CodeBuddy全新升级：体验Craft智能体的对话式编程革命
本文介绍了腾讯云代码助手CodeBuddy及其核心功能Craft智能体，展示了其在软件开发中的创新应用。Craft智能体通过自然语言理解、上下文感知的代码补全和多轮对话式调试等功能，显著提升了开发效率。文章详细解析了Craft的技术架构、实战应用、高级功能探索、最佳实践、性能优化策略以及与其他工具的集成。此外，还探讨了Craft在安全性与合规性、企业级定制、多模态编程支持、团队协作模式、边缘计算场景支持等方面的创新实践。Craft智能体代表了软件开发范式的重要转变，通过将自然语言理解与代码生成能力结合，降低
2025大语言模型部署实战指南：从个人开发到企业落地全栈解决方案
本文深度解析了针对2025年大语言模型的四大主流部署框架，适用于不同场景的技术选型。从个人开发者使用的Ollama，支持快速本地部署与量化模型管理；到资源受限设备上的llama.cpp，通过极致优化使老旧硬件焕发新生；再到企业级服务的vLLM，提供高并发生产环境解决方案；以及跨平台开发桥接器LM Studio，作为全栈开发者的瑞士军刀。每种方案根据其特点覆盖了从本地调试、边缘计算到大规模生产的应用场景，旨在帮助技术团队精准匹配最适合的大模型部署方案，以实现效率和成本的最佳平衡。随着大模型应用的增长，选择正确的部署策略对于AI工程化落地至关重要。
EdgeShard：通过协作边缘计算实现高效的大语言模型推理——论文解读
EdgeShard是一种基于协作边缘计算的大语言模型（LLM）推理框架，旨在解决LLM在云端部署面临的延迟高、带宽压力大和隐私泄露等问题。通过将LLM分片部署在多个边缘设备上，结合云边协同与设备间协作，EdgeShard实现了高效的模型推理。其核心创新包括：联合设备选择与模型划分优化、支持流水线并行与微批处理、提出EdgeShard-No-Bubbles策略以减少设备空闲时间，从而显著提升推理吞吐量并降低延迟。实验表明，EdgeShard在异构边缘设备上可实现高达50%的延迟降低和2倍的吞吐量提升，支持全精度模型推理而无精度损失，为资源受限的边缘环境提供了高效的LLM部署方案。
金属材料表面六种缺陷类型数据集：工业视觉检测的优质训练资源
本数据集包含1800张640×640金属表面缺陷图像，涵盖裂纹、夹杂、斑块、凹坑、氧化皮、划痕6类典型缺陷，已按7:2:1划分训练/验证/测试集，标注规范（YOLO格式），适配YOLO、Faster R-CNN等模型，助力工业视觉检测研究与落地。
