从多维度解构 Lead Time：定义、应用与优化策略
当我们谈论lead time时，往往会发现这个词在不同领域的定义存在细微差异。这种现象并非偶然，而是源于其本质的抽象性与适用场景的多样性。为了深入理解这一概念，我们需要从底层逻辑出发，通过跨领域的对比分析和实际案例验证，逐步揭示其核心内涵。
NVIDIA 实现通义千问 Qwen3 的生产级应用集成和部署
阿里巴巴近期开源了通义千问Qwen3大语言模型（LLM），包含两款混合专家模型（MoE）235B-A22B与30B-A3B，以及六款稠密模型（Dense）从0.6B到32B不等。开发者可基于NVIDIA GPU使用TensorRT-LLM、Ollama、SGLang、vLLM等框架高效部署Qwen3系列模型，实现快速词元生成和生产级应用开发。
在AMD GPU上部署AI大模型：从ROCm环境搭建到Ollama本地推理实战指南
本文详细介绍了在AMD硬件上构建大型语言模型（LLM）推理环境的全流程。以RX 7900XT为例，通过配置ROCm平台、部署Ollama及Open WebUI，实现高效本地化AI推理。尽管面临技术挑战，但凭借高性价比（如700欧元的RX 7900XT性能接近2200欧元的RTX 5090），AMD方案成为经济实用的选择。测试显示，不同规模模型的推理速度从9到74 tokens/秒不等，满足交互需求。随着ROCm不断完善，AMD生态将推动AI硬件多元化发展，为个人与小型组织提供低成本、低依赖的AI实践路径。
企业内训｜智能驾驶与智能座舱技术——某汽车厂商
本课程系统讲解智能汽车两大核心领域技术架构与实现路径。课程涵盖智能驾驶感知层（激光雷达/毫米波雷达/视觉融合）、决策规划（A*/RRT算法与端到端模型）及高精地图定位（SLAM与无图方案），解析智能座舱系统演化（IVI/AR-HUD多屏交互）及硬件软件架构（高通芯片选型/QNX/鸿蒙车机）。
uv找不到Python头文件的解决方案
最近在微调LLM的时候，我发现使用uv构建的环境，有时候会找不到Python.h，导致一些库报错，如`fatal error: Python.h: No such file or directory`。通过设置`python-preference`可以解决。
如何用 esProc 将数据库表转储提速查询
当数据库查询因数据量大或繁忙变慢时，可借助 esProc 将数据导出为文件进行计算，大幅提升性能。以 MySQL 的 3000 万行订单数据为例，两个典型查询分别耗时 17.69s 和 63.22s。使用 esProc 转储为二进制行存文件 (btx) 或列存文件 (ctx)，结合游标过滤与并行计算，性能显著提升。例如，ctx 并行计算将原查询时间缩短至 0.566s，TopN 运算提速达 30 倍。esProc 的简洁语法和高效文件格式，特别适合历史数据的复杂分析场景。
Triton入门教程：安装与编写和运行简单Triton内核
Triton是一款开源GPU编程语言与编译器，专为AI和深度学习领域设计，提供高性能GPU代码开发的高效途径。它支持通过Python编写自定义GPU内核，性能接近专家级CUDA代码，但无需掌握底层CUDA知识。本文全面介绍了Triton的核心功能、安装方法、基础应用、高级优化策略，以及与CUDA和PyTorch的技术对比。此外，还探讨了其在实际项目中的应用场景，如加速Transformer模型训练和实现高效的量化计算内核。Triton简化了GPU编程流程，降低了开发门槛，同时保持高性能表现，成为连接高级框架与底层硬件的重要工具。
PyTorch CUDA内存管理优化：深度理解GPU资源分配与缓存机制
本文深入探讨了PyTorch中GPU内存管理的核心机制，特别是CUDA缓存分配器的作用与优化策略。文章分析了常见的“CUDA out of memory”问题及其成因，并通过实际案例（如Llama 1B模型训练）展示了内存分配模式。PyTorch的缓存分配器通过内存池化、延迟释放和碎片化优化等技术，显著提升了内存使用效率，减少了系统调用开销。此外，文章还介绍了高级优化方法，包括混合精度训练、梯度检查点技术及自定义内存分配器配置。这些策略有助于开发者在有限硬件资源下实现更高性能的深度学习模型训练与推理。