BriefGPT - AI 论文速递 ·

The Prospects and Risks of Collaborative Code Generation Models: Balancing Effectiveness and Memorization

💡 原文英文，约100词，阅读约需1分钟。

📝

内容提要

本研究探讨了协作训练在代码生成中的有效性及记忆化挑战，发现联邦学习在保护数据隐私的同时，能与集中训练相媲美，但推理阶段仍存在数据泄露风险。建议优化多源数据集以促进跨组织合作。

🏷️

AI原生工程实践：AI工程师与前沿部署工程师如何利用Claude Code、Codex和Gemini进行开发
本文介绍AI原生软件开发生命周期（SDLC）框架，涵盖计划、设计、构建、测试、部署、维护六阶段。核心是通过意图、规格、计划等文档驱动开发，将瓶颈从编码转向...
Airbnb Cuts Authentication Code by 60% with Server Driven Architecture
Airbnb redesigned its authentication architecture around server driven flows ...
Kimi K3 模型结构（9）：显存，把 2.8T 塞进 GPU
本文详解Kimi K3模型训练中的显存优化策略，通过账本形式分析权重、激活等内存占用，并介绍六项关键技术：均衡PP rank激活、统一激活管理器、MoE反...
DeepSeek-V4 模型结构（7）：结构决定系统
DeepSeek-V4模型采用混合压缩注意力（mHC），将KV缓存分为状态缓存和分页缓存，分别管理滑窗KV与压缩条目。上下文并行通过点对点通信和all-g...
DeepSeek-V4 模型结构（6）：优化器与稳定性，Muon
DeepSeek-V4采用Muon优化器，通过谱范数最速下降实现逐矩阵正交化，用Newton-Schulz迭代逼近SVD，混合系数提升小奇异值并精确稳定大...
Kimi K3 模型结构（8）：训练并行，一步训练里谁在等谁
本文介绍Kimi K3模型预训练的并行系统设计，聚焦MoE层expert并行。核心是MoonEP方案：每个rank预留E/R个冗余expert槽位，确保任...