SAM 3：从 Prompt 到通用分割 — 一个技术/算法深度解析
作者：XD / 发表： 2025年11月30日 23:45 / 科研学习/ 阅读量：2380
SAM 3：从 Prompt 到通用分割 — 一个技术/算法深度解析
SAM 3：从 Prompt 到通用分割 — 一个技术/算法深度解析
WAN 2.2-Animate 技术原理解析
IndexTTS-2：零样本情绪控制与时长可控的下一代语音合成
CLAP 模型的结构 文本输入 → 文本编码器 → 投影层 → 共享语义空间 音频输入 → 音频编码器 → 投影层 → 共享语义空间
gemma-3n-E4B-it 框架图
gemma-3n-E4B-it配置文件config.json解析
在 AI 模型越来越庞大的今天，我们面临的不仅是算力挑战，更有带宽、能耗和模型部署的瓶颈。正因如此，更高效的数值表示方式成为突破口，其中最受关注的就是 FP8（8位浮点数）格式。
Understanding FP32 and FP64: Single and Double Precision Floating Point
Understanding BF16: Brain Floating Point Format
Understanding FP16: Half-Precision Floating Point
Lucid Plugin from ChatGPT to Creating the Diagram
SmoothQuant: Accurate and Efficient Post-Training Quantization for Large Language Models
Paper: https://arxiv.org/abs/2211.10438
Code: https://github.com/mit-han-lab/smoothquant
Organization: MIT
AWQ: Activation-aware Weight Quantization for LLM Compression and Acceleration
Paper: https://arxiv.org/abs/2306.00978
Code: https://github.com/mit-han-lab/llm-awq/
Organization: MIT
ZeroQuant-FP: A Leap Forward in LLMs Post-Training W4A8 Quantization Using Floating-Point Formats
Paper: https://arxiv.org/abs/2307.09782
Code: https://github.com/microsoft/DeepSpeed
Organization: Microsoft
QUIK: Towards End-to-end 4-Bit Inference on Generative Large Language Models
Paper: https://arxiv.org/abs/2310.09259
Code: https://github.com/IST-DASLab/QUIK
Organization: ETH Zurich
SpQR: A Sparse-Quantized Representation for Near-Lossless LLM Weight Compression
Paper: https://arxiv.org/abs/2306.03078
Code: https://github.com/Vahe1994/SpQR
Organization: University of Washington
本站现有博文338篇,共被浏览969552次
本站已经建立2681天!