Qwen3 Next 在 TensorRT LLM 上的部署指南
本指南介绍如何在TensorRT LLM框架上部署Qwen3-Next-80B-A3B-Thinking模型，基于默认配置实现快速部署。涵盖环境准备、Docker容器启动、服务器配置与性能测试，支持BF16精度及MoE模型优化，适用于NVIDIA Hopper/Blackwell架构GPU。
从零开始下载torch+cu（无痛版）
这篇文章提供了一个详细的无痛版教程，指导如何从零开始下载并配置支持CUDA的PyTorch GPU版本，包括查看Cuda版本、在官网检索下载包名、下载指定的torch、torchvision、torchaudio库，并在深度学习环境中安装和测试是否成功。
卸载原有的cuda，更新cuda
本文提供了一个更新CUDA版本的详细指南，包括如何查看当前CUDA版本、检查可安装的CUDA版本、卸载旧版本CUDA以及安装新版本的CUDA。
一文快速读懂Transformer
Transformer模型近年来成为自然语言处理（NLP）领域的焦点，其强大的特征提取能力和并行计算优势在众多任务中取得显著效果。本文详细解读Transformer的原理，包括自注意力机制和编码器-解码器结构，并提供基于PyTorch的代码演示，展示了其在文本分类等任务中的应用。
# Qwen3-8B 与 Qwen3-14B 的 TTFT 性能对比与底层原理详解
通义千问Qwen3系列是通义实验室2025年推出的最新大模型，包含多种参数版本，其中Qwen3-8B与Qwen3-14B均支持32K token上下文。Qwen3-8B参数量较小，响应更快，适合低延迟交互；Qwen3-14B参数更多，推理更强，适用于复杂任务。两者在TTFT、架构优化、量化技术及部署方案上各有侧重，满足多样应用场景需求。