登录社区云，与社区用户共同成长
邀请您加入社区
在国产算力领域，2026年6月，依托昇腾910C国产AI算力集群，深圳河套学院AI训练平台项目团队联合哈尔滨工业大学（深圳）、深圳市大数据研究院、华为及深智城AI算力平台，成功完成1.6万亿参数DeepSeek-V4-Pro大模型的全参数后训练。在这一背景下，国内算力平台已分化为三条主要路线：大模型API调用平台（按Token计费，适合应用开发）、GPU算力租用平台（按小时租用裸GPU，适合模型训
在鸿蒙（HarmonyOS）生态中，智能推荐能力依托于系统级的与，结合端云协同 AI 架构，实现了从“用户找服务”到“服务找人”的范式转变。开发者可通过接入系统标准体系或构建应用内推荐引擎，实现精准的个性化推荐。
实现图片自动轮播、左右滑动切换，支持指示器、自动播放、循环切换，首页 Banner 必备组件。本地 / 网络视频播放组件，支持播放、暂停、进度拖拽、全屏、静音等媒体能力。点击交互基础组件，支持文字按钮、图片按钮、圆角、背景色、禁用状态。加载本地资源图、网络图片，支持圆角、缩放、占位图、裁剪模式。
推荐系统现已成为互联网服务的核心基础设施，在大规模推荐场景下，特征的高效表示与检索是关键挑战。Embedding技术通过将离散特征映射为低维连续向量，为推荐模型提供了可计算的特征表示。然而，随着数据规模的爆炸式增长，Embedding的存储与实时查询性能成为系统瓶颈。HierarchicalKV为大规模推荐模型提供了高效的Embedding管理解决方案，通过CPU/GPU协同存储架构，在保证高查询
2026年1月12日，DeepSeek发布论文《Conditional Memory via Scalable Lookup: A New Axis of Sparsity for Large Language Models》，提出Engram条件记忆模块，其作为MoE之外一种高效的稀疏扩展方式，可以复用于其他模型，提升推理效率。
在构建大规模AI推理平台的过程中，我们面临两大核心挑战：一是多模型、多实例的部署流程繁琐，手动编写和维护大量Kubernetes YAML文件效率低下且易出错；二是推理服务在运行中可能因资源争用、节点异常等原因发生故障，缺乏自动恢复机制，影响服务连续性。为解决上述问题，我们引入AIBrix作为推理服务编排框架，结合自动化部署脚本与实例级故障重调度能力，实现从“手动部署”到“智能运维”的跃迁。本文将
生成式推荐（Generative Recommendation, GR）作为新一代推荐技术范式，突破了传统协同过滤、深度学习推荐模型的特征交互局限，通过生成式建模实现用户长序列兴趣的精准捕捉，已成为搜广推领域的核心技术方向。
当前头部推荐系统面临万亿级稀疏特征带来的算力与存储压力，传统GPU方案依赖HBM全量承载Embedding，但实际计算中仅约1%特征活跃，导致HBM资源99%闲置。主流方案虽在算子与分布式训练上优化，仍难突破HBM容量瓶颈与调度效率问题。因此，实现稀疏表的高效分层管理、低时延动态调度与NPU协同，成为推动推荐系统向高算力密度、低功耗、可扩展演进的关键。
以实现一个自定义的“Swish”激活函数（环境准备安装asc-devkit工具链，配置昇腾NPU开发环境（如安装驱动、CANN Toolkit）。通过命令创建新算子项目，选择“自定义激活函数”模板。编写算子逻辑@operatorsigmoid_x = 1 / (1 + tensor.exp(-x)) # 调用devkit内置的exp算子devkit自动解析代码，生成昇腾NPU可执行的底层内核代
本文详细介绍了华为昇腾CANN框架下的自定义算子开发技术，通过ReLU算子实例演示了从开发环境配置到性能优化的全流程。重点讲解了向量化指令优化、边界处理等核心实现方法，并提供了编译部署、性能分析等实用技巧。文章强调数据对齐、流水线并行等优化原则，帮助开发者提升算子执行效率。通过掌握这些技术，开发者能更好地释放昇腾硬件性能，满足AI模型部署中的特定需求。
