World Model TP 并行深度分析：为什么 TP=N 比 TP=1 还慢
从 SGLang Omni 架构到 DiT/World Model 的并行策略选择，理解何时 TP 是负收益，以及正确的多卡方案 Sequence Parallelism。附大厂技术报告中不对 DiT 开 TP 的实证分析。
Blog
AI API设计 CTR DAPO DeepSeek-R1 GPU GRPO KV Cache Kimi-K3 LLM Mid-Training Roofline Model Serving TinyML Transformer Vibe Coding WebRTC agent ai-coding ai-infra benchmark compute-efficiency deepseek engineering-philosophy evaluation harness-engineering in-context-learning infrastructure llm methodology obsidian productivity real-time software-factory software-quality statistics vLLM web3 writing 产品策略 价值创造 健康 分布式系统 创业 后端架构 基础设施 多模态 大模型 字节跳动 工具 工程师成长 并行计算 广告 广告系统 开发 强化学习 思考 推理优化 推荐 推荐系统 支付系统 机器学习 架构 架构设计 模型压缩 深度学习 端侧推理 算力 算法 视频生成 训练 训练优化 语音AI 语音识别 量化 金钱 阅读
视频生成推理的 GPU 算力：从一道算术题说起
1600 张 H100 做视频生成推理，线上只能跑 42 QPS -- 从一道简单的除法出发，拆解视频生成为什么是当前 AI 推理中算力密度最高的任务。
AI 代码质量的实证困境：rsync 事件告诉我们什么
社区凭直觉认定 AI 写的代码更多 bug，但 rsync 的统计分析给出了 p=46% 的结论。问题不在于 AI 写不写 bug，而在于我们根本没有建立衡量 AI 代码质量的科学方法论。
Agent Eval 全景：怎么评、怎么设计、怎么学
评测范式正在断裂。SWE-bench 退役后，Agent 产品团队该如何衡量真实能力？本文从实操流程、设计方法论、学习路径三个维度拆解 Agent Eval 全景。
X 开源推荐算法拆解：一个精妙的特化系统，而非通用推荐范式
X (Twitter) 2026 年开源的 For You 推荐算法是一个为自身场景量身定制的特化系统。本文从广告系统工程师视角分析其核心设计，并与字节、快手的通用架构对比，拆解其真实的可迁移价值。
No matching posts found.