获得徽章 0
- 打造你的第二大脑！🧠✨
SuperMemory(supermemoryai/supermemory) 是一个高效管理和利用信息的平台，帮助你将书签和保存的信息转化为可利用的知识库。无论是学习、工作还是个人成长，SuperMemory 都能为你提供强大的支持！🚀
功能亮点
内容捕捉神器： 通过 Chrome 插件，轻松保存推文、网站和各种内容，灵感不再错过！
超强搜索功能： 快速定位保存的任何内容，信息检索效率直接起飞！🚀
交互式对话： 与特定知识库进行自然语言交互，信息提取超轻松！🗣️
知识画布： 以 2D 空间可视化的方式组织信息，思维导图升级版！
AI 写作助手： 提供内容创意、预测性文本补全、语法错误检测、文章结构优化，写作效率直接拉满！✍️
技术栈揭秘
主 Web UI：Nextjs 14、Next Auth、Drizzle ORM、Cloudflare D1 数据库、TailwindCSS、shadcn-ui，托管在 Cloudflare Pages 上，性能稳如老狗！
Chrome 扩展：CRXJS、Vite、TailwindCSS、shadcn-ui、React，轻松添加页面到记忆库，操作超简单！
AI 后端处理：Cloudflare Workers、Cloudflare AI、Cloudflare Vectorize、Cloudflare Queues、Cloudflare Browser Rendering、Cloudflare KV、mem0，向量存储和 AI 响应生成，技术实力拉满！
具体功能
书签管理：导入、组织书签，并在需要时重新访问，信息管理超轻松！📚
联系人管理：存储和管理人脉信息，社交网络更高效！👥
与集合聊天：与特定知识库互动，信息提取超轻松！🗣️
#SuperMemory #第二大脑 #知识管理 #AI写作助手 #效率神器展开1点赞 - Argil：用SOTA deepfake模型的AI数字人
亮点抢先看
操作超简单：官网设计精美，无代码平台，新手也能秒上手！注册即用，不用懂编程和视频制作，轻松搞定视频创作！✨
个性化定制： 根据创作者身份调整叙事风格，边写边看可视化效果，实时调整内容，创作更灵活！还能选虚拟形象和声音，定制专属风格，展现独特个性！🎭🎙️
丰富视觉设计：支持多平台视频格式和比例，有机位和手势变化选项，还能换背景、音乐、字体，视频效果炸裂！🎬
不足之处⚠️
中文口型生成差
公开Avatars种类少
定价偏高
机位手势变化有限
创始人背景💡
创始人Laodis Menard，写过小说、导演过电影，多元经历让Argil兼具美学与技术风格，创意与技术完美融合！🎥📚
融资情况💰
2023年1月：Pre种子轮获100万欧元，Seedcamp领投
2024年11月：种子轮获390万欧元，EQT Ventures领投
总结
Argil让视频创作像发推文一样简单，推动视频创作大众化，解决传统视频创作成本高、耗时长等问题。虽然有些小瑕疵，但整体表现炸裂，值得一试！🚀
#AI视频创作 #Argil #数字人技术 #效率神器展开赞过
评论1 - 前沿：DeepSeek V3 使用 FP8 训练，效率炸裂！
FP8训练在提升计算效率和内存使用方面有显著优势，尽管面临精度损失等挑战，但通过混合精度训练和量化技术，这些问题可以得到缓解。
这可能是DeepSeek V3性价比超高、效果超好的原因之一。
量化方式 🎯
groupwise & tilewise 双管齐下：输入按 groupwise 量化，权重按 tilewise 量化，分别拿到输入和权重的 scale。在 tensorcore 上对一条 (1x128) 和一块 (128x128) 进行 fp8 矩阵乘法后，回到 cudacore 上同时乘上 scale 进行解量化。简单来说，就是分块处理，精准量化！💡
延迟量化 vs 在线量化：传统 pertensor 框架用的是延迟量化，保留历史数据来推断当前值。但 DeepSeek 不走寻常路，直接在线量化，每次量化前都统计 max 值并计算 scale，实时更新，精准度拉满！🚀
特殊处理 ✨
精度选择：FP8 支持 e4m3 和 e5m2 两种 dtype，DeepSeek V3 全程用 e4m3 保持高精度。但在 attention 输出时，反向传播对精度要求更高，所以直接提升到 e5m6，细节控的福音！
累加方式：Nvidia H800 GPU 上，FP8 gemm 的累加精度只有 14 位，远低于 FP32。DeepSeek 的骚操作是：在 tensorcore 上做一段 wgmma 后，回到 cudacore 中累加，既保持高利用率，又确保精度不崩！
整体流程 📊
前向传播：输入用 bf16，主权重用 fp32，量化到 fp8，前向累加后输出 fp32，再 cast 回 bf16。全程丝滑，精度不掉线！✨
反向传播：wgrad 累加后天然是 fp32，优化器状态用 bf16，weight 以 fp32 更新。dgrad 在 fp8 反向后 cast 成 bf16 继续传播。每一步都精准把控，训练效率直接起飞！🚀
#DeepSeekV3 #FP8训练 #AI技术 #量化 #深度学习 #技术分享展开等人赞过 评论5 - DeepMind最新研究：PC-SUBQ提示策略，让AI从相关性推断因果关系！
🎯研究背景：
在日常生活中，我们经常需要从相关性推断因果关系，但这对大语言模型来说是个难题。它们缺乏严谨的逻辑分析和丰富的背景知识，难以准确推断因果关系，这限制了它们在科学研究和决策支持等领域的应用。
🚀PC-SUBQ提示策略：
理论基础：基于PC算法原理和认知任务分解理论。PC算法通过条件独立性检验从无向图开始逐步构建因果图，通过V型结构识别因果方向；认知任务分解理论则是将复杂任务进行系统化分解，构建渐进式推理链，并基于中间结果进行验证。
详细实现步骤：该策略将原始任务分解为多个子任务，每个子任务对应PC算法的一个步骤，并通过将先前子任务的答案用作下一个子任务的提示的方式来引导LLMs遵循这些步骤。同时，还提供了少量的连贯思路示例，为每个子任务提供如何独立解决的演示。
💡实验结果：
性能对比：在corr2cause基准测试中，PC-SUBQ相比其他提示策略展现出明显优势，跨五种LLMs持续观察到性能提升。例如，对于大型语言模型Palm2，使用PC-SUBQ时，F1分数从0.30上升到0.64，相应的准确度为88.7%。
鲁棒性测试：该策略在不同表达方式和自然语言场景中都表现出色，具有良好的鲁棒性和泛化能力。如变量重命名鲁棒性测试中，即使将变量名改变，模型的性能也没有显著下降；在表达方式变化测试中，当使用不同的语言表达相同的因果问题时，性能下降幅度也较小。重要结论：
PC-SUBQ能够提升LLMs在从相关声明中推断因果关系的任务上的性能，并且该方法对查询变异具备强大的鲁棒性，其产生的推理步骤具有较高的可解释性，允许追踪错误答案的责任步骤，也适用于更自然的故事场景。
论文地址
arxiv.org 展开赞过 评论1 - 接口幂等该如何设计和实现
在程序开发的过程中是否遇到如下的问题：
同一件商品手速很快多点击了几次，在后台生成了两笔订单。
同一笔订单点了由于网络卡顿，点了两次支付，结果发现重复支付了。
微服务架构下应用间通过RPC调用失败，进入重试机制，导致一个请求提交多次。
黑客利用充值抓包到的数据，进行多次调用充值、评论、访问，造成数据的异常。
这些问题均可以通过接口幂等性设计来解决。幂等性意味着同一个请求无论被重复执行多少次，都能产生相同的结果，不会导致重复的操作或不一致的数据状态。
公众号：mp.weixin.qq.com
CSDN：blog.csdn.net
掘金：juejin.cn
知乎：zhuanlan.zhihu.com
简书：www.jianshu.com
cnblog：www.cnblogs.com
github：r0ad.github.io
#新人报到#展开评论点赞 - #新人报道#
SpringCloud和SpringBoot的版本依赖该怎么选择
Spring Cloud是一个基于Spring Boot的微服务框架，用于构建和管理分布式系统的各个组件。它提供了一套完整的解决方案，包括服务注册与发现、配置管理、负载均衡、熔断器、消息总线、数据流等功能。
SpringCloud2023为当前Spring Cloud的最新版本迭代，基于Spring6和Springboot3以后的版本研发。因此开发选择SpringCloud的版本也就对应的选择了Springboot和Spring的版本。
公众号：mp.weixin.qq.com
CSDN：blog.csdn.net
掘金：juejin.cn
知乎：zhuanlan.zhihu.com
简书：www.jianshu.com
cnblog：www.cnblogs.com 展开赞过 评论1
arxiv.org