K3 部署推理引擎指南
vLLM 宣布对 Kimi K3 模型提供首日支持。K3 是拥有 2.8 万亿参数的 MoE 模型，支持 100 万上下文窗口。vLLM 通过 DSpark 推测解码将吞吐量提升至 370 tok/s，并支持架构创新的混合缓存管理、预填充/解码分离及智能体服务，确保生产环境下的高性能与低延迟。
🏷️ MoE
16 篇与杨植麟的第二次对话：站在无限的开端
本文是张小珺对月之暗面创始人杨植麟的第二次深度访谈，发生在Kimi K2模型发布后。文章深入探讨了AI如何通过编码能力突破“缸中之脑”，走向Agent与自我进化，以及杨植麟对技术挑战与创业心境的思考。
从 Kimi K3 看下一代 MoE 架构的转折点：LatentMoE
文章分析了 2026 年大模型架构的新趋势 LatentMoE。通过对比 NVIDIA Nemotron 3 Super 和 Moonshot AI Kimi K3，揭示了 LatentMoE 如何通过将 token 投影到低维潜在空间，大幅降低内存和通信开销，从而在同等推理成本下激活更多专家，提升模型性能与效率。
OpenRLHF 作者发布 Agentic RL 框架 Molt：9K 行核心代码支持超大规模 MoE 训练
OpenRLHF 作者发布了新的强化学习框架 Molt。该框架采用纯 PyTorch 栈，核心代码仅约 9000 行，专注于 Agentic RL 研究。它支持 Qwen3.5-397B 到 GLM-5.2 753B 等超大规模 MoE 模型训练，无需依赖 Megatron，具备高度的代码可读性和可修改性。
人工智能的工程全景（中）：推理，后训练，对齐和安全
本文是AI工程全景的中篇，深入探讨了模型训练完成后的工程化路径。首先详述了推理优化的核心手段，包括模型瘦身（量化、蒸馏、剪枝、MoE）、投机解码以及主流推理引擎（vLLM, TensorRT-LLM, SGLang）的生态格局。文章分析了成本、延迟与吞吐的“不可能三角”，并重点介绍了“测试时计算”这一范式转变，即通过在推理阶段增加计算量来动态提升模型智能。
实测美团 LongCat-2.0：国产芯片万亿模型的实用价值
本文实测了美团发布的基于 5 万张国产算力芯片训练的万亿参数大模型 LongCat-2.0。文章指出，该模型在预训练到大规模部署的全流程中实现了国产算力闭环，具有里程碑意义。虽然通用推理能力与顶级闭源模型仍有差距，但在 Terminal-Bench 和 SWE-bench Pro 等 Agent 与编程任务中表现强劲。作者实测了将其接入 Claude Code 和 Codex 进行工作流处理，结果显示其在长上下文处理和任务拆解上表现稳定，为开发者提供了一个可行的非国产替代方案。
LongCat-2.0 深度技术解读
本文对美团发布的 LongCat-2.0 万亿参数大模型进行了深度技术拆解。文章涵盖了 MoE 架构与稀疏注意力（LSA）的优化、N-gram Embedding 的应用，以及在国产算力受限情况下的 6D 并行训练工程、超节点组网、推理加速等关键技术细节。
2026年强化学习面试题库：算法与基础设施
本文汇总了35道2026年强化学习（RL）领域的面试核心问题。内容涵盖算法与基础设施两大方向，既包括PPO、GRPO等训练机制的原理探讨，也涉及分布式推理、显存优化等工程落地细节。作者强调现代RL岗位需要具备全栈理解能力，建议面试者不仅要熟记问题，更需深究背后的技术逻辑。
DeepSeek 的 10 万亿美元大战略：技术、算力与国产芯片的未来
本文深入分析了 DeepSeek 如何通过 MLA、MoE、mHC 等一系列底层技术创新，极大幅度降低大模型对 HBM（高带宽内存）和先进 GPU 制程的依赖。文章指出，DeepSeek 的战略并非局限于软件订阅，而是旨在通过算法优化盘活中国产能充足的 NAND 闪存和 LPDDR 产业，以此构建一套独立于西方之外的 AI 硬件生态，最终撬动价值 10 万亿美元的产业巨兽。
Mixture of Experts (MoE): Scaling AI with Specialized Models
文章深入探讨了混合专家模型（MoE），这是一种通过激活特定子网络来高效扩展 AI 模型的架构策略。文章回顾了 MoE 的历史背景，详细解释了其由门控网络和专家组成的结构及稀疏路由机制，并分析了其在 Transformer 中的应用、优势（如高效计算、参数扩展）以及面临的负载平衡和通信开销等挑战。
别再迷信参数量：中国开源模型在硅谷踢馆成功
文章记录了作者利用中国开源模型 MiniMax M2.5（仅 10B 激活参数），通过行为工程和 Goose 运行时的优化，在 Databricks OfficeQA 基准测试中以 71.5% 的准确率击败了 Claude Opus 4.5 的实战经历。文章指出，企业级 AI 的竞争已从单纯的模型参数量转向行为工程与驾驭层能力，并揭示了中美 AI 生态（中国执行引擎+美国编排方法论）结合所产生的高效低成本优势。
大语言模型训练与服务背后的数学原理
本文基于 Reiner Pope 的播客内容，深入剖析了大模型在集群中的运行机制。文章通过 Roofline 分析和 KV Cache 等核心概念，解释了推理延迟、Batch Size、API 定价策略及 MoE 架构背后的物理与经济逻辑，揭示了硬件限制如何塑造 AI 进展。
DeepSeek V4是怎么训练出来的？58页论文深入解读
文章深入解读了DeepSeek V4论文，指出其核心价值在于将百万上下文、Agent原生能力与低价格结合，抬高了AI应用的地板。技术层面，V4通过mHC稳定残差连接，采用CSA+HCA混合注意力机制解决长上下文算力难题，并用Muon优化器替代AdamW。此外，文章还详细介绍了其1.6T参数量的训练稳定性技巧、反AI坍缩的数据构建以及基于“Specialist + OPD”的后训练范式转变。
GLM-5.1、Qwen 3.6 Max 与 Kimi 2.6 国产大模型横向评测与选型指南
文章对 2026 年上半年三款国产旗舰大模型（智谱 GLM-5.1、阿里 Qwen 3.6 Max、月之暗面 Kimi 2.6）进行了深度横向对比。分析涵盖核心技术参数、能力评测及商业定价，指出各模型分别在自主编程、通用全能与长文本协作领域的优势，并针对不同业务场景提供了具体的技术选型建议。
Gemma4 选型指南：8个模型该选哪个？
Google 发布 Gemma4 系列开放权重模型，本文为本地部署选型指南。文章解析了 '-it' 指令微调版与基版的区别，以及 E4B/E2B 移动端优化技术（Per-Layer Embeddings）的原理。针对不同场景推荐模型：本地对话选 26B-A4B（MoE 激活 4B）；写代码选 31B；语音助手选 E4B；树莓派尝鲜选 E2B。
为什么程序员钟爱Codex，Vibe Coding的人却离不开Claude？一文弄懂它！
文章深入探讨了 AI 辅助编程领域中 Codex 与 Claude 的差异化定位。Codex 采用 MoE 架构，以模块化和高精准度成为传统程序员修复 Bug 和重构代码的利器；而 Claude 基于 Dense 架构，凭借全脑激活的细腻逻辑和对自然语言的深度理解，成为“Vibe Coding”用户进行创意原型开发的首选。文章最后建议在实际工作流中混合使用，取长补短。