<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
  <channel>
    <title>量化技术 on 办公AI智能小助手</title>
    <link>https://blog.qife122.com/tags/%E9%87%8F%E5%8C%96%E6%8A%80%E6%9C%AF/</link>
    <description>Recent content in 量化技术 on 办公AI智能小助手</description>
    <generator>Hugo</generator>
    <language>zh-cn</language>
    <copyright>qife</copyright>
    <lastBuildDate>Sat, 20 Sep 2025 17:39:31 +0800</lastBuildDate>
    <atom:link href="https://blog.qife122.com/tags/%E9%87%8F%E5%8C%96%E6%8A%80%E6%9C%AF/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>开源混元AI模型家族全面升级</title>
      <link>https://blog.qife122.com/p/%E5%BC%80%E6%BA%90%E6%B7%B7%E5%85%83ai%E6%A8%A1%E5%9E%8B%E5%AE%B6%E6%97%8F%E5%85%A8%E9%9D%A2%E5%8D%87%E7%BA%A7/</link>
      <pubDate>Sat, 20 Sep 2025 17:39:31 +0800</pubDate>
      <guid>https://blog.qife122.com/p/%E5%BC%80%E6%BA%90%E6%B7%B7%E5%85%83ai%E6%A8%A1%E5%9E%8B%E5%AE%B6%E6%97%8F%E5%85%A8%E9%9D%A2%E5%8D%87%E7%BA%A7/</guid>
      <description>&lt;h1 id=&#34;开源混元ai模型家族全面升级&#34;&gt;开源混元AI模型家族全面升级&lt;/h1&gt;&#xA;&lt;p&gt;某机构近日扩展其开源混元AI模型系列，新推出的模型家族具备多场景适用性，从小型边缘设备到高并发生产系统均可提供强大性能。&lt;/p&gt;&#xA;&lt;p&gt;该版本在开发者平台Hugging Face上提供完整的预训练和指令微调模型，参数规模包括0.5B、1.8B、4B和7B，为开发者和企业提供高度灵活性。&lt;/p&gt;</description>
    </item>
    <item>
      <title>混合输入矩阵乘法性能优化：突破AI硬件加速瓶颈</title>
      <link>https://blog.qife122.com/p/%E6%B7%B7%E5%90%88%E8%BE%93%E5%85%A5%E7%9F%A9%E9%98%B5%E4%B9%98%E6%B3%95%E6%80%A7%E8%83%BD%E4%BC%98%E5%8C%96%E7%AA%81%E7%A0%B4ai%E7%A1%AC%E4%BB%B6%E5%8A%A0%E9%80%9F%E7%93%B6%E9%A2%88/</link>
      <pubDate>Fri, 19 Sep 2025 10:18:08 +0800</pubDate>
      <guid>https://blog.qife122.com/p/%E6%B7%B7%E5%90%88%E8%BE%93%E5%85%A5%E7%9F%A9%E9%98%B5%E4%B9%98%E6%B3%95%E6%80%A7%E8%83%BD%E4%BC%98%E5%8C%96%E7%AA%81%E7%A0%B4ai%E7%A1%AC%E4%BB%B6%E5%8A%A0%E9%80%9F%E7%93%B6%E9%A2%88/</guid>
      <description>&lt;p&gt;AI驱动技术正日益融入日常生活，提升知识获取效率与生产力。大型语言模型（LLM）是这些应用的核心，但其内存密集型特性需依赖专用硬件加速器提供数十exaflops算力。本文通过优化内存使用应对计算挑战。&lt;/p&gt;</description>
    </item>
    <item>
      <title>BART模型压缩技术实现高效部署</title>
      <link>https://blog.qife122.com/p/bart%E6%A8%A1%E5%9E%8B%E5%8E%8B%E7%BC%A9%E6%8A%80%E6%9C%AF%E5%AE%9E%E7%8E%B0%E9%AB%98%E6%95%88%E9%83%A8%E7%BD%B2/</link>
      <pubDate>Thu, 18 Sep 2025 03:57:08 +0800</pubDate>
      <guid>https://blog.qife122.com/p/bart%E6%A8%A1%E5%9E%8B%E5%8E%8B%E7%BC%A9%E6%8A%80%E6%9C%AF%E5%AE%9E%E7%8E%B0%E9%AB%98%E6%95%88%E9%83%A8%E7%BD%B2/</guid>
      <description>&lt;h1 id=&#34;资源受限场景下的bart模型压缩技术&#34;&gt;资源受限场景下的BART模型压缩技术&lt;/h1&gt;&#xA;&lt;h2 id=&#34;技术背景&#34;&gt;技术背景&lt;/h2&gt;&#xA;&lt;p&gt;机器要实现与人类流畅对话需掌握多项自然语言处理（NLP）能力，包括文本摘要、信息抽取和问答系统。正是这些技术使得虚拟助手能够在线搜索食谱或回答随机问题。&lt;/p&gt;</description>
    </item>
  </channel>
</rss>
