- 综合排序
- 最热优先
- 最新优先
- 来自专栏让技术飞起来
轻量化方式实现灰度发布落地
由于本次调研的范围和时间有限，所以我认为较好用的轻量化灰度发布方案就暂时罗列这两类，当然方案有千千万，选择自己合适的就好。
1.1K40编辑于 2022-09-15 - 来自专栏集智书童
大模型落地的必经之路 | GPTQ加速LLM落地，让Transformer量化落地不再困难
此外，作者目前的结果不包括激活量化，因为在作者的目标情境中，它们不是一个重要的瓶颈；然而，可以使用其他技术来支持它。 2、相关工作 量化方法大致可以分为两类：训练期间的量化和后期量化方法。 2.1 PTQ量化 大多数后期量化方法主要关注视觉模型。通常，准确的方法通过对个别层或连续层的小块进行量化。 3、 背景方法 3.1 逐层量化 从高层次来看，作者的方法遵循了最先进的后期量化方法的结构，通过逐层进行量化，为每一层解决相应的重构问题。 然后，OBQ独立处理每一行w，逐个量化一个权重，同时始终更新所有尚未量化的权重，以弥补量化单个权重所带来的误差。 很可能是因为具有大个体误差的量化权重数量稍微较低，但这些权重在过程的末尾被量化时，只有很少的其他未量化权重可以用来进行补偿调整。
1.7K40编辑于 2023-11-15 - 来自专栏arXiv每日学术速递
大模型落地的必经之路 | GPTQ加速LLM落地，让Transformer量化落地不再困难
此外，作者目前的结果不包括激活量化，因为在作者的目标情境中，它们不是一个重要的瓶颈；然而，可以使用其他技术来支持它。 2、相关工作 量化方法大致可以分为两类：训练期间的量化和后期量化方法。 2.1 PTQ量化 大多数后期量化方法主要关注视觉模型。通常，准确的方法通过对个别层或连续层的小块进行量化。 3、 背景方法 3.1 逐层量化 从高层次来看，作者的方法遵循了最先进的后期量化方法的结构，通过逐层进行量化，为每一层解决相应的重构问题。 然后，OBQ独立处理每一行w，逐个量化一个权重，同时始终更新所有尚未量化的权重，以弥补量化单个权重所带来的误差。 很可能是因为具有大个体误差的量化权重数量稍微较低，但这些权重在过程的末尾被量化时，只有很少的其他未量化权重可以用来进行补偿调整。
2K30编辑于 2023-11-15 《工业CAD数据数字孪生落地轻量化导入指南》
、运维、仿真等场景的核心诉求，这才是突破工业数字孪生落地卡点的核心关键，也是后续所有技术操作的底层逻辑，更是从根本上解决精度与实时性矛盾的唯一路径。 精度校验与轻量化程度的动态调优体系，是保障工业CAD数据轻量化导入与实时可视化工业价值的关键，这一体系并非单一的精度检测，而是基于工业场景需求的多维度、动态化的迭代优化过程，确保轻量化后的模型始终在精度保留与实时性之间达到最优平衡 在此基础上，建立轻量化程度的量化评估模型，将数据体量缩减率、渲染帧率、核心特征精度保留率作为三大核心评估维度，针对不同的工业场景调整各维度的权重，比如静态展示类的数字孪生场景，可适当提升数据体量缩减率的权重 通过这种循环迭代的方式，形成针对不同工业场景的定制化调优方案，让轻量化与可视化技术能精准适配各类工业应用的实际需求，避免出现“为了轻量化而牺牲精度”或“为了精度而放弃实时性”的极端情况。 比如在航空航天零部件装配的数字孪生场景中，需要轻量化后的CAD数据能直接支撑零部件的虚拟装配仿真，保留高精度的配合面特征与装配公差信息，实现装配间隙的实时检测与干涉预警，此时轻量化处理需重点强化装配关系的精度保留
18210编辑于 2026-02-05《Python生态事件溯源与CQRS轻量化落地指南》
真正的轻量化落地，从来不是对复杂架构的生搬硬套，而是基于Python的语言特性，对事件溯源与CQRS的核心思想进行深度解构与重塑—剥离那些冗余的概念包装，聚焦“状态源于事件”“读写职责分离”的核心逻辑， CQRS读写职责的清晰剥离，需要依托Python生态的轻量化特性，拒绝过度分层的架构设计，回归职责分离的本质。 事件存储的极简实现，是Python生态落地事件溯源的核心痛点，也是保持架构简洁性的关键环节，其核心是聚焦事件存储的本质需求，拒绝过度设计。 事件重放与状态重建的轻量化策略，需要充分利用Python的语言特性，避免复杂的状态机设计，回归状态重建的本质逻辑。 这种轻量化的重放策略，既满足了业务需求，又保持了架构的简洁性，充分发挥了Python的语言优势。
11600编辑于 2026-01-10- 来自专栏陈哥聊测试
当DevOps落地实施撞上技术债务，如何量化债务突破困局
想必不少朋友在推进DevOps落地时，都或多或少遇到过技术债的问题。我们该如何有效解决这个问题呢？今天，我邀请了禅道专栏作者李斌，和我们分享一下DevOps实践中量化技术债的方法。 但在实际落地过程中，技术债务却成为其顺利实施的阻碍。本文将从DevOps实施的前、中、后三个阶段，结合我的个人经验，阐述如何通过量化债务实现破局。一、什么是技术债务？ 对于管理层而言，只有通过量化数据指导业务目标的达成与改善，才能更有力地推动DevOps落地及技术债务的解决。 综上，结合技术债类型、DevOps工具体系，可落地的量化维度和方法，形成具有实操价值的研发治理框架：3.守城：可视化债务&行动清单&债务文化债务量化&治理体系的搭建非一朝一夕，可以一边破局，一边守城。 三、需要注意哪些问题1.量化治理需集中攻坚技术债的累积会直接降低DevOps的「反馈循环效率」，量化是治理的前提。虽说看似简单，但量化与治理实则如同“先有鸡还是先有蛋”的关系。
42010编辑于 2025-08-26 腾讯OpenClaw：重构企业AI智能体体系与量化ROI落地
然而，企业在实际部署与应用AI Agent时，面临着显著的“木桶效应”与业务落地鸿沟： 单兵作战与记忆缺失： 传统Chatbot无记忆、被动触发且单兵作战，无法处理跨周期的复杂业务流，导致经验无法随流程固化 锁定多维业务场景的量化效能提升 通过引入多模态策略与自动化工作流，OpenClaw在实际业务中实现了从执行效率到研发成本的显著优化： 部署效率跃升： 企业云端专属Agent平台实现零门槛开通，配置完成到全员投入生产仅需 拆解多智能体协同与自动化落地案例 在实际业务流中，OpenClaw通过“拆解任务、多维并行”展现了极高的可执行价值： AI编辑部：7人协作新闻生产流水线 基于WorkBuddy原生多Agent团队能力， 构筑底层自研与权威认证的技术护城河 腾讯凭借在AI原生应用领域的深度积累，为大模型落地提供了具备高合规性与技术确定性的基础设施保障： 首批通过国家级安全测评： 腾讯全系“龙虾”产品（WorkBuddy、
32410编辑于 2026-04-16无代码开发轻量化实践：企业高效落地的核心路径
1.3 轻量化适配，保障灵活扩展适配企业轻量化需求，支持快速部署与灵活调整。开发完成的应用可一键发布至多终端，自动兼容电脑、手机等设备，无需单独进行多端适配开发。 二、无代码开发的高效落地实践路径2.1 需求聚焦：锁定核心场景，规避功能冗余落地前需精准梳理业务痛点，聚焦核心需求场景，避免盲目追求“大而全”。 2.3 分步落地：小范围试点，迭代优化推广采用“试点-优化-推广”的分步策略降低落地风险。 三、AI+无代码：轻量化开发的智能化进阶AI技术与无代码的轻量化融合，进一步放大了工具的“简单好用”优势。 企业通过聚焦核心需求、科学选型工具、分步落地推广，再结合AI技术的轻量化赋能，可高效发挥无代码工具的优势，以低成本、高效率完成数字化起步，让技术真正服务于业务增长。
13710编辑于 2026-01-14腾讯云数字安全免疫力体系与量化落地实践
当前行业面临的量化威胁与管理瓶颈主要集中在以下维度（数据来源：《2023上半年云安全态势报告手册》、国家信息安全漏洞库、Chainalysis）： 高频实战攻击加剧： 2024年上半年，新增漏洞数超过 量化业务效能：千行百业的云上安全落地指标 依托4+N体系，腾讯安全在零售、物流、工业、金融等核心行业实现了具备高确定性的业务价值落地，显著降低运维成本并提升系统稳定性： 无感升级与成本削减（百果园）：
2400编辑于 2026-04-26- 来自专栏计算机视觉战队
深度学习框架落地 | 量化网络的重要性（附源码地址下载）
但是如果能在训练过程中去模拟量化的过程，让网络学习去修正量化带来的误差，那么得到的量化参数应该是更准确的，而且在实际量化推断中模型的性能损失应该能更小。 训练模拟量化 方法介绍 首先来看下量化的具体定义，对于量化激活值到有符号8bit整数，论文中给出的定义如下： ? 而训练量化说白了就是在forward阶段去模拟量化这个过程，本质就是把权值和激活值量化到8bit再反量化回有误差的32bit，所以训练还是浮点，backward阶段是对模拟量化之后权值的求梯度，然后用这个梯度去更新量化前的权值 对称量化在最大或最小值间选择最大的绝对值作为量化范围，不设置零点，量化的浮点范围关于原点对称。 ? 当使用非对称量化时，量化范围被充分利用，浮点数的min、max直接映射到量化范围的min、max；当使用对称量化时，如果浮点数分布偏向零点一侧，会造成量化范围利用率降低（如ReLU，相当于有效位减少了1bit
1.2K10发布于 2021-01-14 无代码：数字化转型的轻量化落地路径与实践逻辑
本文将从无代码的崛起逻辑、应用场景、技术融合及落地要点出发，探讨其在数字化转型中的实践价值。 3.2 轻量化融合的实践边界AI+无代码的应用需坚守“业务导向”原则，避免过度追求技术噱头。 落地前需明确核心场景，聚焦“最痛、最频繁”的业务需求，例如先解决审批流程自动化，再逐步扩展到客户管理、数据报表等场景，小步快跑验证价值后再迭代升级。 它并非替代传统代码开发，而是形成互补——复杂核心系统仍需专业开发，而高频变动、个性化的业务场景则可通过无代码快速落地。 随着AI等技术的轻量化融合，无代码将进一步降低数字化门槛，成为中小企业数字化转型的“普惠工具”。
23010编辑于 2025-12-15中小企业轻量化数字化转型：低代码高效落地指南
二、中小企业低代码落地的关键实施策略2.1 前期：精准梳理需求，聚焦核心场景中小企业数字化转型需避免“大而全”的误区，应优先梳理核心业务痛点。 建议通过业务部门访谈、流程拆解等方式，明确亟待解决的场景需求，如客户管理、库存统计、审批流程自动化等，优先搭建覆盖核心场景的轻量化应用。 2.2 中期：分阶段落地，强化内部赋能低代码落地可分为“试点-推广-深化”三个阶段。 通过精准需求梳理、分阶段落地、科学运维，中小企业可充分发挥低代码的优势，实现数字化转型的“从0到1”突破。而AI与无代码的融合，更将进一步放大技术普惠价值，助力中小企业在数字经济浪潮中实现高质量发展。
29910编辑于 2026-01-14- 来自专栏计算机视觉战队
首个全量化Vision Transformer的方法FQ-ViT，AI大模型落地不远了！
然而，大多数现有的量化方法主要是针对卷积神经网络开发的，并且在完全量化的vision Transformer上应用时会出现严重的掉点。今天我们就分享一个新技术，实现高精度量化的Vit部署。 AI大模型落地使用离我们还远吗？ 结合这些方法，本文首次实现了全量化Vision Transformer的训练后量化。 02 新框架 下面的这两张图表明，与CNN相比，视觉转换器中存在严重的通道间变化，这导致了分层量化的不可接受的量化误差。 首先解释网络量化符号。 其量化器Q（X|b）可定义为: 为了实现完全量化的视觉变换器，研究者对所有模块进行量化，包括Conv、Linear、MatMul、LayerNorm、Softmax等。
55510编辑于 2024-12-30 - 来自专栏计算机视觉战队
首个全量化Vision Transformer的方法FQ-ViT，AI大模型落地不远了！
然而，大多数现有的量化方法主要是针对卷积神经网络开发的，并且在完全量化的vision Transformer上应用时会出现严重的掉点。今天我们就分享一个新技术，实现高精度量化的Vit部署。 AI大模型落地使用离我们还远吗？ 结合这些方法，本文首次实现了全量化Vision Transformer的训练后量化。 02 新框架 下面的这两张图表明，与CNN相比，视觉转换器中存在严重的通道间变化，这导致了分层量化的不可接受的量化误差。 首先解释网络量化符号。 其量化器Q（X|b）可定义为: 为了实现完全量化的视觉变换器，研究者对所有模块进行量化，包括Conv、Linear、MatMul、LayerNorm、Softmax等。
56510编辑于 2023-08-24 ADP智能体平台驱动多行业AI落地：从痛点破解到量化增效
破解多行业AI落地共性瓶颈 当前企业AI落地面临多重战略困境：知识管理体系庞大且更新频繁（如医药行业制度体系更新快、执行标准不一），导致检索低效；合规要求严苛（如医药、能源行业）与内部数据分散（器械行业 ），且依赖外部模型存在Token成本高、政策约束、请求异常致系统瘫痪风险（器械行业案例）；系统对接壁垒（零售行业IT Service Desk缺乏API打通机制）与缺乏ROI评估机制（器械行业），难以量化成本节约与业务提升成效 undefined配套AI Agent落地端到端能力，涵盖部署实施（统一身份认证、私有化部署、容量评估、高可用方案）、系统集成（IAM/业务系统/MCP协议集成）、场景落地（数据预处理/清洗、知识库构建 、工作流编排）、运维运营（平台/Agent排障、培训、推广）（数据来源：客户落地关键要点）。 量化业务指标验证客户价值 安畅ADP方案通过系统稳定性、运维成本(Ops Cost)、开发效率核心指标驱动ROI： 服务规模：帮助500+大型客户迁移上云，助力200+客户完成云原生改造，为100+
17010编辑于 2026-04-09- 来自专栏韩曙亮的移动开发专栏
【Cubase】Cubase 量化设置 ( 量化预置 | 长度量化 | 快捷键设置 | 量化开头 | 量化 MIDI 事件结尾 | 量化 MIDI 事件长度 )
文章目录 一、要解决的问题 二、量化预置 三、长度量化 四、快捷键及设置 1、快捷键及设置 2、量化开头 3、量化 MIDI 事件结尾 4、量化 MIDI 事件长度 五、对 MIDI 进行量化操作 本博客中的所有设置都是在 ; 三、长度量化 ---- 长度量化 参数设置 : 在下图 处设置长度量化 , 如果设置成 " 1/16 " , 那么使用鼠标拖动时 , 音符的长度只能是 16 分音符的整数倍 ; 上述的 量化预置 ; 2、量化开头 量化开头 : 默认按键 " Q " 是量化开头 ; 将所有音符的开始位置对齐到 " 量化预制 " 对应的格子中 ; 该设置是系统自带的 , 不建议修改 ; 3、量化 MIDI 事件结尾 量化 MIDI 事件结尾 : 首先选中左侧的 " 量化类别 / 量化 MIDI 事件结尾 " , 点击右侧的 " 输入快捷键 " 下方的输入框 ; 输入快捷键后 , 点击 " 指定 " " 快捷键 , 量化音符长度 , 此时音符都排列整齐了 , 音符开头和音符长度进行了量化 , 音符结尾自然也进行了量化 ;
4.6K00编辑于 2023-03-28 - 来自专栏集智书童
南京大学提出量化特征蒸馏方法QFD | 完美结合量化与蒸馏，让AI落地更进一步！！！
本文提出了一种新颖而高效的QAT方法，即量化特征蒸馏（QFD）。QFD首先将量化（或二值化）表示作为教师进行训练，然后使用知识蒸馏（KD）对网络进行量化。 2、相关工作 神经网络量化可以分为两种范式： 量化感知训练（QAT） 后训练量化（PTQ） 在本文中，作者采用了QAT。 2.2、量化中的知识蒸馏 知识蒸馏（KD）在各种计算机视觉任务中很受欢迎，并逐渐在量化感知训练中出现。量化知识蒸馏的核心思想是：利用全精度教师来恢复量化学生网络的准确性。 3.1、准备工作 作者采用了Lee，Kim和Ham的方法作为基准方法，该方法是由归一化、量化和反量化步骤组成的均匀量化器。 3.2、量化特征蒸馏 作者首先定义量化感知训练中的基本符号表示，然后介绍作者的量化特征蒸馏方法，如图3所示。
1.8K31编辑于 2023-09-04 腾讯云AI原生云：加速Agent落地的Infra解决方案与量化成效
具体瓶颈包括对AI Infra的三重要求：更快模型推理（模型推理速度、服务启动速度）、更灵活工具集成（工具链适配）、更可靠系统守护（主动发现、故障自愈），传统Infra难以支撑Agent规模化落地。 量化Agent Infra应用的业务成效 方案落地后实现关键指标优化（数据来源：腾讯全球数字生态大会）： 模型推理效率：TACO-DIT推理效率提升122%；TKE&qGPU使GPU使用率提升80%
25830编辑于 2026-04-19- 来自专栏算法之名
量化交易
针对可交易的投资商品，理性地运用逻辑分析和回归统计判断市场趋势称为量化交易。 量化策略 量化策略就是赚钱"因子"，可以分为基本面和技术面。
48610编辑于 2024-08-21 - 来自专栏机器之心
WAIC 开发者日Workshop预告：旷视天元 MegEngine 推动低比特量化技术的落地
人工智能创新技术持续涌现，推动新一代技术浪潮向前发展，解决一个个技术难题，其中如何在资源有限的终端场景实现 AI 模型的有效部署，是加速 AI 落地的重要问题。 AI 工程师们研发了各种试图缩小模型大小并保持性能的办法，例如量化和蒸馏。 目前相对成熟的模型量化方案是 INT8 量化。 而为了推动低比特量化技术的发展，旷视天元 MegEngine 团队对 int4 进行了深入研究。 2018 年加入旷视，任职期间完成了 MegEngine 基于 MLIR 的即时编译技术等多项技术突破，并落地 MegEngine CUDA 推理解决方案以及多个端上优化项目。 MegEngine 是一个快速、可拓展、易于使用的深度学习框架，拥有以下三大关键特点： 训练推理一体：训练推理同一内核，模型结构、量化、前后处理、动态 shape 甚至求导均可 放入模型 进行推理，训练推理轻松对齐精度
57800编辑于 2022-08-25
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号