「性能优势」共找到 2840 篇相关文章
作业帮StarRocks替换Presto落地实践
本文分享作业帮 2025 年 StarRocks 替换 Presto 的实践，涵盖历史背景、技术方案、双跑方案、结果分析，还提及核心问题及解决办法，项目上线后在资源、架构、性能上均有收益，也有未来规划。
关于 AI 编程的最本质提问：Cursor 到底有没有护城河？
文章剖析了Cursor崛起原因、“护城河”及挑战。其“护城河”有产品粘性、高度集成和先发优势，但面临大模型“商品化”和众多模仿者挑战。还给出深化“护城河”建议，最终能否胜出待时间检验。
谢赛宁REPA得到大幅改进，只需不到4行代码
Adobe Research等团队对REPA展开研究，发现驱动目标表征生成性能的是空间结构而非全局性能。基于此构建iREPA，代码不到4行，能提升REPA收敛速度，在多方面表现出色。
当云计算开始在硅谷“造星”，一场自我革命开始了
亚马逊云科技在2025 re:Invent大会尽显号召力，新锐Decart AI、TwelveLabs等借其技术蹿红，苹果也分享成果。它还进行自我革命，优化性能，构建生态，其中国行也即将开启。
刷榜只是体力活！清华消费10万块，一周「肝」出105个SOTA
AutoSOTA通过多智能体协作，将AI研究中繁琐的性能优化过程自动化，使科研从「手工艺」转向「工业流水线」。在一周压力测试中，消耗约10.4万美元，发现105个SOTA模型，平均性能提升近10%。
最受欢迎的开源大模型推理框架 vLLM、SGLang 是如何炼成的？
文章介绍了开源推理引擎 vLLM 和 SGLang，包括起源、创新、社区发展、版本迭代等。vLLM 借鉴分页缓存管理技术，SGLang 基于 RadixAttention 优化。二者竞争激烈，性能趋同，还获投资与基金会关注，受科技公司青睐。
清华发布AutoSOTA：一周刷新105个顶会SOTA，推动AI科研回归创新本质
在AI研究中，研究者常为提升1%性能反复调参。清华与中关村学院联合发布AutoSOTA，实现端到端AI科研自动化，一周发现105个性能显著提升的SOTA模型，推动科研回归创新本质。
2025 年中丨大模型市场分析报告
这是《2025年中丨大模型市场分析报告》。指出基础大模型塑造计算未来，企业重心转向推理。Anthropic超OpenAI成市场头号玩家，开源模型采用趋缓，企业换模型重性能，AI支出从训练转向推理。
MetaShuffling：Meta的Fused MoE kernel工程方案，更激进的Kernel优化和尽量避免Padding
文章介绍Meta的Fused MoE kernel工程方案MetaShuffling，可高效部署Llama 4模型。它处理MoE推理挑战，介绍多种token选择路由方案，阐述运行时设计、不同并行化方式及优化思路，还展示性能测试与Trace分析。
何恺明等降维打击！彻底颠覆AI生图，无需预训练一步到位
何恺明团队推出生成模型MeanFlow，它跳脱传统训练范式，无需预训练等，仅一次函数评估就能完成生成。在ImageNet 256×256上表现优越，缩小了一步与多步模型性能差距。