4904 search results
随着人工智能技术的飞速发展，大语言模型（Large Language Models, LLMs）在各领域展现出强大的潜力。本文深入剖析了 LLMs 预训练阶段的核心算法和关键源代码实现，旨在全面、系统地阐述其背后的技术原理和实现细节。通过对算法架构、训练方法和代码实现的详实分析，我们期望这些内容能够为大模型领域的学习者和研究者提供有益参考，感兴趣的读者可以沿着文中技术脉络深入探索。
自大型语言模型（LLM）问世以来，其影响力逐渐渗透到推荐算法领域。在推荐算法领域中，如何有效利用大模型的能力，主要存在两种思路：一种是“改良派”，旨在通过大模型技术增强现有系统性能，在实际应用中逐步优化；另一种是“革命派”，认为现有推荐框架限制了大模型发挥，与其在已有的框架下小修小补，不如直接掀桌重开。认知推荐属于“改良派”的一种，它快速锚定了推荐中的“信息茧房”问题，通过大模型构建认知链路来深化用户兴趣探索，提升整个链路发现性水平，最终提升用户体验。
随着微服务的流行，服务之间的依赖性和调用关系变得越来越复杂，服务的稳定性变得尤为重要。业务场景中经常会涉及到瞬时流量冲击，可能会导致请求响应超时，甚至服务器被压垮、宕机不可用。出于对系统本身和上下游服务的保护，我们通常会对请求进行限流处理，快速拒绝超出配置上限的请求，保证系统或上下游服务系统的稳定。合理策略能有效应对流量冲击，确保系统可用性和性能。本文详细介绍了几种限流算法，比较各个算法的优缺点，给出了限流算法选型的一些建议，同时对业务上常用的分布式限流也提出一些解决方案。
