与「存储」相关的搜索结果

[开源学习资源] AI Engineering from Scratch 59.8K ⭐️ 作者 @ghumare64 课程共 20 个阶段，以 Python 为主要编程语言，主张在导入任何框架之前，先用纯数学把每个算法手写一遍。 课程地址： 开源地址： 它和常见教程的本质区别 ？ 大多数 AI 教程是“API 驱动”的：装个库、调个接口、跑个 demo。这个项目反其道而行，每节课遵循固定的六段结构： Motto → Problem → Concept → Build It → Use It → Ship It 以 Phase 10 的一节课「Tokenizers: BPE, WordPiece, SentencePiece」 为例，这个格式是真实落地的，而且写作质量相当高： · Problem 部分不讲废话，直接从代价切入：“你的 LLM 不读英语，它读整数。分词器决定这些整数是承载意义还是浪费意义”，然后解释为什么 tokenization 不是预处理，它是架构的一部分（影响上下文窗口利用率、API 计费、推理速度）。 · Concept 部分用“三种失败的方案和一种胜出的方案”来讲演化逻辑：词级切分（词表爆炸、[UNK] 问题）→ 字符级切分（序列过长）→ 子词切分（BPE 的折中），并配上真实语料上 BPE 逐步合并的手工演算。 每节约 3000+ 词，带 Mermaid 图、可运行代码和测试。 另外两个设计值得强调： · 每节课产出一个可复用的 artifact，一个 prompt、一个 skill、一个 agent 或一个 MCP server。学完整个课程，你手里有 523 个可展示的作品，不是 523 个跑完就扔的 notebook。 · 强调“证据留存”：保留命令、退出码、输出，作为学习发生的证明。这明显吸收了工程实践中“可验证性”的思路。 # 课程结构：从线性代数到自主智能体集群 20 个阶段构成一条完整的上升曲线，咱们它分成五个大块来看： 基础层（Phase 0–2）：环境与工具链、数学基础（线性代数/概率/微积分）、经典机器学习。这是给基础不牢的读者铺的路。 深度学习与感知层（Phase 3–6）：神经网络核心、计算机视觉（一路讲到 NeRF、高斯泼溅、世界模型，这已经超出一般教程的覆盖范围）、NLP、语音。 生成与决策层（Phase 7–9）：Transformer 深挖、生成式 AI（GAN、扩散模型、flow matching）、强化学习。 LLM 层（Phase 10–12）：这是全课程的重心之一。Phase 10 的目录我逐条看过，它不只是“从零实现 GPT”这种常规内容，还包含了相当前沿的论文级主题：DeepSeek-V3 架构走读、DualPipe 并行策略、Native Sparse Attention（NSA）、多 token 预测、Jamba 的 SSM-Transformer 混合架构、 speculative decoding 等。Phase 11 转向应用侧（RAG、LoRA、MCP、可观测性），Phase 12 覆盖多模态（从 CLIP 到 computer-use agent）。 智能体层（Phase 13–16）：工具与协议（MCP、A2A、Agent Skills）、54 节课的 agent 工程、自主系统与安全、多智能体集群。这一层的分量很能说明项目的判断：它认为 AI 工程的重心正在从“训模型”转向“构建可靠协作的智能体”。 收尾（Phase 17–19）：生产基础设施、伦理与对齐、毕业设计。 # 生态与周边：不只是一个课程仓库 网站：带浏览器本地存储的学习进度追踪、术语表、课程目录和路线图。 六卷本书籍：课程内容由 CI（pandoc）自动构建成 EPUB/PDF，附在 GitHub Releases 上，课程即书，且随仓库持续更新。 Agent 导师模式：运行 npx skills add rohitg00/ai-engineering-from-scratch，可以把整个课程装进 Claude Code、Codex 等编码智能体，变成一个带分级测验（placement quiz）和个性化路径的交互式导师，学习进度写在 LEARNING.md 里。这是“用你正在学的工具来学”的巧妙闭环。 认证备考：5 条备考路径、67 节课、505 道练习题，覆盖 Anthropic 的 Claude 认证和 Agentic AI Foundation 的 MCPA。项目明确声明与这些考试机构无关联，只是独立的备考材料。 12 种语言的翻译（含中文），以及四条核心学习路径（构建与部署 AI 应用、软件工程基础、Agent 辅助工程、产品判断与交付）供不同目标的人选路。

如果我们可以重新理解 Quant Developer。 这并不只是思想实验。 Jane Street 2026 年公开的研究方向包括机器学习、编程语言、编译器、ASIC、FPGA、分布式 shared log、incremental computation、查询优化、分布式存储和形式化验证，而Citadel GQS 则把实时数据、HFT 执行和低延迟 ML 推理放进了同一个 Quantitative Research Engineer 岗位。 再次强调，市场是一个高维、受驱动、耗散的非平衡系统。 订单持续进入、撤销、成交，信息、资本和风险不断注入，异质的参与者相互作用，系统几乎从未达到平衡。 当看到Jane Street 把 graph-structured、incremental computation 列为长期研究方向，我想这是一个值得认真理解的信号。 如果我们发现研究对象持续变化时，计算本身或许也需要围绕变化来组织。 一条报价更新，并不意味着整个市场都需要被重新计算。 它首先改变某些局部状态，再沿着依赖关系，影响相关资产的估值、组合的风险暴露，以及尚未成交的订单。 如果把这些计算关系展开，我们会看到数据连接特征，特征连接预测，预测连接决策，决策通过成交与持仓，反馈到下一轮计算。 这里必须区分两件事。 计算图中的依赖关系，不自动等于市场中的因果关系。但只要我们能够明确哪些结果依赖哪些输入，就有机会在新事件到来时，只更新受到影响的部分。 这正是 incremental computation 最吸引我的地方，它让计算资源跟随变化分配。困难的问题也随之浮现。哪些状态已经过期，筛选必须更新的传播，可以合并的计算。我们开始寻找，在并发和异步执行中，如何避免把不同时间的市场状态拼成一个从未真实存在过的世界？ 于是，延迟就不再止于程序运行了多少微秒。判断抵达市场时，你应该着眼于支撑判断的那个市场是否仍然存在。 想想吧，一个离线表现出色的模型，如果依赖陈旧的数据、无法承受行情突发时的排队，或者不能及时更新风险状态，那么它在回测中发现的信息优势，可能在执行之前就已经消失。 因此，Quant Developer 的工作可以被理解为，他们需要在有限的时间、算力和通信预算内，维护一个足够及时、足够一致、能够用于行动的市场内部模型。 编译器、分布式系统、硬件加速和形式化验证，开始汇聚到同一个问题上。 编译器决定计算如何被表达和执行； 分布式系统决定不同节点如何组织事件与状态； 硬件决定数据移动和运算的成本；形式化方法则帮助我们检查，某些关键约束是否会在复杂的执行路径中被破坏。 这些工作共同决定一个数学上的预测，试图成为现实中的有效决策。 而非平衡系统的视角，提供了一组进一步追问的方向：外部事件，内部状态，反馈是抑制还是放大扰动，输入速度和处理能力的关系对于系统的影响。 当然，市场是耗散系统本身并不会自动产生 Alpha。我想，我们只有把这种直觉落实为可观测的变量、明确的机制和能够被数据推翻的预测，它才开始具有研究价值。 它确实改变了我们看待这个职业的方式。 Quant Developer 所构建的一直是一个嵌入市场之中的实时决策系统。 这个系统观察市场，也通过自己的行动改变市场：它必须在变化尚未结束时做出判断，在信息尚不完整时承担后果。

昨晚约姐妹在银泰中心吃自助，吃饭聊八卦听到一件很有冲击力的真人真事 她的钢琴老师 Mary，曾经的男朋友就职长鑫存储，两人上半年和平分手。谁料到下半年公司上市，男生手里握着 350 万股，以 56 元一股来算，身家将近 2 亿

感觉现在身边所有东西都在涨价。 手机卡月租越来越高，曾经很香的双不限套餐也贵了，山楂都快涨价到一万块了。 想开一张eSIM附属卡，流程各种卡，办起来麻烦得很，还得回归属地。回到归属地，运营商的工作人员也不一定给你开。想以前也就一个验证码的事。真有这么多诈骗嘛？现在开卡都要社保证明，反正就是各种折腾。 整条链路都不好过，卡商赚不到钱，运营商也没多少利润。双不限的套餐变少之后，CPE设备也跟着卖不动了。总体来说，理解那句话，水至清则无鱼。 数码这边更直观，内存、存储疯狂涨价。现在新机一万块起步都很常见，想配台电脑，成本更是居高不下。 唯独工资，一直在往下调。工作强度还加码，接近997，一个人要扛三个人的活。什么都怪AI，怪美国，唉。 就连楼下日常吃的滑蛋饭，三年前12块，现在直接涨到20块。老板也无奈，铺租一个月就要一万多。 好像方方面面都在涨，只有收入跟不上。

这个开源项目系统整理了 35 家 AI 公司的 AI 工程师面试题，全部来自 “公开报告的面试经历” 来自 @outcome_school 团队 @pallavishekhar_ 开源发布，内容几乎涵盖了 OpenAI、Anthropic、DeepMind、xAI、DeepSeek、Kimi、GLM 等 AI Labs，Cursor、Cognition、ElevenLabs 等 AI Native 团队和 Nvidia、Microsoft、Amazon、Apple 等头部大厂。 覆盖的岗位头衔也非常多：AI Engineer、LLM Engineer、Gen AI Engineer、ML Engineer、Research Engineer、Applied Scientist、FDE、MLOps/LLMOps 工程师等。 开源地址： # 内容架构：一个精心设计的双层结构 第一层：跨公司通用题（Common Questions）。 作者把在多家公司反复出现的题目只列一次，标注"Asked at"哪些公司，按十大主题组织： 1. LLM 内部机制与架构 — attention 缩放因子、KV cache 内存公式推导、MQA/GQA/MLA、FlashAttention、BPE、RoPE/YaRN、Chinchilla scaling laws、MoE、解码采样策略、lost-in-the-middle、RMSNorm、SwiGLU 2. 推理、服务与 GPU 性能 — prefill vs decode、continuous batching、PagedAttention、投机解码、量化（FP16→FP4）、五种并行策略、TTFT/TPOT 指标、H100 上的 roofline 计算、vLLM/SGLang/TensorRT-LLM 选型、“如何把服务成本降 10 倍” 3. RAG 与检索 — 分块策略、BM25 vs 稠密检索、重排序器、HyDE、权限感知检索、ANN 索引、索引新鲜度、答案归因 4. Agent 与工具调用 — ReAct、MCP、工具 schema 设计、多智能体编排、Agent 记忆、循环终止条件、人类审批 5. 微调与对齐 — RLHF/DPO/GRPO/RLVR 全谱系、LoRA/QLoRA 数学、灾难性遗忘、“提示 vs RAG vs 微调”决策框架、蒸馏、reward hacking 6. 评估与可观测性 — LLM-as-judge 及其偏差、幻觉检测、基准污染、Agent 评估、回归门禁 7. 安全与负责任 AI — 提示注入（直接/间接）、OWASP LLM Top 10、护栏、Constitutional AI、红队 8. 多模态与语音 — VLM、语音 Agent 延迟预算、barge-in 打断处理、级联 vs 端到端语音、ASR/TTS 评估 9. AI 系统设计 — 十类高频设计题（千万级文档企业 RAG、代码助手、客服 Agent、Text-to-SQL、LLM 网关、数亿用户聊天服务等） 10. 编码题 — 从零实现 attention、KV cache、BPE、采样；LRU 缓存、令牌桶限流器、异步批处理器、SSE 流解析器、最小 Agent 循环 第二层：35 家公司的专属章节，分为五大梯队： 1. 前沿实验室（12 家）：Anthropic、OpenAI、Google DeepMind、Meta、xAI、Mistral、Cohere、DeepSeek、月之暗面（Kimi）、智谱（GLM）、阿里（Qwen）、Sarvam AI（印度） 2. 大厂 AI 组织：Microsoft、Amazon、Apple、NVIDIA、Tesla，以及一组消费级 ML 公司（Uber/Netflix/LinkedIn/Airbnb/Pinterest/Spotify） 3. AI 基础设施公司：Databricks、Groq、Together AI、Hugging Face、Scale AI、Perplexity 4. AI 原生产品公司：Cursor、Cognition（Devin）、Sierra、Harvey（法律）、Glean、 AI（机器人）、Waymo 5. 前向部署/企业 AI：Palantir # 题目分布透露的行业信号同样值得关注 1. 公司的差异化考察方向，和它的商业模式严丝合缝。 这是最能体现整理功力的地方： · DeepSeek、月之暗面、智谱、Qwen 的题目深度绑定自家论文——MLA、auxiliary-loss-free 负载均衡、Multi-Token Prediction、MuonClip、DualPipe、长上下文扩展、GLM 的 thinking 模式。面试这些公司等于面试它们的论文，还要求 PyTorch 从零实现 MoE 路由。 · Groq 的题全是 SRAM-only 架构下的 roofline 重推演：“没有 HBM，decode 的 roofline 论证哪里变了”、“确定性在 p99 层面到底买到什么”。 · Apple 清一色端侧：3B 模型在手机上跑、PTQ vs QAT、不采集用户内容的前提下用设备信号改进模型、30+ 语言区无法记录用户内容的评估方案。 · CharacterAI 是推理经济学：“我们的服务成本被 KV cache 而非权重主导，降一个数量级，代价是什么”。 · Harvey（法律）和 Abridge（医疗） 考的是领域约束下的工程：200 页信贷协议里第 140 页的条款依赖第 8 页的定义术语怎么检索、生成的病历中出现了患者没提过的药怎么当作安全事故处理、PHI 如何约束整个架构。 · Palantir 的招牌是 "decomposition" 轮：把“一家货运铁路公司每年因机车非计划停机损失数千万”分解成工程计划。 2. 编码轮的形态正在发生实质性变化。 文档里反复出现的一类题，与传统 LeetCode 明显不同： · “实现一个内存 KV 存储：先 SET/GET/DELETE，再加事务 BEGIN/COMMIT/ROLLBACK，包括嵌套事务”（OpenAI、xAI 都问） · “给你一个 LLM 推理引擎的调度器类，其中一个方法是空壳，没有规格没有文档。说说你头三十分钟干什么”（xAI） “重构这 120 行能跑但很乱的代码，不许破坏测试”（OpenAI） · “对 5 万个文档跑 LLM 调用，API 限 100 并发、偶发 429 和超时，把 Python 写出来”（Anthropic） 考察重心从算法记忆转向增量需求下的代码演进能力、并发正确性、真实工程约束下的取舍。 3. “AI 协作轮”作为新题型已经进入正式面试流程。 这是文档里最前沿的信号： · Anthropic 部分机器学习岗有 AI-collaboration 轮：现场给你 Claude，考察的是你如何指挥它和验证它的产出，而不是你自己写。 · Meta 2026 年的流程新增三阶段 AI 辅助编码轮（探索修复 → 实现新功能 → 扩展改进）。 · Cursor 的 onsite 是两天在真实 Cursor 代码库上做一个功能（或 8 小时远程版），明确考核你对 AI 工具的使用效率和自主 scoping 能力。 · Sierra 给你两小时和任意 AI 工具，看你选择做什么。 xAI 有四小时限时产品构建。 4. FDE 成为一级岗位类别。 Anthropic、OpenAI、Databricks、Scale、Together、Sierra、Harvey、ElevenLabs、Palantir 的章节里都有 "Applied and Forward-Deployed Scenarios" 专属题库——典型题目如“企业客户说 Claude 幻觉太多，你是驻场工程师，头 48 小时做什么”。这对应了 AI 公司向企业交付方式的转变：模型能力差距收窄后，落地能力成为差异化。 5. 硬核系统题的普及。 "H100 上 70B 模型 batch size 1 的 roofline 计算"、"估算 70B 模型的 GPU 显存（权重 + KV cache + 激活 + 碎片）"、"p99 延迟在部署后翻倍但模型没变，走一遍诊断”——这类题横跨 NVIDIA、Together、OpenAI、Perplexity 等多家，说明推理性能的量化直觉已成为 AI 工程师的通用素养，而非基础设施工程师的专属。

BTT季度涨幅40%，25年过去还有869万日活的BitTorrent 看了下BTT确实给力，季度涨幅超过40%，市场对BTT的关注度也明显高了不少。 BitTorrent接下来还要做的回购销毁，按照官方计划，2026年Q3业务产生的全部收入，将用于回购BTT，随后统一销毁，并公布具体销毁数量、占总供应量比例以及链上记录。 简单说，就是业务赚到的钱，最后拿来买BTT再销毁。直接粗暴。 再看用户数据，截至现在 BitTorrent客户端累计安装量已经来到约 5.86亿，而且最新一周的里BitTorrent产品矩阵覆盖约 4088万用户，平均日活约 869万，BitTorrent Web用户黏性也达到 24.9%。 BitTorrent本身已经跑了二十多年，后面有这么大的用户网络，现在又开始把去中心化业务收入和BTT回购销毁绑定起来，再叠加去中心化存储、跨链、AI算力等新场景，BTT背后的逻辑确实不太一样了。 @justinsuntron @BitTorrent #TRONEcostar#

BG被盗这件事其实再次提醒我们： 交易所真正的护城河，从来不只是交易量、上币速度和手续费，而是安全。 而安全这个东西，平时最容易被忽略，因为只要不出事，你根本感觉不到它的存在。 这也是为什么我一直觉得，币安这些年有些投入看起来“不性感”，实际上非常重要。 比如大量用户资产采用离线冷存储；提现、密码重置、2FA重置、邮箱修改等行为都会进入实时风控；底层还有多签、TSS等机制。用户端则有设备管理、地址白名单、API权限管理、异常行为提醒等一整套防线。 更关键的是，安全不能只考虑“怎么不被盗”，还要考虑“万一真出事怎么办”。 币安从2018年就建立了 SAFU 用户安全资产基金，目前规模维持在 10亿美元USDC 左右；同时通过储备证明系统，让用户可以验证平台对用户资产的 1:1储备覆盖。 没有任何一家交易所可以说自己绝对不会被攻击。 真正能拉开差距的，是你愿意为那些可能几年都用不到的安全系统，持续投入多少钱、多少人和多少精力。 牛市大家比的是流量和产品。 但遇到极端事件的时候，才知道一个交易所真正值钱的东西，可能恰恰是那些平时没人注意的安全投入。

年底的以太坊值得期待。Glamsterdam有些了不起的升级，其中之一要达成的效果是，可以逐步接近于如今以太坊二层robinhood/base的低费用高吞吐能力。 想象一下，在以太坊L1的安全级别上，同时获得如今L2的能力，这有机会会催生以太坊L1热潮，由此，今年底或明年初的以太坊会很有意思（考虑到以太坊推出主网总会有延迟）。 再具体一点来拆解： Glamsterdam 主网目标是 Q4 2026，Sepolia 测试网分叉暂定 10 月 6 日，随后才是 Hoodi，再决定主网，具体日期未定。 为什么L1 自己的处理能力会大幅度提升： ePBS（EIP-7732）：把提议者–构建者分离写进协议，传播窗口从约 2 秒拉到约 9 秒，给更大区块留出空间； Block-Level Access Lists（EIP-7928）：区块预先声明会碰到哪些账户/存储槽，为并行预取和并行执行铺路； Gas limit 目标：从当前约 6000 万提到 2 亿（约 3 倍+），测试网上已经在操练这个上限； 费用重定价：有人分析，简单转账/常见调用费用下降约 78% 量级（前提是需求没有同比例暴涨）。 这样的话，以太坊演化的可能性会是： Glamsterdam 之后，L1 会吸引“一批现在只能放在 L2 上的中高频、中低复杂度应用”，同时仍保留 L1 的结算与安全属性。 Base/Robinhood这类 L2 的极低费用、极高吞吐不会被一次性抹平，L2 仍然可以继续吃数据可用性/并行执行以及专门优化的红利。 可能的演化是，一部分对延迟、原子性、可组合性要求高的应用重新考虑直接上以太坊L1，以及 L1 本身重新变成“值得部署”的环境，不再是只被看作为结算层。 对今年底的 ETH，这件事值得盯一盯。

继115网盘暴雷后，123云盘调整存储规则，自传空间仅剩1TB。不管用户此前购买了多少 TB 的云盘容量，如今真正能够用于自己上传文件、手机照片备份和文件夹自动备份的空间，都只有这1TB「专业空间」 原有的大容量空间则主要只能用于转存他人文件，相当于把“自己上传”和“转存”彻底拆成了两套容量。更离谱的是，转存他人或被他人转存的单个文件还要求小于 10 GB。对于动辄几十 GB 甚至上百 GB 的原盘 4K 视频来说，这一限制直接影响转存和分享 此前购买再多容量，如今自己能上传的仍只有1TB，换句话说123云盘都是活动卖完就砍权益的。之前网页下载限1G大小，月流量限10G，后面又强制登录。现在网页登录也没了，必须用客户端下载，那App从打开到下载文件要关6、7个广告，别人分享的文件转存到App，又弹一遍会员开通窗口