Temas en tendencia
#
Bonk Eco continues to show strength amid $USELESS rally
#
Pump.fun to raise $1B token sale, traders speculating on airdrop
#
Boop.Fun leading the way with a new launchpad on Solana.
You Jiacheng
¡Qué hermosa teoría!
1 oct, 09:02
Incluso con gradientes de lotes completos, los optimizadores DL desafían la teoría clásica de la optimización, ya que operan al *borde de la estabilidad*.
Con @alex_damian_, introducimos los "flujos centrales": una herramienta teórica para analizar estas dinámicas que hace predicciones cuantitativas precisas sobre las NN reales.
60.36K
K-POP, obliga @basedjensen
29 sept 2025
Personas: los robots están reemplazando a la humanidad.
Real: espectáculo de danza robótica en una conferencia de robótica líder sin mover un dedo del pie.
2.57K
Por cierto, lanzaron una inmersión profunda en FP8 KVCache del MLA principal.
por lo tanto, en realidad ≈1/5 en comparación con el MLA denso FP8.
29 sept 2025
Como era de esperar, NSA no es compatible con MLA, por lo que DeepSeek eligió otro método: usar una atención más pequeña (d = 128) (sin valor) como indexador.
Relación de costos asintóticos = 128/576.
Además, el indexador usa FP8 mientras que el MLA principal usa 16 bits, por lo que = 64/576 = 1/9.
23.61K
Populares
Ranking
Favoritas