搜尋結果
2024年4月28日 · 近日，香港演唱会上，男演员邀请女粉丝上台亲密互动的视频引起了网络上的热议，现场观众惊声尖叫，场面异常火爆！ 香港一直以来都是亚洲乐坛的中心，吸引了无数歌手和乐迷前往。 在香港举办的演唱会更是备受瞩目，不仅因为演唱会本身的精彩表演，更因为演唱会上与女粉丝之间的亲密互动。 在香港的演唱会上，歌手们总是能够与观众建立起一种特殊的联系。 尤其是与女粉丝之间的互动更加引人注目。 无论是在舞台上跳舞、摇动手臂，还是在台下与女粉丝握手、签名，歌手们总是能够让女粉丝感受到自己被重视和关爱。 这种亲密互动不仅让女粉丝感到开心和满足，也让整个演唱会增添了一份温暖和亲切。 当歌手们走下舞台与观众近距离接触时，整个现场都充满了欢声笑语和激动的氛围。
6 天前 · thirsd. 目录. 结论： 1、使用Qwen1.5的7B和14B模型时，必须选择24G显存以上的显卡。 2、单4090显卡，推荐直接使用 Qwen1.5-7B-Chat 、Qwen1.5-14B-Chat-GPTQ-Int8 、Qwen1.5-32B-Chat-GPTQ-Int4. 2024.5.11 验证 `Qwen1.5-32B-Chat-GPTQ-Int4` 单卡无法启动。 单卡 RTX 4090 上 Qwen1.5-14B-Chat-GPTQ-Int8 的 max-model-len 和 GPU 显存的关系： 3、双4090显卡，推荐直接使用 Qwen1.5-14B-Chat 、Qwen1.5-7B-Chat.
2024年4月24日 · 一位包容的社会民主主义者、爱国者. 最近在抖音上闲逛，遇到了一个奇特的博主。 他的视频内容极为单调和低技术，就是 一张图，配一段文字，再配段音乐 ，就做出来了，而且还有不菲的播放量。 （此人换头像很频繁，我也是在不同日期截的图然后写下此篇文章） 有足足8万粉丝。 突然有一天，我看到他在直播。 当下我心中大奇，这人会直播什么内容？ 然后我点进去，惊呆了。 就他一个人举着牌子在手机摄像头面前站着，就是这种直播内容。 我对抖音的直播礼物情况不了解，但我估计他应该是赚大发了。 究竟是什么人在看直播呢？ 他的直播有点歌功能。 我看了下歌单，差不多明白了，估计观众绝大部分都是中老年人吧。 你以为事情到这就结束了吗？ 不，更抽象的还在后面！ 他的抖音“橱窗”，也就是他在抖音的带货，我点进去一看。
2024年4月23日 · EW Frontier公众号主理人. 文献来源：微信公众号： EW Frontier. 线性预编码概述. 当涉及到多天线无线通信系统时，线性预编码是一种重要的技术，可以提高系统的传输性能。 以下是常见的线性预编码算法（SVD、BD、ZF、SLNR、MMSE）的详细比较仿真分析，包括原理、数学公式以及性能比较。 线性预编码是一种用于多天线通信系统的信号处理技术，旨在通过在发送端对发送信号进行线性组合，以在接收端最大化接收信号的质量，从而提高通信系统的传输性能。 线性预编码是一种相对简单且实用的方法，适用于多种通信场景，如多输入多输出系统、无线通信、广播通信等。 下面将详细介绍线性预编码的原理、方法和应用。
2024年4月23日 · 本章的主要主题是两个信号之间的相关性。 它有一个非常具体的定义，如下所示，它是确定两个信号是否相互“相关”的一种非常有效的方法。 例如，在雷达返回的情况下，从目标返回的脉冲与我们发射的脉冲“相关”。 在此基础上，我们将介绍匹配滤波器的概念，它是雷达和声纳 系统检测机制 的基础。 相关和不相关信号. 在本节中，我们将讨论确定两个不同的信号是否相互关联的问题。 具体来说，给定两个信号x [n]， y [n]，其中n = 0，…，N -1长度相同都为N,我们想要确定一个标准来判断它们是否来自同一来源。 典型的例子是雷达或声纳应用。 众所周知，我们通过发射脉冲 (例如x [n])并检测返回信号来确定目标的距离。 发射和接收之间的时间间隔给出了目标距离的信息。 下图说明了这个问题。 匹配滤波器.
2024年4月27日 · 集中式massive MIMO的特点是：一是有利传输（Favorable Propagation）特性，即有效消除多用户干扰来提升系统性能，并能通过简单的线性信号处理方案实现接近系统上限容量的数据速率；二是信道硬化（Channel Hardening），即降低用户等效信道增益的随机波动，提高传输的可靠性。 2、分布式massive MIMO. 在分布式超大规模天线系统中，大量的天线单元或天线面板作为接入点（Access Point，AP）广泛分布在服务区域，接入点通过回程网络实现相互协作，联合为用户提供数据传输服务，利用超大规模天线的优势获得强大的宏分集增益，解决小区间的干扰问题，同时降低信道阴影效应并提升信噪比和覆盖。
2024年4月20日 · 自己可以感受一下模型的调性，这个很重要，你实测了之后才会非常清晰的知道，这个模型的效果离我们实际的落地场景有多少距离。 分数高不代表就适合你的场景，1个原因，一个是有个别模型在公开的测试数据上过拟合了，另一个就是和你的产品调性可能不一样，你需要更多的场景数据去微调。 举一个例子，字节的模型在角色刻画上是比较突出的，做Chat相关的更适合用这个模型。 快速测试了一些具体的case，总的感受是70B非常强，加之我们可以继续做下游任务微调，8B的可用性也很强。 后面准备在工程上继续做一些开源项目。 会接着更新 Alpaca的中文数据集，希望大家去帮我star一下，也欢迎一起维护一个高质量的中文数据集。 同时基于llama-recipe做一些实际的微调尝试。
