自己动手做模型：ML Intern 低成本定制小模型实战
Hugging Face 工程师通过 ML Intern 代理，用不到 20 美元训练出六个定制模型。本文拆解可复用的提示词结构——已验证事实、基线评测、烟雾测试、预算闸门，以及柑橘病害识别、Huggy 角色生成、相机角度 LoRA 三大案例的数据规模与算力成本，为国内团队提供低成本模型定制的工程指南。
10.08/
苏晚/10 MIN
苏晚/10 MIN精选洞察
AI 咨询视角的深度分析与趋势解读
谷歌Playground的账本：做游戏的人付钱，玩游戏的人免费
Google Labs 的 AI 游戏平台 Playground 让人一句话做游戏。三份材料拼起来是一个反常的账本：玩免费，做游戏按周消耗 token、额度跟着 AI 订阅走，没有一个字提到创作者分成。它更像订阅权益，不像 Roblox。
10.08/苏晚/9 MIN
苏晚/9 MIN
FBTriton 重构 TBE：推荐系统嵌入算子的 Triton 内核设计与性能优化
PyTorch 用 Triton 重写了推荐系统核心算子 TBE 的前后向内核，在 B200 上将组合延迟从 79.5ms 降至 66.2ms（-16.8%）。本文深入解析小表直方图快路径的阈值选择（E≤64、64≤D≤128、L≥64）、FP16/BF16 为何累加到 FP32/FP64、如何把转置/排序/RLE 前移、以及按段长 SL 分流短/长/融合三类反向内核的工程决策与落地清单。
10.07/苏晚/8 MIN
苏晚/8 MIN
Triton 为什么跑赢 CUDA：Meta 重写推荐系统嵌入算子的关键一步
Meta 把推荐系统最重的 TBE 算子从 CUDA 模板重写成 Triton，GB200 上 307 个生产分片的反向带宽中位数领先 13%~22%。收益大头不是编译器更聪明，而是把协作内核的切换点从段长 32 挪到 256——在 Triton 里这只是改一个配置值。
10.07/苏晚/12 MIN
苏晚/12 MIN
