登录社区云，与社区用户共同成长
邀请您加入社区
数字人赛道正从概念验证走向规模化落地。行业调研数据显示，2025年国内数字人带动的整体市场规模已进入千亿级区间，中小实体商家的接入需求持续上升。在这一背景下，深圳启元智胜科技有限公司旗下品牌盈启鲲鹏，围绕AI数字人直播系统开放区域合作，其招商政策的构成逻辑值得关注。
一个真实的部署测试暴露了不可用的立交桥网关，所以我添加了一个独立的Wikidata查询，用于城市公园、纪念碑和喷泉。它在OpenStreetMap中查找附近的公园、花园、户外艺术品、视点和其他符合条件的地方，并为城市公园、纪念碑和喷泉提供单独的Wikidata后备。访问信息和原始的OpenStreetMap或Wikidata项目仍然可见，因为地图上的地点并不能证明它是开放的或可以通过步行路线到达的
随着大模型训练场景的多样化发展，模型需要在不同硬件平台上保持一致的训练精度。本工作旨在将 GLM-5.2 模型结构接入 MindFormers PyNative 框架，并以 GPU 上的 Megatron-LM 为参考基准，验证 Ascend NPU 与 NVIDIA GPU 在单卡训练场景下的精度一致性。通过系统化的对齐流程，确保模型在不同硬件平台上的训练行为可复现、可预期，为后续多卡扩展和实际
在 Ascend NPU 环境下运行 PyTorch 模型时，需要正确配置 PyTorch、torch_npu 插件以及 CANN 基础软件栈。由于各组件之间存在严格的版本依赖关系，配置过程若操作不当，容易导致运行时错误。本文旨在提供一套清晰、可复现的配置流程，帮助开发者快速搭建或定制开发环境。快速二进制包安装（适用于日常开发和快速部署）和源码编译安装（适用于源码级问题定位与功能增强）。
生成式推荐（GR）因请求高密、前缀稳定，导致KV Cache重复计算与显存瓶颈。本文介绍了用户粒度KV Cache和池化管理方案，通过将KV Cache从单卡显存扩展到集群级池化存储，提升前缀命中率和缓存容量，从而降低首token延迟和单位请求成本。文章深入解析了vLLM-Ascend的落地设计，包括Prefix Cache和PD分离、用户粒度管理、Mooncake内存池等技术细节，为优化GR大模
在多机分布式训练场景中，通信域的建立是模型训练启动的关键步骤。近期在模型拉起过程中，遇到了通信域建链耗时异常的问题，表现为建链时间远超预期，严重影响了训练任务的启动效率。本文记录了该问题的现象、排查过程及最终解决方案，供相关开发者参考。本文针对多机分布式训练中通信域建链超时的问题，从现象、官方修复、根因分析到解决方案进行了完整梳理。核心问题在于DNS配置错误导致接口反复重试，进而引发建链耗时异常。
在深度学习分布式训练场景中，多线程多流并发下发算子是提升训练效率的常见手段。然而，当多个线程在不同设备（卡）上并发执行计算与通信任务时，由于各线程执行速度不一致，算子下发顺序可能出现交叉，进而引发PTA TaskQueue卡死或HCCL通信算子卡死等问题。本文基于实际开发中遇到的问题，详细分析该现象的根因，并给出有效的解决方案与最佳实践。保序原则：在多线程多流并发下发算子的场景中，务必保证算子下发
print(df.groupby(“书名”)[“字数”].sum().sort_values(ascending=False))print(df.groupby(“分类”)[“字数”].agg([“count”,“sum”,“mean”]))print(“历史分类平均字数:”, df.loc[df[“分类”]==“历史”,“字数”].mean())仓库：https://github.com/hao
找GDP最高的10个城市：df.sort_values("GDP",ascending=False).head(10)例如原数组：a=np.array([1,2,3,4,5,6]) ，要变成：两行三列的形式。输出：Index(['城市','GDP','人口'],dtype='object')注意：原来的df没有改变，可以：df = df.drop("温度",axis=1)符号计算 Python 库
