从贝叶斯视角解读Transformer的内部几何：mHC的流形约束与大模型训练稳定性
近期研究揭示了一个有趣的现象：Transformer内部确实在执行贝叶斯推理：只不过不是符号化的方式而是几何化的。
DeepSeek 开年王炸：mHC 架构用流形约束重构 ResNet 残差连接
这回DeepSeek又要对 残差连接（Residual Connection）出手了。
对抗样本攻击详解：如何让AI模型产生错误判断
精心构造的输入样本能让机器学习模型产生错误判断，这些样本与正常数据的差异微小到人眼无法察觉，却能让模型以极高置信度输出错误预测。
向量搜索升级指南：FAISS 到 Qdrant 迁移方案与代码实现
FAISS 在实验阶段确实好用，速度快、上手容易，notebook 里跑起来很顺手。但把它搬到生产环境还是有很多问题
CALM自编码器：用连续向量替代离散token，生成效率提升4倍
近年来语言模型效率优化多聚焦参数规模与注意力机制，却忽视了自回归生成本身的高成本。CALM提出新思路：在token之上构建潜在空间，通过变分自编码器将多个token压缩为一个连续向量，实现“一次前向传播生成多个token”。
dLLM：复用自回归模型权重快速训练扩散语言模型
dLLM是一个开源的Python库,它把扩散语言模型的训练、微调、推理、评估这一整套流程都统一了起来，而且号称任何的自回归LLM都能通过dLLM转成扩散模型
Pydantic-DeepAgents：基于 Pydantic-AI 的轻量级生产级 Agent 框架
有时候严格的类型安全加上一个干净的 Docker 容器，远比一张错综复杂的有向无环图（DAG）要好维护得多。
ONNX Runtime Python 推理性能优化：8 个低延迟工程实践
深度学习推理慢？未必是模型问题。本文揭示8大ONNX Runtime工程优化技巧：合理选择执行提供器、精准控制线程、规避内存拷贝、固定Shape分桶、启用图优化、CPU量化加速、预热与微批处理、向量化前后处理。不改模型也能显著提升性能，低延迟落地关键在于细节调优。
llama.cpp Server 引入路由模式：多模型热切换与进程隔离机制详解
Router mode 看似只是加了个多模型支持，实则是把 llama.cpp 从一个单纯的“推理工具”升级成了一个更成熟的“推理服务框架”。
深度解析 Google JAX 全栈：带你上手开发，从零构建神经网络
JAX AI 栈是一套面向超大规模机器学习的端到端开源平台。
基于强化学习的量化交易框架 TensorTrade
TensorTrade 是一个专注于利用 **强化学习 (Reinforcement Learning, RL)** 构建和训练交易算法的开源 Python 框架。
DeepSeek-R1 与 OpenAI o3 的启示：Test-Time Compute 技术不再迷信参数堆叠
Test-Time Compute（测试时计算），继 Transformer 之后，数据科学领域最重要的一次架构级范式转移。
LMCache：基于KV缓存复用的LLM推理优化方案
LMCache针对TTFT提出了一套KV缓存持久化与复用的方案。项目开源，目前已经和vLLM深度集成。
PyTorch推理扩展实战：用Ray Data轻松实现多机多卡并行
Ray Data 在几乎不改动原有 PyTorch 代码的前提下，把单机推理扩展成分布式 pipeline。
JAX核心设计解析：函数式编程让代码更可控
JAX是函数式编程而不是面向对象那套，想明白这点很多设计就都说得通了。
JAX 训练加速指南：8 个让 TPU 满跑的工程实战习惯
TPU 训练的真实效率往往取决于两个核心要素：**Shape 的稳定性**与**算子的融合度**。
JAX 核心特性详解：纯函数、JIT 编译、自动微分等十大必知概念
如果你用过 NumPy 或 PyTorch，但还没接触过 JAX，这篇文章能帮助你快速上手。
PyTorch 分布式训练底层原理与 DDP 实战指南
本文讲详细探讨Pytorch的数据并行（Data Parallelism）
TensorRT 和 ONNX Runtime 推理优化实战：10 个降低延迟的工程技巧
低延迟不靠黑科技就是一堆小优化叠起来：形状固定、减少拷贝、更好的 kernel、graph capture、运行时零意外。每个单拎出来可能只省几毫秒，但加起来用户就能感受到"快"。
