2026年11月3日
CSS336 Lecture1&2
本文基于 Stanford CS336 前两讲，介绍了大语言模型训练的基本原理，包括神经网络训练流程、张量与矩阵运算、浮点数精度和计算量估算。同时，讲解了显存优化、GPU 性能分析以及稠密模型与 MoE 模型的区别，为理解大模型训练与性能优化奠定基础。
0xWay1 Blog
NON DUCOR, DUCO
于喧嚣之外，写自己的答案
0xWay1
关于我
最近笔记
2026年9月13日
大模型推理与 AI Infra
大模型真正跑起来以后，瓶颈往往不在“会不会算”，而在数据怎么搬、显存怎么用、请求怎么排。KV Cache、Prefill / Decode、PagedAttention、并行策略和推理引擎，看起来分散，其实都在解决同一件事：让有限的 GPU 资源支撑更长的上下文、更高的并发和更低的延迟。
2026年9月12日
初见大模型训练与推理
一开始看 AI Infra，最乱的其实不是概念，而是工具太多：CUDA、NCCL、DeepSpeed、Megatron-LM、vLLM。顺着大模型真正跑起来的过程去看，这些工具处理的无非是几类问题：显存不够、通信变慢、GPU 跑不满，以及推理时怎么把资源用得更省。AI Infra 关注的，就是这些系统瓶颈
项目
研究 · 已归档
Lip-to-Speech
围绕视觉语音到语音生成开展研究，完成从数据处理、模型训练到实验评测的完整流程。研究涉及 VSR、ASR-guided generation 与扩散模型，并通过对照实验与误差分析研究不同方法的有效性与失效模式。
MultimodalSpeechDiffusionVSR
研究兴趣
AI × Security
关注 LLM Agent 与网络安全的交叉应用，探索 Agent 在安全信息获取、分析与自动化任务中的能力，并关注工具调用、权限控制、可靠性与真实安全场景中的行为边界。
CybersecurityLLM AgentAI Security
统计
文章数量6