搜索
其实 Codex 和 Claude Code 都支持切换模型，咱们直接用 DeepSeek-V4-Flash 来驱动它们就行，量大管饱、不用魔法、也不怕封号。而且现在 DeepSeek 官方已经做了原生适配，接入流程比以前简单多了。
尽管Codex官方是支持第三方模型接入的，但是Codex 走的是 Responses API，而 K3 给的是 OpenAI 兼容的 Chat Completions API，两套协议对不上。所以Kimi 官方给的方案就是本地挂上CC Switch 或 codeproxy 这类第三方的转换器。
不同类型的数据配比如何配置:先通过小规模实验确定最优配比，然后将其应用到大模型的训练中。 Token配比结论：通用知识50%；数学与逻辑25%；代码17%；多语言8%。
我们知道 LLM 是在大规模计算机集群上使用海量数据训练得到的，机器之心曾介绍过不少用于辅助和改进 LLM 训练流程的方法和技术。而今天，我们要分享的是一篇深入技术底层的文章，介绍如何将一堆连操作系统也没有的「裸机」变成用于训练 LLM 的计算机集群。
Diffusion 不仅可以更好地模仿，而且可以进行「创作」。扩散模型（Diffusion Model）是图像生成模型的一种。有别于此前 AI 领域大名鼎鼎的 GAN、VAE 等算法，扩散模型另辟蹊径，其主要思想是一种先对图像增加噪声，再逐步去噪的过程，其中如何去噪还原图像是算法的核心部分。而它的最终算法能够从一张随机的噪声图像中生成图像。