tech 概念解析
再見，所有的爬蟲勇士：Python 在 AI 時代的角色轉變
Python 依然是 AI 開發的主力語言，但 AI 工具的普及讓「寫 Python 程式碼」和「做 AI 開發」這兩件事的界線越來越模糊——這篇文章探討 Python 在 AI 時代的定位轉變。
Tag
#LLM
5 篇文章
tech 深度解析
KV Cache：LLM 推論效能最關鍵的優化技術
KV Cache 讓 Transformer 的自回歸生成從每個 token 都要重算整個序列的 O(n²) 複雜度，降到每步只計算當前 token 的 O(n)，是現代 LLM 推論速度可接受的核心原因。
tech 深度解析
DeepSeek V3 如何以 $5.6M 訓練成本挑戰百億美元系統
DeepSeek V3 以 671B 參數 MoE 架構、僅 278 萬 H800 GPU 小時的訓練成本，在多項基準測試上達到接近 GPT-4 的表現，API 費用僅是 OpenAI 的十分之一。
tech 概念解析
OpenAI 的 o3、o4-mini 與 GPT-4.1：好用的、有問題的、與瘋狂的
OpenAI 2025 年春季一次推出三款新模型：GPT-4.1 強化程式碼與指令遵循、o3 是目前最強推理模型、o4-mini 以低成本達到驚人的數學與程式效能——但定價策略和 API 存取限制讓開發者有複雜感受。
tech 概念解析
LLM 推論時的三個層次：Decoding、Workflow、Reasoning 技術整理
LLM 的輸出品質由三個層次共同決定：token 層級的 decoding 策略、任務層級的 workflow 設計、以及模型層級的 reasoning 能力。搞清楚這三層的差異，才能針對問題選對工具。