前一篇文章《Golang并发模型：轻松入门流水线模型》(https://segmentfault.com/a/1190000017142506)，介绍了流水线模型的概念，这篇文章是流水线模型进阶，介绍FANIN和FANOUT，FAN模式可以让我们的流水线模型更好的利用Golang并发，提高软件性能。但FAN模式不一定是万能，不见得能提高程序的性能，甚

\模型导入进unity之后导致其透明部分（或其他问题）失去原有的效果的忽而解决办法：<我这里遇到的是树模型导入unity后导致透明部分材质没有效果,如后期遇到其他模型问题也会后续更新一,当树模型在建模时没问题时，就需要注意了

4月19日，Meta发布了最新的大语言模型LLaMA3，具体包括一个8B模型和一个70B模型，上下文长度支持8K，被誉为史上最强开源大语言模型，开源社区的“重磅炸弹”，效果直指GTP4。在诸多评测任务上，LLaMA3都有非常炸裂的效果。8B模型在多项指标中

检索增强生成(RAG)为大型语言模型赋予访问外部知识库的能力，提升其精准性和实用性。它包含三个步骤：检索、增强和生成。RAG通过向量数据库进行语义搜索，克服了传统关键词匹配的局限性。文章以云计算促进人工智能发展为例，在大模型分发助手平台上演示了RAG的实际流程，包括知识准备、知识切割、向量化、提问、相似度计算、提示词构建和答案生成。RAG的未来在于提升精准性、个性化、可扩展性、可解释性和成本效益，最终实现更深入的知识理解和推理，更自然的人机交互以及更广泛的领域应用。

近期，小米大模型团队通过“XiaomiMiMo”官方公众号发布重磅消息，宣布成立专注推理能力的大模型核心研发团队，并正式推出首款自研大模型XiaomiMiMo，同时实现全面开源。作为一个参数仅为7B的小体量模型，MiMo在数学推理测评集AIME2425及代

4月19日，Meta发布了最新的大语言模型LLaMA3，具体包括一个8B模型和一个70B模型，上下文长度支持8K，被誉为史上最强开源大语言模型，开源社区的“重磅炸弹”，效果直指GTP4。在诸多评测任务上，LLaMA3都有非常炸裂的效果。8B模型在多项指标中

目前，大模型的发展已经非常火热，关于大模型的训练、微调也是各个公司重点关注方向。但是大模型训练的痛点是模型参数过大，动辄上百亿，如果单靠单个GPU来完成训练基本不可能。所以需要多卡或者分布式训练来完成这项工作。