Kida的躺平小屋

说实话，如果是新项目，我绝对不会首选 Oracle 10g。但工作中你难免会遇到一些老系统的迁移工作，这就没有办法了。之前我也分享过使用 Docker 来进行快速部署，但并不是每个项目都能允许我这样做

承接上一回，这期依然是 Linux 的总结。但这次我想聊聊文件系统和 fsck，这个我踩过千百遍的坑。 一、首先什么是 fsck？ 在我早期使用 Linux 的时候，对磁盘问题的理解非常肤浅： 直到我

2025 年结束了才发现自己已经很久没有更新文章了。但最近都在忙其他的事情，实在没有多余的精力去写新的分享了（但笔记还是会记录，看看什么时候再分享出来吧）。于是我在重新整理以前的笔记发现，其实有很多都

在真正开讲之前需要补充一下“16. 基于 CPU 的转换、量化实现”和“18. 持续优化模型微调”中遗漏的信息。 “基于 CPU 的转换、量化实现”内容补充 在这章我通过 Python 导出基于 Op

有小伙伴私信说希望能展开说说如何做模型持续优化，为此临时加开一章，讲讲如何结合 brain-mix 项目的 Unsloth 微调报告进行训练结果分析。 补充：若不希望麻烦的也可以使用类似 WandB、

书接上回，做完模型量化后试了几次实时推理，结果都强差人意（推理结果没有深度，这个还需要后面再调整）。至于幻觉嘛，是不可避免的。为此，在真正上线前还需要转换为 RAG 应用并增加“输出前校验”来抑制幻觉

在实际开始之前，要先决定好要用哪种共识机制。之前的博客中提到 QBFT 在部分场景下无法使用 Zero Gas 进行上链，因此改用 IBFT 2.0 共识，博客如下： 【区块链】HyperLedger

坑还是要填的，但是填得是否平整就有待商榷了（狗头保命...）。 本人技术有限，只能帮各位实现的这个地步了。各路大神如果还有更好的实现也可以发出来跟小弟共勉一下哈。 首先需要说一下的是以下提供的代码仅作

书接上回，上一章我们已经使用 Unsloth 对 Qwen3-0.6B 模型进行了自动化微调工作。 考虑到算力不足的情况，必须将微调后的模型进行量化后使用。为了方便后续工作的开展，在微调的最后环节我们