<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>DeepSeek :: 标签 :: x7peeps</title><link>https://blog.x7peeps.com/tags/DeepSeek/index.html</link><description/><generator>Hugo</generator><language>zh-CN</language><lastBuildDate>Fri, 30 Oct 2026 14:47:30 +0800</lastBuildDate><atom:link href="https://blog.x7peeps.com/tags/DeepSeek/index.xml" rel="self" type="application/rss+xml"/><item><title>大语言模型技术栈：从 Transformer 到 GPT/Claude 的架构演进</title><link>https://blog.x7peeps.com/AI/01-LLM%E5%8E%9F%E7%90%86%E4%B8%8E%E5%B7%A5%E7%A8%8B/%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B%E6%8A%80%E6%9C%AF%E6%A0%88%E4%BB%8ETransformer%E5%88%B0GPT%E5%92%8CClaude%E7%9A%84%E6%9E%B6%E6%9E%84%E6%BC%94%E8%BF%9B/index.html</link><pubDate>Fri, 30 Oct 2026 14:47:30 +0800</pubDate><guid>https://blog.x7peeps.com/AI/01-LLM%E5%8E%9F%E7%90%86%E4%B8%8E%E5%B7%A5%E7%A8%8B/%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B%E6%8A%80%E6%9C%AF%E6%A0%88%E4%BB%8ETransformer%E5%88%B0GPT%E5%92%8CClaude%E7%9A%84%E6%9E%B6%E6%9E%84%E6%BC%94%E8%BF%9B/index.html</guid><description>大语言模型技术栈：从 Transformer 到 GPT/Claude 的架构演进 大语言模型（LLM）已从学术论文中的实验性工作，演变为支撑数十亿用户日常交互的基础设施级产品。作为 AI 应用开发者，理解从底层 Transformer 架构到上层应用框架的完整技术栈，是做出正确技术选型、构建高质量 AI 应用的前提。</description></item><item><title>Mixture of Experts 架构：稀疏激活如何重塑大语言模型的效率与规模</title><link>https://blog.x7peeps.com/AI/01-LLM%E5%8E%9F%E7%90%86%E4%B8%8E%E5%B7%A5%E7%A8%8B/Mixture-of-Experts%E6%9E%B6%E6%9E%84%E7%A8%80%E7%96%8F%E6%BF%80%E6%B4%BB%E5%A6%82%E4%BD%95%E9%87%8D%E5%A1%91%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B%E7%9A%84%E6%95%88%E7%8E%87%E4%B8%8E%E8%A7%84%E6%A8%A1/index.html</link><pubDate>Fri, 30 Oct 2026 14:47:30 +0800</pubDate><guid>https://blog.x7peeps.com/AI/01-LLM%E5%8E%9F%E7%90%86%E4%B8%8E%E5%B7%A5%E7%A8%8B/Mixture-of-Experts%E6%9E%B6%E6%9E%84%E7%A8%80%E7%96%8F%E6%BF%80%E6%B4%BB%E5%A6%82%E4%BD%95%E9%87%8D%E5%A1%91%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B%E7%9A%84%E6%95%88%E7%8E%87%E4%B8%8E%E8%A7%84%E6%A8%A1/index.html</guid><description>Mixture of Experts 架构：稀疏激活如何重塑大语言模型的效率与规模 大语言模型的 Scaling Law 曾长期遵循一个简单假设：更大的参数量意味着更强的能力，但代价是成比例增长的计算开销。GPT-4 据报训练成本超过 1 亿美元，Llama 2 耗费 330 万 A100 GPU 小时——当参数规模逼近万亿级别，Dense 模型的线性扩展路径正变得难以持续。</description></item></channel></rss>