
V @alex_damian_ představujeme "centrální toky": teoretický nástroj pro analýzu této dynamiky, který umožňuje přesné kvantitativní předpovědi o skutečných NN.
60,39K
K-POP, obligátní @basedjensen
29. 9. 2025
Lidé: roboti nahrazují lidstvo.
Real: robotická taneční show na přední robotické konferenci, aniž byste pohnuli prstem na noze.
2,6K
BTW, vydali hluboký ponor do FP8 KVCache hlavní MLA.
takže ve skutečnosti ≈1/5 ve srovnání s hustou MLA FP8.
29. 9. 2025
Jak se dalo očekávat, NSA není kompatibilní s MLA, takže DeepSeek zvolil jinou metodu: jako indexátor použijte menší (d=128) pozornost (bez hodnoty).
Asymptotický nákladový poměr = 128/576.
Kromě toho, indexer používá FP8, zatímco hlavní MLA používá 16bitový, takže = 64/576 = 1/9.
23,63K
Top
Hodnocení
Oblíbené