迷路的小朋友

一、是什么 让 125B 级 MoE 多模态大模型在单张 24GB 消费卡上以 4 路并发对外提供 OpenAI / Anthropic 双协议服务——上下文取满模型原生的 262,144，多模态开启，热态单流 ~105–130 tok/s、4 路合计 ~138 tok/s。 元信息 引擎版本：Strata 0.1.38（源码编译，CUDA 12.4 toolkit，sm_89）+ 社区多路batch并发合并请求 + 本地加固补丁 模型文件：官方固定 revision（ed59f92）的 GGUF，IQ3_XXS 76.7 GB（3-bit 混合精度 + imatrix 校准），逐文件 SHA-256 校验 调用方式：https://api.ssemarket.cn/v1｜/v1/chat/completions + /v1/messages｜API key 鉴权 词 一句话解释 token（词元） 模型读写文本的最小单位，中文 1 token ≈ 1～1.5 个汉字；tok/s = 每秒生成的 token 数。 参数 / 125B 训练得到的约 1250...

前言 deepseek-harness（下称 dsh）官方版已经走到 0.1.0-rc.5 并在 npm 公开发布，但它始终是一个「通用产品」：测试套件、质量门、双语文档、示例 demo 一应俱全，产品形态是绑在 127.0.0.1 上的回环 Web GUI。对我而言，官方形态并不合身——我需要的是一个「自己说了算」的个人特化版：仓库删掉不需要的工程负担，把产品面拆成「PC 执行 + 服务器控制 + 手机/管理台展示」三层，同时安全底线一条都不能松。 这一轮 P1 改造的成果，就是把这套想法全部落地：从官方 fork 出个人 Gitee 特化版，完成分账号控制面的 P0/P1（控制面后端、管理台、手机工作台）、桌面壳、局域网直连工作通道、PC→手机文件、主题皮肤、harness_control 工具等一系列工作。这篇文章记录整个 P1 的改造思路与落地细节。 下载体验：P1 改造后的打包版本已发布到 Gitee Releases —— deepseek-harness v0.1.0-rc.7，桌面安装包及相关产物可到该页面直接下载体验。 一、为什么要改造：回环 GUI...

一，SSE Market 后端 API 深度解析（APIMD） 1. 服务概览 技术栈：Go + Gin + GORM + MySQL + Redis + WebSocket 启动入口：main.go 监听端口：8080 静态资源： /uploads -> public/uploads /resized -> public/resized 路由注册：route/routes.go 2. 鉴权与访问控制 2.1 三种鉴权模式 普通用户 JWT（AuthMiddleware） 适用：大多数 /api/auth/* 接口 Header：Authorization: Bearer <token> WebSocket 兼容：可通过 query 参数 token 管理员 JWT（AuthMiddleware_admin） 适用：管理员接口（封禁、删用户、管理员管理等） Header：Authorization: Bearer <admin_token> OAuth2 Access...

Linux 0.11 源码 1. 结构 123456789101112linux-0.11-master/├── Makefile # 项目构建核心文件（编译、链接等规则）├── .gitignore # Git 忽略规则配置文件├── cscope.files # Cscope 代码索引工具的文件列表├── README.md # 项目说明文档├── fs/ # 文件系统模块（文件读写、目录管理、各类文件系统实现等）├── include/ # 全局头文件目录（内核通用宏、结构体、函数声明等）├── lib/ # 内核通用库函数（字符串、内存操作等）├── mm/ # 内存管理模块（物理/虚拟内存分配、页表管理等）├── init/ # 内核初始化模块（启动流程、进程1创建等）├── boot/ #...

数据结构与算法实现 1, 顺序表（SeqList） 顺序表是线性表的顺序存储结构，它是用一组地址连续的存储单元依次存储线性表中的各个元素。 特点： 随机访问： 可以在O(1)时间内通过下标直接访问任意元素 存储密度高： 数据元素之间不需要额外空间存储逻辑关系 插入和删除操作需要移动大量元素： 时间复杂度为O(n) 需要预分配内存空间： 可能存在空间浪费或溢出问题 时间复杂度分析： 按位查找（getElem）：O(1) 按值查找（locateElem）：平均O(n) 插入操作（insertElem）：平均O(n)，最坏O(n) 删除操作（deleteElem）：平均O(n)，最坏O(n) 追加操作（appendElem）：O(1) 顺序表扩容机制： 通常顺序表满时，会创建一个更大的数组（如原来的1.5倍或2倍），并将原数据复制到新数组中，然后释放旧数组。这是动态数组（如C++ STL...

JavaGame：一个用Java实现的Pygame风格游戏开发模块 一、项目背景 Pygame是Python生态中非常流行的游戏开发库，它提供了简单易用的API，让开发者能够快速创建2D游戏。然而，对于Java开发者来说，虽然有JavaFX、LibGDX等游戏开发框架，但缺乏一个像Pygame那样轻量级、易于上手的选择。 为此，我开发了JavaGame模块，这是一个用Java实现的类似Pygame的游戏开发库，基于JavaFX构建，提供了简洁明了的API，让Java开发者也能享受到Pygame式的开发体验。 二、设计理念 JavaGame的设计理念主要有以下几点： 简单易用：提供类似Pygame的简洁API，降低游戏开发门槛 轻量级：核心模块只有几个Java文件，易于集成和扩展 高性能：采用双缓冲技术，避免屏幕闪烁，提供流畅的游戏体验 线程安全：事件队列采用线程安全设计，确保多线程环境下的稳定性 跨平台：基于JavaFX，支持Windows、macOS和Linux等主流操作系统 三、核心功能 1....

C++后端服务器实现笔记 仓库 项目结构 123456789101112131415161718192021222324252627282930313233343536├── .github/ # GitHub配置目录│ └── workflows/ # GitHub Actions工作流├── .gitignore # Git忽略配置├── 3rdparty/ # 第三方库目录│ ├── mysql/ # MySQL客户端库│ │ ├── include/ # MySQL头文件│ │ └── lib/ # MySQL库文件│ └── redis/ # Redis客户端库│ ├── include/ # Redis头文件│ └── lib/ # Redis库文件├── CMakeLists.txt # CMake构建配置├── LICENSE ...

Transformer大语言模型架构原理学习笔记 1. 模型架构与优化方法 在架构里面，我们做的就是把输入的x映射到输出的y，这个映射过程就是模型架构。但是如果模型里面的参数或者是这个模型是随机的，那么这个模型就没有意义，所以我们需要优化方法来优化模型。 就笔者的理解，模型内部实际上就是一堆矩阵（线性变换），与输入x进行矩阵乘法，得到输出y。通过训练，我们希望模型内部的矩阵能够尽量使得输入x映射到输出y。 但是完全的映射是不能的，因为输入和输出都是离散的，所以我们需要一个函数来衡量模型的预测结果与真实结果之间的差距，然后通过优化方法来最小化这个函数，从而优化模型内部的矩阵。 这个函数就是所谓的损失函数，常见的损失函数有均方误差、交叉熵等。（交叉熵是分类任务常用的损失函数，均方误差是回归任务常用的损失函数） 优化方法有梯度下降、牛顿法等。 这里Transformer模型架构的学习我采用了交叉熵（原因参见下文）作为损失函数，采用梯度下降作为优化方法（这个算法成本最低，其他的都还不懂）。 2....

快速幂、逆元与组合数学 快速幂 快速幂是一种用于计算 $a^b$ 的算法，其时间复杂度为 $O(\log b)$。 原理 快速幂的原理是利用二进制分解指数，将指数 $b$ 转化为二进制表示，然后通过不断平方和乘法来计算 $a^b$。 例如，计算 $a^{13}$，我们可以将其转化为 $a^{1101}_2$，然后通过以下步骤计算： $a^1 = a$ $a^2 = a^1 \times a^1 = a \times a$ $a^4 = a^2 \times a^2 = (a \times a) \times (a \times a)$ $a^8 = a^4 \times a^4 = ((a \times a) \times (a \times a)) \times ((a \times a) \times (a \times a))$ $a^{13} = a^8 \times a^4 \times a^1 = ((a \times a) \times (a \times a)) \times ((a \times a) \times (a \times...