如何在自己的数据上微调一个小模型（完整指南）
你不需要一个 70B 的模型。你不需要 10 万美元的算力。你也不需要一支机器学习团队。一个 15 亿参数的模型，只要在 200-500 个高质量样本上做好微调，在你那个具体任务上就能胜过被泛泛提示的前沿大模型。这就是完整指南。数据收集。清洗。数据集构建。QLoRA 训练。
VS Code 插件代码补全支持类型推导， AI 写 LSP，追了几十层依然准确
上次让AI基于DriectX11开发了一个3D渲染引擎，过程中自己敲代码发现手感总是少点东西，说直白点，就是代码敲起来不爽。早期在写VS Code插件的时候，因为LSP这块文档比较少，基本要靠去VS Code官网啃英文文档，对其中的协议理解也不是特别透彻，故感觉工作量相当庞大。
LLaMA.cpp mmap+GGUF实战
去年在一台老笔记本上试跑 LLaMA 3.1 8B。机器是 i7-10750H + 16GB 内存，没独显。下载 FP16 的 safetensors 文件——16GB——加载了四分钟，然后告诉我内存不够。后来换了 LLaMA.cpp。同一个模型，下了一个 4.
Python函数参数与返回值详解——让代码复用更灵活
大纲函数定义回顾 —— def语句的基本结构位置参数与关键字参数 —— 两种传参方式默认参数的陷阱 —— 可变默认值的经典bugargs与kwargs* —— 接受任意数量参数仅关键字参数 —— 强制使用关键字传参返回值进阶 —— 多返回值、命名元组、数据类闭包 —— 捕获外部变
这届网友用AI搞机太离谱：红米能跑iOS、Mac运行安卓
在红米上成功运行iOS 16、在Mac上运行安卓App，这些尝试在最近一两个月突然热闹起来。前不久，B站UP主@RryanLyu甚至还成功让一加Ace 5运行了鸿蒙6，还修复了GPU驱动，能够正常显示桌面、系统动效和应用小窗。
2026最新8款基础版免费团队编程助手平替实测｜提升测试覆盖率
多团队协作开发中，单元测试覆盖率偏低会带来大量隐性线上故障，人工编写测试用例耗时冗长，AI自动补全单元测试成为团队降风险、提效率的核心需求。我带过三支完整研发团队，全程参与从0到1搭建研发工具链，日常需要批量为后端数据库同步任务补充测试代码，反复验证各类异常分支逻辑。
妈耶，不小心学到了催红人高效产出的秘籍
做海外红人营销，最怕的不是红人不回邮件，也不是报价太高，而是红人答应合作、样品寄了、定金付了，然后就没有然后了。
首个记忆原生大模型开源，36B 本地部署实测：成功把规矩”刻”进脑子
刚瞄了一眼，MemT-1 系列在 Hugging Face 开源仅 8 天，全系列在 Hugging Face 上的总下载量即将突破10万次大关。