与「DSP」相关的搜索结果

🌕#2026清歌踏月# 人氣投票期中前八名公開！ 想讓你推登上公車廣告或是ibon列印合作嗎？ 趕快按下他的專屬訂閱就能完成投票唷～✨ 📌活動介紹： 📌可洛斯獎項介紹：

CS 329Z: Engineering AI Agents Stanford / Fall 2026 @stanfordnlp 课程定位：从"模型"到"系统"的工程学 覆盖：简单 LLM 流水线 → 复合 AI 系统 → 自主 Agent。三位讲师的背景也高度互补： @Diyi_Yang（斯坦福 NLP 教授，人机交互与社会计算方向） @michaelryan207（DSPy 核心贡献者，自动评估 AutoMetrics 作者） @jyangballin（SWE-agent / SWE-bench / SWE-smith 作者，软件工程 Agent 领域最重要的研究者之一） # 课程主线：三大工程挑战 贯穿全课的三个核心问题——分解（decomposition）、数据（data）、评估（evaluation）。11 周的内容基本围绕这三条线展开，可以分为五个模块： 模块 1：构建基元（Week 2–3） · LLM 作为构建材料：API/SDK（litellm）、结构化输出、约束生成、解码策略、test-time compute、上下文工程、模型选型与成本/延迟权衡 · RAG：embedding、向量库、分块策略、混合检索、cross-encoder 与 ColBERT 后期交互 · 工具调用：函数调用 API、MCP（Model Context Protocol）、工具设计、代码沙箱、错误处理与重试 模块 2：框架与设计模式（Week 3–5） · 框架层：DSPy（signature / module / optimizer）、LangChain/LangGraph、LlamaIndex，重点是"框架抽象了什么 vs. 你手写了什么" · 设计模式：workflow vs. agent 的分类学，五种可组合 workflow 模式，ReAct / plan-and-execute / reflection，"scaffold（脚手架）本身就是设计决策" · 记忆架构：短期/长期记忆、记忆作为工具动作、文件系统作为外化记忆、跨 Agent 记忆（MemGPT、Mem0、Generative Agents） · 多 Agent 系统：编排模式、handoff 与状态传递，以及一个很有态度的对照阅读——既读 AutoGen，也读《Why Do Multi-Agent LLM Systems Fail?》和 Neubig 的《Don't Sleep on Single-agent Systems》 模块 3：优化（Week 5） · 从提示词到微调的全景：GEPA、MIPROv2、OPRO、TextGrad（提示优化）；LoRA/QLoRA、蒸馏、RLHF/DPO（权重优化）；test-time scaling（推理算力） · 核心问题是决策框架：什么时候优化 prompt、什么时候优化 weights、什么时候堆推理算力 模块 4：数据与评估（Week 6–8）——最有分量的部分 · 数据：trace、demonstration、feedback 三类数据；训练数据 vs. 评估数据；数据飞轮；合成数据；从 Agent 轨迹构建数据集（SWE-smith） · 评估基础：为什么 eval 难；4 元组框架（request / environment / stopping criteria / scorer）；好 benchmark 的性质；tinyBenchmarks · 评估基础设施：三类 grader、LLM-as-judge 的 prompt 设计与已知偏差、pairwise vs. pointwise、非确定性指标 pass@k vs. pass^k、harness 设计 模块 5：安全与前沿（Week 8–11） · 安全：工具访问的隐私风险、prompt injection（含间接注入）、红队、沙箱与权限模型、输出护栏、human-in-the-loop · Coding Agent：SWE-agent、Claude Code、OpenHands 的端到端架构对比 · 主动式 Agent：从 reactive 到 proactive，General User Models（GUM）、Next Action Prediction，以及"Agent 何时应主动、何时应等待"的 mixed-initiative 问题 · 开放问题：多模态/web/计算机使用 Agent、科学 Agent、长时运行架构、生产可观测性（tracing、monitoring、成本管理） # 作业设计：一手建、一手评 HW1：从零构建 Agent 系统（10%） 给定论文库，构建能检索并推理回答科学问题的 Agent。 · Part A：只用 litellm 手写 RAG + 工具调用 + ReAct 式 Agent 循环 · Part B：用 DSPy 重建关键组件，并反思框架抽象了什么 HW2：评估一个 Agent（10%） 给定一个预构建 Agent，设计完整评估套件：代码型 grader、至少一个 LLM-as-judge、用 4 元组框架构建 benchmark 任务、错误分析。

เปิดการประชุมรัฐมนตรีแรงงานอาเซียนอย่างเป็นทางการ ‘จุลพันธ์’ ย้ำพร้อมผลักดันสร้างมาตรฐานกลางในการรับรองทักษะฝีมือแรงงาน เพื่อเพิ่มรายได้ให้แก่แรงงานอย่างเป็นรูปธรรม 26 ส.ค. 2569 กระทรวงแรงงาน ภายใต้การนำของ นายจุลพันธ์ อมรวิวัฒน์ รัฐมนตรีว่าการกระทรวงแรงงาน เปิดฉากการประชุมรัฐมนตรีแรงงานอาเซียน ครั้งที่ 29 และการประชุมอื่น ๆ ที่เกี่ยวข้อง (ALMM) อย่างเป็นทางการ ณ โรงแรมดุสิตธานี กรุงเทพฯ โดยมี 11 ชาติสมาชิกอาเซียน คู่เจรจา +3 (จีน เกาหลีใต้ ญี่ปุ่น) และองค์กรระดับโลก ร่วมกำหนดทิศทางทุนมนุษย์กว่า 357 ล้านคน ซึ่งมี นายอนุทิน ชาญวีรกูล นายกรัฐมนตรีและรัฐมนตรีว่าการกระทรวงมหาดไทย ให้เกียรติเป็นประธานในพิธีเปิดและกล่าวต้อนรับผู้เข้าร่วมประชุม นายจุลพันธ์ อมรวิวัฒน์ รัฐมนตรีว่าการกระทรวงแรงงาน เปิดเผยถึงโรดแมปสำคัญที่ประเทศไทยจะขับเคลื่อนในฐานะประธาน ALMM ตลอดวาระ 2 ปีข้างหน้าว่า กระทรวงแรงงานมุ่งยกระดับมาตรฐานการรับรองทักษะฝีมือแรงงาน (Skill Certification) ให้ได้รับการยอมรับในระดับสากล เพื่อดันรายได้แรงงานให้สูงขึ้นอย่างเป็นรูปธรรม ผ่าน 3 เสาหลัก คือ หลักสูตรฝึกอบรม มาตรฐานฝีมือแรงงาน และศูนย์ความเป็นเลิศอาเซียน พร้อมกันนี้ ได้เดินหน้านำร่อง หนังสือเดินทางทักษะดิจิทัลอาเซียน (ASEAN Digital Skills Passport : DSP) ควบคู่กับการเสนอ AI Governance Framework เพื่อคุ้มครองตลาดแรงงานและกลุ่มบัณฑิตจบใหม่จากผลกระทบของเทคโนโลยี ปรับตัวชี้วัด (KPI) การฝึกอบรมให้เน้นการได้งานจริงและรายได้ที่เพิ่มขึ้น รวมถึงจับมือเอกชนทำ Job Matching ป้อนสู่อุตสาหกรรมแห่งอนาคต เช่น EV, Data Center และ AI #พรรคเพื่อไทย# #จุลพันธ์อมรวิวัฒน์# #กระทรวงแรงงาน# #การประชุมรัฐมนตรีแรงงานอาเซียน#

NVIDIA released Nemotron 3.5 Lightning for long-running agent execution. - 30B total / 3B active parameters, with up to 1M tokens of context. Ready for commercial use. - Local deployment: NVIDIA ships BF16 and much smaller NVFP4 checkpoints, lists 1× DGX Spark or 1× H100 for single-GPU deployment, and also lists RTX 5090 among supported hardware. - NVIDIA then adds multi-token prediction, DSpark and DFlash speculative decoding, plus NVFP4 quantization to push generation speed further. - NVIDIA claims up to 4× output speed; on PinchBench, 86% accuracy and 30% faster completion than Qwen3.6 35B at similar accuracy.

一台 GB300 NVL72： → 72 颗 GB300 (Blackwell Ultra) GPU + 36 颗 Grace CPU。 → 单卡显存：GB300 288 GB HBM3e → 整机柜总显存：72 × 288 GB ≈ 20.7 TB → NVLink 总带宽约 130 TB/s → 全机柜通过 NVLink 5 连成统一内存池，可以视为一张拥有 20TB 显存的“超大 GPU”。 DeepSeek-V4-Flash-0731 核心规格： →304B 参数（0731 仓库包含 DSpark speculative decoding 模块） → 基础模型 284B → 13B activated → 1M context → 官方权重为 FP8 + FP4 Mixed 加油 OpenCode !

DeepSeek-V4-Flash can now run 2× faster locally with DSpark! ⚡️ DSpark enables V4-Flash-0731 GGUFs to generate ~1.4–2× faster with no accuracy change. DeepSeek-V4-Flash-0731 can reach at 120 tokens/s. GGUFs: Guide:

DeepSeek-V4-Flash-DSpark has now completed the r0b0bench core-subset protocol on 2× NVIDIA GB10. ⚡ Quality • GSM8K: 95.0% • HumanEval pass@1: 90.9% • ARC-Easy: 96.0% • IFEval lightweight: 79.5% • BFCL multi-turn: 75.5% Performance • Dedicated C1 decode: 79.2 tok/s • Aggregate output throughput: C1 86.9 · C2 145.9 · C4 239.3 · C6 337.8 tok/s • TTFT mean: 221.9 ms • ITL mean: 68.9 ms Long context Needle retrieval passed at 25%, 50%, and 90% depth across a full 1,048,576-token context. ✅ 0 infrastructure errors ✅ Runtime gate passed ✅ 5/5 canaries passed ✅ Package-backed, reproducible result freeze ✅ Valid for publication These are measured results—not projected capabilities or marketing claims.

花了一晚上，成功让deepseek v4自己部署了自己。从头编译调试了vllm + dspark。90%的时间花在了找国内镜像源和配置下载上...（server上没法配代理）。最终rtx pro 6000跑到了200 tps +的成绩。感谢 @light_foundry 提供的recipes。sglang还是跑不通的状态。

Our new album in full Spanish #DiosBendiga# is out now on all DSP’s ‼️ Make sure to order your Vinyl / CD 💿 Comment your favorite song below ⬇️⬇️⬇️ #CypressHill# ☠️