2026

• 2026/07/03LLM 系列 (十三)：RAG，大模型如何连接外部知识
• 2026/07/02LLM 系列 (十二)：预训练数据工程：大模型的燃料是如何炼成的
• 2026/07/01LLM 系列 (十一)：长上下文：大模型如何读懂更长的信息
• 2026/06/30LLM 系列 (十)：推理模型：大模型如何从回答走向思考
• 2026/06/29LLM 系列 (九)：推理服务：大模型如何高效生成 Token
• 2026/06/28LLM 系列 (八)：分布式训练：千卡集群如何训大模型
• 2026/06/27LLM 系列 (七)：后训练与对齐：从续写器到协作者
• 2026/06/26LLM 系列 (六)：预训练的本质：从预测下一个 Token 到通用能力
• 2026/06/24LLM 系列 (五)：Dense 与 MoE，大模型如何从全量计算走向稀疏激活
• 2026/06/23LLM 系列 (四)：Transformer 架构篇：大模型为什么选择了 Transformer
• 2026/06/22LLM 系列 (三)：算法原理篇：机器是如何学会语言的
• 2026/06/21LLM 系列 (二)：机器如何把语言变成数学
• 2026/06/19LLM 系列 (一)：从 AI 到 LLM

2020

• 2020/10/31Stateful Serverless 背后的 Flink StateFun 内部机制实现【译】
• 2020/10/25Flink StateFun 2.0 浅谈
• 2020/08/02Kubenetes 之新手入门篇
• 2020/04/16浅谈 CPU 分支预测技术
• 2020/03/20Flink 基于 MailBox 实现的 StreamTask 线程模型
• 2020/03/15Flink TaskManager 详解（一）

2019

• 2019/12/27Flink JobManager 详解