Arctic长序列训练技术：百万级Token序列的可扩展高效训练方法
Arctic长序列训练(Arctic Long Sequence Training, ALST)技术能够在4个H100节点上对Meta的Llama-8B模型进行高达1500万token序列的训练，使得长序列训练在标准GPU集群甚至单个GPU上都能实现快速、高效且易于部署的执行。
MindIE-LLM ATB模型推理全流程解析
最近，有很多小伙伴问我，如果他们想自己基于MindIE镜像中的文件适配新模型，可以怎么做？
为了实现这个目标，首先需要了解MindIE-LLM模型在推理过程中的代码调用流程，然后根据新模型的算法进行适配。
Post-Training on PAI (1)：一文览尽开源强化学习框架在PAI平台的应用
Post-Training（即模型后训练）作为大模型落地的重要一环，能显著优化模型性能，适配特定领域需求。相比于 Pre-Training（即模型预训练），Post-Training 阶段对计算资源和数据资源需求更小，更易迭代，因此备受推崇。近期，我们将体系化地分享基于阿里云人工智能平台 PAI 在强化学习、模型蒸馏、数据预处理、SFT等方向的技术实践，旨在清晰地展现 PAI 在 Post-Training 各个环节的产品能力和使用方法，欢迎大家随时交流探讨。
人工智能算法python程序运行环境安装步骤整理
本教程详细介绍Python与AI开发环境的配置步骤，涵盖软件下载、VS2017安装、Anaconda配置、PyCharm设置及组件安装等内容，适用于Windows系统，助你快速搭建开发环境。
nanoVLM: 简洁、轻量的纯 PyTorch 视觉-语言模型训练代码库
nanoVLM 是一个基于 PyTorch 的轻量级工具包，专为训练视觉语言模型（VLM）设计。它结构简洁、易于理解，适合初学者快速上手。支持在免费 Colab Notebook 上训练，结合视觉 Transformer 与语言模型，实现图像理解和文本生成。项目受 nanoGPT 启发，注重代码可读性与实现效率。
离线推理精度问题分析
传统模型迁移到昇腾设备上出现了精度问题，介绍精度问题的定位方法和解决方案，重点介绍了精度问题的定位定界方法。
从实验室到生产线：机器学习模型部署的七大陷阱及PyTorch Serving避坑指南
本文深入探讨了机器学习模型从实验室到生产环境部署过程中常见的七大陷阱，并提供基于PyTorch Serving的解决方案。内容涵盖环境依赖、模型序列化、资源管理、输入处理、监控缺失、安全防护及模型更新等关键环节。通过真实案例分析与代码示例，帮助读者理解部署失败的原因并掌握避坑技巧。同时，文章介绍了高级部署架构、性能优化策略及未来趋势，如Serverless服务和边缘-云协同部署，助力构建稳健高效的模型部署体系。