登录社区云，与社区用户共同成长
邀请您加入社区
本文探讨了 DeepSeek Harness 插件系统如何通过依赖注入和服务定位机制解决传统 import 方式的耦合问题。核心观点包括： import 将功能需求与实现绑定在代码层，导致变更时需要修改多处文件； DeepSeek Harness 采用 YAML 配置实现运行时绑定，通过上下文(Context)和服务(Service)机制解耦； 服务提供方通过继承 Service 基类注册服务，消
deepseek-v4-flash-0731-in-c 是一个纯 C99 + OpenMP 的大模型 CPU 推理引擎，可在不使用 GPU、CUDA、PyTorch和权重转换的情况下，直接加载原生 DeepSeek-V4-Flash-0731 284B-A13B 权重。本文给出环境要求、完整运行命令、实测 TTFT/TPOT，以及 MoE 专家流式读取、缓存、I/O 计算流水线和低比特算子优化的实
本文介绍了在d.run算力云上安装沐曦显卡并配置llama factory的过程。首先修复了MCX500容器初始化报错问题，通过修改conda.sh文件防止自动激活base环境。随后下载并安装了沐曦专用的PyTorch 2.6版本及其相关组件，配置了必要的环境变量。最后完成了llama factory的安装和环境配置，并通过命令行验证了安装成功。整个过程涉及容器初始化修复、专业版PyTorch安装
论文还提了一个更早期的实验：Qwen2.5-Math-7B 做 RL 训练 10,000 步，得到的 Qwen2-Math-7B-Zero 在 AIME 2024 上是 22.3%，AIME 2025 上 18.1%。DeepSeek-R1 的工作证明了，纯强化学习可以激励大模型发展出复杂的推理行为——反思、验证、回溯——这些行为不是人类设计出来的，是模型在追求正确率的过程中自己发现的。技术的发展
DeepSeek V4通过创新的CSA/HCA混合注意力机制实现了大模型效率革命。该架构将传统O(n²)复杂度的注意力计算优化为压缩稀疏(CSA)和重度压缩(HCA)的混合模式，使百万token上下文的处理成本骤降。
