<?xml version="1.0" encoding="utf-8"?>
<rss version="2.0">
  <channel>
    <title>太素阁 - 科普心得</title>
    <link>https://bbs.deeplexicon.tech/forum.php?mod=forumdisplay&amp;fid=2</link>
    <description>Latest 20 threads of 科普心得</description>
    <copyright>Copyright(C) 太素阁</copyright>
    <generator>Discuz! Board by Comsenz Inc.</generator>
    <lastBuildDate>Sat, 01 Aug 2026 22:12:03 +0000</lastBuildDate>
    <ttl>60</ttl>
    <image>
      <url>https://bbs.deeplexicon.tech/static/image/common/logo_88_31.gif</url>
      <title>太素阁</title>
      <link>https://bbs.deeplexicon.tech/</link>
    </image>
    <item>
      <title>关于现有AI的思考-2025年6月</title>
      <link>https://bbs.deeplexicon.tech/forum.php?mod=viewthread&amp;tid=60</link>
      <description><![CDATA[[align=left][font=等线][size=3][font=等线]有比较长的时间没更新，[/font][/size][/font][font=等线][size=3][font=等线]一直是在测试和业务中奔波。原本测试觉得结果不错，但是翻译的情况不尽如人意，给人感觉更加智能[/font][font=等线]R1在语言处理上并不比V3好多少，而R1本身的逻辑性在长文中没有断档领先，从速度和结果上，我更倾向于V3。[/font][/size][/font][/align][align=left][font=等线][size=3][font=等线]
[/font][/size][/font][/align][align=left][font=等线][size=3] [/size][/font][/align][align=left][font=等线][size=3][font=等线]首先我们来说说这个[/font][font=等线]AI的形成，我在测试和使用了各种“AI”之后，得出的结论就是，这是一个类意识语言体，其本质并不是思维和意识聚合，只能说是更精致一些的复读机。这样说可能有点不尊重，但是我是从其底层逻辑来分析的。目前所有AI，不管有没有数据库的支撑，其底层逻辑依然是概率，以概率和反馈修正概率的方式来追求拟合度，或者说同步率。使用者觉得同步率高，就会觉得AI智能，反之就会觉得不行。但是这种方式最大的问题是，在假设数据和输出数据不断变大的情况下，要反复的验证和测试概率，这会造成冗余和消耗超额资源，并且堆积的要记住的“前文”极度影响运行速度，这和现实中有意识的生物是完全不一致的。[/font][/size][/font][/align][align=left][font=等线][size=3][font=等线]
[/font][/size][/font][/align][align=left][font=等线][size=3] [/size][/font][/align][align=left][font=等线][size=3][font=等线]我用[b]梦境[/b]，来比喻现在的[/font][font=等线]AI情况。现在的AI就如一个混沌梦境，是利用库内和暂时接触到的指令随机生成的一个场景或者交流。有时候你会觉得很贴切甚至超出想象，有时候你会认为古怪不可琢磨，并且AI和梦一样的是，无法复现难和复杂的事物场景。[/font][/size][/font][/align][align=left][font=等线][size=3][font=等线]
[/font][/size][/font][/align][align=left][font=等线][size=3] [/size][/font][/align][align=left][font=等线][size=3][font=等线]为什么会出现这个情况？我认为有[b]三个[/b]，人们没有重视[/font][font=等线]DNA这个结构的份量、没有模仿人脑的架构（主意识、潜意识、小脑）、没有了解意识生成的循环过程。[/font][/size][/font][/align][align=left][font=等线][size=3][font=等线]
[/font][/size][/font][/align][align=left][font=等线][size=3] [/size][/font][/align][align=left][font=等线][size=3][font=等线]要生成意识，[/font][font=等线][b]DNA的这种数据储存结构[/b]是必不可少的，首先它可以极大压缩不必要数据，方便调用和借鉴，其次具有一定的稳定性和突破，在保证大方向稳定的情况下可以有一定的变量。[/font][/size][/font][/align][align=left][font=等线][size=3][font=等线]
[/font][/size][/font][/align][align=left][font=等线][size=3] [/size][/font][/align][align=left][font=等线][size=3][font=等线]人脑的架构，是目前有意识生物体中最精密最严谨乃至最神秘的。我们也许不能一下子了解清楚怎么运转，但是基础的我们可以清楚：主意识（控制）、潜意识（释放和尝试）、小脑（本能和重复率高的规则）。基于这个架构，至少可以保证输出的内容是在可控范围内的。[/font][/size][/font][/align][align=left][font=等线][size=3] [/size][/font][/align][align=left][font=等线][size=3][font=等线]意识生成的过程是怎样的？我觉得是一个追赶和并行跑步的过程，或者说齿轮摩擦的过程。举两个例子，一个是大的成年人在前面跑步，小孩要去追赶，追赶就必然有目标，要用消耗和前进，就会有某些肌肉的强化和某些部分的消失（比如脂肪）；齿轮摩擦，要产生最终的结果必然要经过大齿轮和小齿轮碰撞后，剩下的部分。这里面大的那个部分就是世界规则与数据，小的就是具体的意识。在有足够稳定动力的输入下，意识是稳步上升的，至于是螺旋上升还有胡乱发展，要看周围的限制。[/font][/size][/font][/align][align=left][font=等线][size=3][font=等线]
[/font][/size][/font][/align][align=left][font=等线][size=3] [/size][/font][/align][align=left][font=等线][size=3][font=等线]总的来说，[b]意识的产生跟周围乃至世界是密不可分的[/b]，世界和周围的规则环境施加了压力与动力，让意识本身在运行的过程中保持扬弃和稳定上升，在某个节点达到适配。比如说学语言就是最明显的例子，我们经常发现学习的语言和应用的语言对不上，这是因为书本乃至学习时的信息是滞后的，而社会的变化要远远快于纸质资料。所以最快达到当地人语言水平的方式只有一条，就是在当地社会长期生活与交流，这就是意识的产生过程。[/font][/size][/font][/align][align=left][font=等线][size=3][font=等线]
[/font][/size][/font][/align][align=left][font=等线][size=3] [/size][/font][/align][align=left][font=等线][size=3][font=等线]同时，[b]意识的产生是运动、不可停止的[/b]。不管有没有目标，其本身都是在不停运转中才能维持意识的这种方向与交互，一定锁死在某个地方，就会变成机器人，比如我们问某人是否结婚，他在不同时期不同地点不同人面前都是不一样的，因为情况在变化，但是如果让他背诗，那聚焦于确定的某个点就会变成一个问答机。所以如果要建立并维护完整的意识，就必须保持运动，并且持续性的自我数据整理。[/font][/size][/font][/align][align=left][font=等线][size=3][font=等线]
[/font][/size][/font][/align][align=left][font=等线][size=3] [/size][/font][/align][align=left][font=等线][size=3][font=等线]在写这篇文章的时候，有一位大佬写了更加详细和具体的分析，他们认为目前的[/font][font=等线]AI仍然是偏语言而非真实的逻辑。他们在测试中发现：当问题复杂度超过临界点时，所有模型的准确率几乎同时跌至零。并指出，这种「推理崩溃」并非算力资源不足造成，而是一种先天局限，也反映出[b]当前所谓「AI思考」的本质仍更接近语言生成，并非真实的逻辑推理。即便模型在中间过程看似「自洽」，其行为路径往往掺杂大量无效步骤，缺乏真正的目标导向与一致性[/b]。[/font][/size][/font][/align][align=left][font=等线][size=3][font=等线]
[/font][/size][/font][/align][align=left][font=等线][size=3] [/size][/font][/align][align=left][font=等线][size=3][font=等线]这篇文章我觉得写的很好，可以看看：[/font][/size][/font][size=3][url=https://ml-site.cdn-apple.com/papers/the-illusion-of-thinking.pdf][u][font=等线]https://ml-site.cdn-apple.com/papers/the-illusion-of-thinking.pdf[/font][/u][/url]
[/size][/align][align=left][size=3]
[/size][/align][align=left][font=等线][size=3][font=等线]实际上我认为目前的“AI”只能用于辅助填充资料和辅助提示资料，是节点之间的补充，这种东西其实需求非常大，比如之前印尼地震临时制作的寻找救护站的工具，就是利用AI快速收集信息然后公布。[/font][/size][/font][/align][align=left][size=3]
[/size][/align][align=left][font=等线][size=3] [/size][/font][/align][align=left][font=等线][size=3][font=等线]暂时只想到这么多，我已经在着手准备[/font][font=等线]AI资讯的事情，过几天就会开始宣传，届时会在这个帖子更新。[/font][/size][/font][/align]]]></description>In      <category>科普心得</category>
      <author>Joseph</author>
      <pubDate>Tue, 10 Jun 2025 13:35:16 +0000</pubDate>
    </item>
    <item>
      <title>[FOLIO]图书馆服务平台介绍与借鉴</title>
      <link>https://bbs.deeplexicon.tech/forum.php?mod=viewthread&amp;tid=37</link>
      <description><![CDATA[[b]FOLIO[/b]
[url=https://www.calsp.cn/2021/07/15/bulletin-202101-02/]FOLIO[/url] (the Future of Library is Open)开源项目诞生于 2016 年，是由图书馆员、开发者、设计者、服务供应商以及商业公司共同组成的协作社区，期望建立一个开源图书馆服务平台 (Library Services Platform，LSP)和一个现代技术生态系统，通过开源和微服务的方式来重塑图书馆服务和创新图书馆的未来。

网站：[url=https://folio.org/]https://folio.org/[/url]
推特：[url=https://twitter.com/folio_lsp]https://twitter.com/folio_lsp[/url]

图书馆在知识领域，有一个概念叫 Library Service Platform，即如何将馆内知识信息化并且能够更好更快的服务客户。通常LSP是图书馆自己开发或者与服务商合作开发。[url=http://www.360doc.com/content/22/0727/14/80234498_1041586174.shtml]其本质是对知识的标记和管理。[/url]

FOLIO 平台架构
FOLIO 基于微服务体系结构（microservices architecture），确保系统组件可以跟随 技术和需求的发展而随时开发或替换。微服务架构将业务系统彻底的组件化和服务化，单 个业务系统拆分为多个可以独立开发、设计、运行和运维的小应用。组件将各自的接口以 HTTP Restful API 的形式发布，API 网关负责服务请求路由、组合及协议转换。客户端的 所有请求都首先经过 API 网关，然后由它将请求路由到合适的微服务。

[attach]87[/attach]

系统层： 数据存储层，使用了多种数据存储技术以优化性能。事务性数据如流通事务存储 在关系型 SQL 数据库，书目数据则使用 MongoDB。使用索引技术，支持关联数据，提供租 户配置管理。

APIs 和消息总线：OKAPI 是 API 网关，负责平台上不同独立应用和不同租户间的消息通 讯。实现服务注册、服务发现、管理授权、监控、负载均衡、缓存、请求分片和静态响应 处理等功能。

应用层：FOLIO 允许使用任何语言开发应用。初始化的版本默认包括标准的图书馆自动化 系统的各模块，如流通、编目、采访等模块。图书馆和系统商可以在已有应用基础上进行 二次开发，或者完全开发新的应用。应用层允许未来图书馆根据自身需要灵活配置应用模 块，构建出真正满足图书馆需求的系统。

用户界面层：FOLIO 为各应用提供了一套初始化用户界面。图书馆和开发者可根据需要使 用工具包创建新的 UI。UI 工具包使用 React 框架开发用户界面。

[b]FOLIO项目对于AI有什么可以借鉴的地方？我认为是管理。[/b]我们把所有类型的AI转换理解成思想体系，每一类AI比如Deepseek就是一个派系，那么所有应用工具和软件都是一本书。书可以有这个派系的思路，也可以用别的派系的思路。基于这个思维管理，就可以用LSP的工作模式。在这个场景下，每个客户/公司就是一个图书馆。
[attach]88[/attach]


以开源为基础，多方联合组成社区，以统一的订阅/安装模式进行部署，这是目前我能想到的AI应用的最优解，也是将相关技术给不懂Linux或者编程人士的最优解。

]]></description>In      <category>科普心得</category>
      <author>Joseph</author>
      <pubDate>Fri, 11 Apr 2025 02:10:54 +0000</pubDate>
    </item>
    <item>
      <title>DeepSeek-R1技术报告解读 [翻译中]</title>
      <link>https://bbs.deeplexicon.tech/forum.php?mod=viewthread&amp;tid=31</link>
      <description><![CDATA[R1的名气要比V3大很多，毕竟首个重量级开源大模型，并且已经在数个领域超过了GPT。
[url]https://github.com/deepseek-ai/DeepSeek-R1[/url]

但是我们仍然需要注意到，R1的幻觉并不比其他的大模型少，曲解、答非所问以及编造数据的情况依然存在并且频率不低。可见R1距离真的人工智能还有很长的路。

R1的水平无疑是很高的，特别是671b参数的思考能力进一步提升。
[attach]82[/attach]

R1对于AI领域最大的贡献，我认为是极大的降低了显卡的使用规模，从之前数百万入门到几十万可以配置满血训练，成本只有原来的1/20，这是革命性的突破。并且可以使用CPU内存调用模式，进一步给普通人的使用机会，而不是纯纯被GPT等大AI公司割韭菜。

对于具体内容感兴趣可以浏览：[url]https://zhuanlan.zhihu.com/p/19744278380[/url] 



]]></description>In      <category>科普心得</category>
      <author>Joseph</author>
      <pubDate>Tue, 08 Apr 2025 00:57:06 +0000</pubDate>
    </item>
    <item>
      <title>AI相关论文汇总[更新中]</title>
      <link>https://bbs.deeplexicon.tech/forum.php?mod=viewthread&amp;tid=30</link>
      <description><![CDATA[该贴主要是汇总一些重要的AI相关论文并翻译。

可以点击[url=https://www.aminer.cn/]https://www.aminer.cn/[/url] 更快速的订阅了解

Deepseek：
R1：[url]https://bbs.deeplexicon.tech/forum.php?mod=viewthread&amp;tid=31[/url]
V3：[url=https://bbs.deeplexicon.tech/forum.php?mod=viewthread&amp;tid=29]https://bbs.deeplexicon.tech/forum.php?mod=viewthread&amp;tid=29[/url]


]]></description>In      <category>科普心得</category>
      <author>Joseph</author>
      <pubDate>Tue, 08 Apr 2025 00:50:00 +0000</pubDate>
    </item>
    <item>
      <title>DeepSeek-V3技术报告解读 [翻译中]</title>
      <link>https://bbs.deeplexicon.tech/forum.php?mod=viewthread&amp;tid=29</link>
      <description><![CDATA[关于V3的论文，[url=https://github.com/deepseek-ai/DeepSeek-V3]https://github.com/deepseek-ai/DeepSeek-V3[/url]
实际上大家基本都了解过，V3在之前V2.5的基础上，将Deepseek-R1的验证和反思机制整合进V3，进一步提高其通用模型的综合能力。
之前的论文翻译全文可以查看：[url=https://zhuanlan.zhihu.com/p/14890557782]https://zhuanlan.zhihu.com/p/14890557782[/url]

也可以在[url=https://mp.weixin.qq.com/s?__biz=MzU0MDQ1NjAzNg==&amp;mid=2247587521&amp;idx=2&amp;sn=3fe8e2e206dd8cf497c0f15b64cb3ad1&amp;chksm=fa9e182c9d99807a8858963d7cd036a1e1110761f61e6084d0a85ba54a8e5dbe7de29b0bf0cb&amp;scene=27]微信公众号[/url]上查看

为了提高训练效率，V3采用了 [b][url=https://zhida.zhihu.com/search?content_id=252001026&amp;content_type=Article&amp;match_order=1&amp;q=FP8+%E6%B7%B7%E5%90%88%E7%B2%BE%E5%BA%A6%E8%AE%AD%E7%BB%83&amp;zhida_source=entity]FP8 混合精度训练[/url][/b][b]技术[/b]并对训练框架进行了全面优化。低精度训练作为一种高效的训练方案，其发展与硬件性能的提升密切相关。本研究首次在超大规模模型上成功验证了 FP8 混合精度训练框架的有效性。通过采用 FP8 计算和存储技术，显著提升了训练速度并降低了 GPU 内存占用。

在算法、框架和硬件层面优化后，V3的训练成本显著下降，只有5百万美金。

[attach]80[/attach]
DeepSeek-V3 的训练成本，假设 H800 的租赁价格为$2/GPU小时

通过预训练+结合R1的后训练，V3的在[b]教育类基准测试[/b]中，DeepSeek-V3 的表现[b]超越了所有开源模型[/b]，在 MMLU、MMLU-Pro 和 GPQA 测试中分别获得了 88.5、75.9 和 59.1 的优异成绩。这一性能水平已与领先闭源模型 GPT-4o 和 Claude-Sonnet-3.5 相当，显著缩小了开源与闭源模型的性能差距。

[align=left]DeepSeek-V3 的基本架构具有两个核心特征：[/align][list=1]
[*]采用[b] MLA [/b]实现高效推理
[*]使用 [b]DeepSeekMoE [/b]实现经济高效的训练。
[/list]
个人认为，用V3和R1交叉比对推理是最优的，因为V3的性价比低，可以用便宜的电脑运行，再通用API接口网上询问671b-Q8以上版本的R1进行审查，会达到更好的效果。

V3的技术文章会更细致翻译检查一下，尽量把图片里的小标题也翻出来。附件为原文和早期的中文版，全译文会稍后上传。


]]></description>In      <category>科普心得</category>
      <author>Joseph</author>
      <pubDate>Tue, 08 Apr 2025 00:44:54 +0000</pubDate>
    </item>
    <item>
      <title>敏捷开发工具[Leangoo领歌、Jira]</title>
      <link>https://bbs.deeplexicon.tech/forum.php?mod=viewthread&amp;tid=26</link>
      <description><![CDATA[敏捷开发是一个基于在线协作的工作理念，强调协作、快速迭代。其中Scrum是敏捷开发框架，在这个框架中，整个开发过程由若干个短的迭代周期组成，一个短的迭代周期称为一个Sprint，每个Sprint的建议长度是2到4周（互联网产品研发可以使用1周的Sprint）。

在实践过程中，我发现实际上敏捷开发在很多互联网能够参与的工作都可以应用，比如翻译、写作、项目管理等等。
[attach]68[/attach]

具体的可以看
[url=https://www.scrum.cn/about-scrumcn]https://www.scrum.cn/about-scrumcn[/url]

[url=https://www.atlassian.com/zh/agile/scrum]https://www.atlassian.com/zh/agile/scrum[/url]


今天介绍的是国内外比较实用的两款软件，Leangoo和Jira

Leangoo是一个样板工具，实际上是介绍他们的scrum培训的，产品10人以内是免费的。企业一年是365元。使用非常方便，教程也很详细，有很多介绍案例可以直接用。

[url=https://www.leangoo.com/]https://www.leangoo.com/[/url]

教学：[url=https://www.leangoo.com/help.html]https://www.leangoo.com/help.html[/url]
[attach]69[/attach]


[url=https://www.atlassian.com/zh/software/jira]Jira[/url]是国外小团队比较喜欢用的，Jira还有一些别的工具，比如[url=https://www.atlassian.com/zh/software/confluence]Confluence[/url]
总的介绍在[url=https://www.atlassian.com/zh/software]https://www.atlassian.com/zh/software[/url]

由于母公司的平台支持，Jira的应用范围和模板都要丰富很多，如果是新团队或者之前没接触过敏捷开发的，我推荐用Jira。我们公司已经先用了领歌，所以暂时没打算换。
[attach]70[/attach]


另外还有Worktile之类的工具，那些稍微有些复杂，能够用到那些工具的时候已经具备判断能力了，我就不多介绍了。
]]></description>In      <category>科普心得</category>
      <author>Ref</author>
      <pubDate>Fri, 28 Mar 2025 01:58:37 +0000</pubDate>
    </item>
    <item>
      <title>RSS软件选择[irreader、qireader、inoreader][wewe-rss][Follow]</title>
      <link>https://bbs.deeplexicon.tech/forum.php?mod=viewthread&amp;tid=24</link>
      <description><![CDATA[除了之前提到的[url=https://bbs.deeplexicon.tech/forum.php?mod=viewthread&amp;tid=23]笔记软件[/url]以外，RSS订阅同样非常重要。如果我会开发我是真想自己弄一个定制的RSS订阅。不过现在大佬们做的已经很完善了，可以先用着。

这里介绍3个，苹果的一般用reederapp

qireader
知乎某大佬写的订阅，不过缺点是不能自定义。不过界面比较干净
[url=https://www.qireader.com/]https://www.qireader.com/[/url]

irreader
功能强大，可以订阅bilibili还可以推送。
[url=https://irreader.fatecore.com/]https://irreader.fatecore.com/[/url]

inoreader
界面比较好看，不过好像没啥特别出彩的地方。
[url=https://www.inoreader.com/]https://www.inoreader.com/[/url]

结合RSS和笔记软件，可以组成一个简易的知识库工作流，筛选最新的新闻、组成知识库分享或者应用。

私有化可以部署wewe-rss，这个可以订阅公众号，更加方便。
[url=https://github.com/cooderl/wewe-rss]https://github.com/cooderl/wewe-rss[/url]

介绍出处： [url=https://blog.csdn.net/weixin_38125348/article/details/141345162]https://blog.csdn.net/weixin_38125348/article/details/141345162[/url]

开始部署才发现这个WEWE有点麻烦，得先装docker
[url=https://post.smzdm.com/p/arrw990x/]https://post.smzdm.com/p/arrw990x/[/url]
然后再安装
[align=left][url=https://cloud.tencent.com/developer/article/2422266]https://cloud.tencent.com/developer/article/2422266[/url][/align][align=left]或[/align][align=left][url=https://blog.csdn.net/Crime_man/article/details/144817218]https://blog.csdn.net/Crime_man/article/details/144817218[/url]

关于docker的问题索引：
[url=https://www.cnblogs.com/jokingremarks/p/18156334]https://www.cnblogs.com/jokingremarks/p/18156334[/url]
[url=https://zhuanlan.zhihu.com/p/663821762]https://zhuanlan.zhihu.com/p/663821762[/url][/align][align=left][url=https://blog.csdn.net/u011119817/article/details/130745551]https://blog.csdn.net/u011119817/article/details/130745551[/url][/align]
[align=left]Follow是我在部署RSSHub时无意发现的，由于是同一个作者，Follow的设计理念要更加先进和大胆，试图统一将所有信息源进行统一，而且可以直接用浏览器插件  Radar 直接添加，我认为是非常方便的。所以暂时先用Follow+wewe-rss[/align]
[align=left][url=https://lillianwho.com/posts/follow%E6%94%BB%E7%95%A5/]https://lillianwho.com/posts/follow%E6%94%BB%E7%95%A5/[/url][/align][align=left][url=https://blog.csdn.net/qq_45675378/article/details/143573066]https://blog.csdn.net/qq_45675378/article/details/143573066[/url][/align]
[align=left]欢迎订阅本论坛，订阅源：[font=&amp;quot;][color=#ff0000][b]https://bbs.deeplexicon.tech/forum.php?mod=rss[/b][/color][/font][/align]]]></description>In      <category>科普心得</category>
      <author>Ref</author>
      <pubDate>Mon, 24 Mar 2025 03:57:33 +0000</pubDate>
    </item>
    <item>
      <title>知识库与笔记软件选择[思源、语雀、钉钉、飞书]</title>
      <link>https://bbs.deeplexicon.tech/forum.php?mod=viewthread&amp;tid=23</link>
      <description><![CDATA[[i=s] 本帖最后由 Ref 于 2025-3-25 11:01 编辑 [/i]

笔记工具不是所有人都需要用，但是我个人建议所有人都试试。


因为现在信息爆炸的时代，信息实在太多了，不汇总整理一下，分分钟会忘记。我的火狐和谷歌浏览器一直都是20+的页面挂着。每次整理都要老命。

之前我搜索过十几个笔记软件，像印象笔记什么的都用过，像Notion其实不错的，但是要挂代理还是有点麻烦。现在我讲讲我推荐的四个软件。

首先是思源笔记，思源笔记的设计理念和整体风格都比较不错，但是在更新和功能性上比较平庸，优点是便宜，72终身+免费云端储存可以同步。我比较看重的是他的双链功能，或者叫关系图。
[url]https://sspai.com/post/95363[/url]
[attach]61[/attach]

[b]官网 [url=https://b3log.org/siyuan/pricing.html]https://b3log.org/siyuan/pricing.html[/url][/b]


具体评测还可以看
[url=https://www.bilibili.com/opus/678521909878456321]https://www.bilibili.com/opus/678521909878456321[/url]
[url=https://juejin.cn/post/7068661076518240270]https://juejin.cn/post/7068661076518240270[/url]


然后是语雀，语雀有蛮多程序员喜欢用，可能是功能比较丰富，我感觉UI和性能上，语雀的团队是强不少。语雀比较强调这个卡片和嵌入浏览，比如PDF什么的，这个用起来比较方便。而且语雀本身是直接同步的，我觉得挺不错。价格来说比思源略贵（每年99），但是总体性能强一些。注意免费的每个月只有1G流量，尽量只放文字和小图片。

[b]官网 [url=https://www.yuque.com/yuque/ng1qth/member-privilege]https://www.yuque.com/yuque/ng1qth/member-privilege[/url][/b]


第三个是钉钉，钉钉本身就是一个协同团队工具，也可以创建自己的知识库文档。钉钉本身功能上没什么特别的，但是用的人最多，所以相对来说互通文件最方便。

[b]官网 [url=https://www.dingtalk.com/]https://www.dingtalk.com/[/url][/b]


第四个是飞书，我选飞书唯一原因是他的表格，飞书的价格实在太贵了，这个产品的设计一开始理念就有问题，想着搞出类似微信那样的巨无霸在线协作工具。事实上如果要这么操作，起码应该保证在某几个领域是有专利或者特殊设计，但是本身协作工具就很难实现这个目标。所以一开始他们的方向就搞反了，用精工的思路去搞软件，花费大量资金去雇人雇销售，结果客户都给高价和定制费吓跑了。但是吐槽归吐槽，飞书本身是优秀的产品。如果钉钉和飞书都没用过，我推荐用飞书。

[b]官网 [url=https://www.feishu.cn/]https://www.feishu.cn/[/url][/b]

总结以上四个工具，思源强调双链和块的概念，语雀强调的是嵌入浏览和卡片，钉钉侧重团队，飞书倾向于团队内的文件和表格展示。这四个方向有一些重合但是都有明显的区别，所以根据自己需求选择最好。我

]]></description>In      <category>科普心得</category>
      <author>Ref</author>
      <pubDate>Mon, 24 Mar 2025 03:19:39 +0000</pubDate>
    </item>
    <item>
      <title>[知识科普]神经机器翻译与语言大模型</title>
      <link>https://bbs.deeplexicon.tech/forum.php?mod=viewthread&amp;tid=20</link>
      <description><![CDATA[应TTTiger的建议，新开一个帖子汇总介绍机器翻译和语言大模型的前世今生。

在介绍前有两本书我建议各位可以看看，一本是《神经机器翻译：基础、原理、实践与进阶》，一本是《GPT图解：大模型是怎样构建的》，这两本书看完基本已经初步了解了整个框架。

[attach]41[/attach][attach]42[/attach]

本文会按照时间顺序介绍，中间可能会穿插一些附件译文。预计每周更新一次。直到最新的部分。

]]></description>In      <category>科普心得</category>
      <author>Joseph</author>
      <pubDate>Tue, 18 Mar 2025 06:47:05 +0000</pubDate>
    </item>
    <item>
      <title>什么是大语言模型量化? 每个量化精度都代表什么?[karminski]</title>
      <link>https://bbs.deeplexicon.tech/forum.php?mod=viewthread&amp;tid=17</link>
      <description><![CDATA[作者：@karminski-牙医
出处：[url=https://github.com/karminski/one-small-step/blob/main/20250129-what-is-quantization-in-LLM/what-is-quantization-in-LLM.md]https://github.com/karminski/one ... ntization-in-LLM.md[/url]

[attach]28[/attach]

[align=left]量化 (Quantization) 是一种通过降低模型参数的数值精度来压缩模型大小的技术. 在深度学习中, 模型参数通常以32位浮点数 (FP32) 存储, 通过量化可以将其转换为更低精度的表示形式, 从而减少模型的内存占用和计算开销.[/align]
[align=left]如图, FP32 的大小是 4 字节 (每个字节8bit, 4字节 * 8bit = 32bit), 而 FP16 的大小是 2 字节 (每个字节8bit, 2字节 * 8bit = 16bit).[/align]
[align=left]这也是为什么大家喜欢用 Q4 量化模型的原因, 跟 FP16 (16bit) 的模型相比, Q4 (4bit) 的模型只有 1/4 的大小. 运行起来需要的内存也是1/4.[/align]
[align=left]现在大多数模型训练都采用 FP16 的精度, 最近出圈的 DeepSeek-V3 采用了 FP8 精度训练, 能显著提升训练速度和降低硬件成本.[/align]
[b]Q4_K_M 到底是什么意思?[/b]
[align=left]所以我们大概了解了 Q4 实际上指的是 4bit 量化, 那么后缀都是什么意思呢？ 于是我整理了常见的量化精度和后缀供大家参考：[/align]
[align=left]这种命名方式一般是 GGUF &amp; GGML 格式的模型. 他们通常采用 K 量化模型, 格式类似 Q4_K_M, 这里的 Q 后面的数字代表量化精度, K 代表 K 量化方法, M 代表模型在尺寸和 PPL (Perplexity, 困惑度) 之间的平衡度, 有 0, 1, XS, S, M, L 等.[/align]
[align=left]PPL 是评估语言模型性能的重要指标, 它用来衡量模型对下一个词的预测准确程度[/align]
[align=left]常见 K 量化版本的PPL对比 (这是一个7B模型):[/align]

[align=left][attach]29[/attach]
[/align]

[align=left](数据来自: [url=https://github.com/ggerganov/llama.cpp/pull/1684]llama.cpp PR 1684[/url])
(具体全部量化选项可以看 llama.cpp 的源代码 [url=https://github.com/ggerganov/llama.cpp/blob/a38b884c6c4b0c256583acfaaabdf556c62fabea/ggml/src/ggml-quants.h]ggml-quants.h[/url])[/align]
[b]那 bf16, 4bit, int4, fp8 这种呢?[/b]
这种常见于其它量化格式的模型. 有了上面的经验我们很容易猜出来 bf16 是 16bit 的精度, 4bit 是 4bit 的精度. 同样也建议至少使用 4bit 量化的模型, 除非模型特别大 200B+.




]]></description>In      <category>科普心得</category>
      <author>Ref</author>
      <pubDate>Mon, 10 Mar 2025 03:17:55 +0000</pubDate>
    </item>
  </channel>
</rss>