SCOPE：面向大语言模型长序列生成的双阶段KV缓存优化框架
KV缓存是大语言模型（LLM）处理长文本的关键性能瓶颈，现有研究多聚焦于预填充阶段优化，忽视了解码阶段的重要性。本文提出SCOPE框架，通过分离预填充与解码阶段的KV缓存策略，实现高效管理。SCOPE保留预填充阶段的关键信息，并在解码阶段引入滑动窗口等策略，确保重要特征的有效选取。实验表明，SCOPE仅用35%原始内存即可达到接近完整缓存的性能水平，显著提升了长文本生成任务的效率和准确性。
自学记录鸿蒙API 13：实现多目标识别Object Detection
多目标识别技术广泛应用于动物识别、智能相册分类和工业检测等领域。本文通过学习HarmonyOS的Object Detection API（API 13），详细介绍了如何实现一个多目标识别应用，涵盖从项目初始化、核心功能实现到用户界面设计的全过程。重点探讨了目标类别识别、边界框生成、高精度置信度等关键功能，并分享了性能优化与功能扩展的经验。最后，作者总结了学习心得，并展望了未来结合语音助手等创新应用的可能性。如果你对多目标识别感兴趣，不妨从基础功能开始，逐步实现自己的创意。
HashMap源码剖析-put流程
更好地掌握 `HashMap` 的内部实现原理，提高编写高效代码的能力。掌握这些原理不仅有助于优化性能，还可以帮助解决实际开发中的问题。
VSAN数据恢复——开启重删压缩的全闪存VSAN下虚拟机数据恢复案例
VMware VSAN超融合架构，11台服务器节点。每台服务器节点上创建1个磁盘组，磁盘组包括1块PCIe固态硬盘（作为缓存盘）和8-10块SSD（作为数据盘），组成VSAN存储空间来存放虚拟机文件。启用了去重和压缩功能。
一台服务器节点上的一块PCIE缓存盘出现故障，导致VSAN逻辑架构问题。2台虚拟机磁盘组件出现问题，虚拟机无法正常使用。
局域网屏幕监控系统中的Python数据结构与算法实现
局域网屏幕监控系统用于实时捕获和监控局域网内多台设备的屏幕内容。本文介绍了一种基于Python双端队列（Deque）实现的滑动窗口数据缓存机制，以处理连续的屏幕帧数据流。通过固定长度的窗口，高效增删数据，确保低延迟显示和存储。该算法适用于数据压缩、异常检测等场景，保证系统在高负载下稳定运行。
本文转载自：https://www.vipshare.com
云数据库Tair：从稳定低延时缓存到 Serverless KV
本次分享聚焦云数据库Tair的使用，涵盖三部分内容：1) Tair概览，介绍其作为稳定低延时缓存及KV数据库服务的特点和优势；2) 稳定低延迟缓存技术，探讨如何通过多线程处理、优化内核等手段提升性能与稳定性；3) 从缓存到Serverless KV的演进，特别是在AI大模型时代，Tair如何助力在线服务和推理缓存加速。Tair在兼容性、性能优化、扩缩容及AI推理加速方面表现出色，满足不同场景需求。