01
DeepSeek 深度研究
解码新一代推理模型
从 MLA 低秩压缩到 MoE 专家路由，从 GRPO 到多词元预测，逐层拆解 DeepSeek 的技术创新。
关注方向
大模型原理与 DeepSeek 架构
Agent 架构与工具调用
本地 AI 基础设施实践
研究方向
向下
LAB正在研究的
正在研究的
方向
三个并行推进的项目，覆盖大模型原理、Agent 架构与本地部署实践。 每一个方向都在回答同一个问题：AI 如何才能真正落地。
02
AI Agent 探索
从工具调用到自主执行
研究 Agent 的 memory、planning、tool use，探索本地化 Agent 的架构与产品化路径。
03
本地 AI 基础设施
双平台实测与部署方案
在 Mac M5 Max 与 Windows RTX 5070 Ti 上跑通 RAG、微调、推理，沉淀可复用的环境方案。
LATEST THINKING从标准 Transformer 到 DeepSeek 的 MLA：
从标准 Transformer 到 DeepSeek 的 MLA：
KV 缓存的另一种解法
为什么 MLA 在 KV 缓存占用更多的情况下仍能带来性能优势？ 我对低秩压缩维度做了推导和本地验证，试图把这个问题讲清楚。
DeepSeek 深度研究/12 min read
查看 DeepSeek 深度研究“MLA 不是减少缓存，而是让缓存中的信息更高效。”
--:--
关注方向：DeepSeek MLA