BriefGPT - AI 论文速递 ·

利用网络度量探索底层移动模式的社群结构

💡 原文中文，约300字，阅读约需1分钟。

📝

内容提要

本文使用近似位置数据集构建了代表城市内移动模式的网络，采用模块化优化算法和聚类技术来识别社区，结果表明将社区检测算法与分离工具相结合，提供了对工作时间内复杂分离地理的新认识。

🏷️

DeepSeek-V4.1 模型结构（2）：序列维度（中），CSA2 的三种模式
DeepSeek-V4.1 的 CSA2 通过跨层共享压缩全局 KV，将 KV cache 从每 token 5.41 条降至 2.5 条。每层全局注意力...
知识库的结构：素材、流程、案例三分
该文本仅为付费阅读和登录提示，无实质文章内容，无法总结。
DeepSeek-V4.1 模型结构（8）：KV cache 的管理与 SWA Bounded Replay
DeepSeek-V4.1为降低长上下文agent负载成本，将滑窗KV从SSD移至主机内存池，仅保留几分钟；全局KV仍存SSD至少72小时。滑窗KV丢失后...
DeepSeek-V4.1 模型结构（7）：输入端与优化器
DeepSeek-V4.1在主干外有两处改动。视觉端：自研DeepSeek-ViT从零训练，采用2D-RoPE、RMSNorm、SwiGLU，经3×3 p...
DeepSeek-V4.1 模型结构（6）：解码，DSpark
DeepSeek-V4.1 的 DSpark 是在主干模型后挂载的三层草稿模块，一次前向生成 5 个草稿 token：Markov head 补充 tok...
DeepSeek-V4.1 模型结构（5）：记忆，Engram
DeepSeek-V4.1 在第1、14层引入 Engram 条件记忆：按 token 的 2/3/4-gram 哈希查表，用中国剩余定理以 8 个头区分...