LoRA实战：用2%的训练成本释放大语言模型的全部潜力
深入解析LoRA低秩适配原理与实战，覆盖数学直觉、完整代码实现、QLoRA优化、多任务适配器切换，以及真实基准测试对比分析。
LLM
大语言模型推理优化：KV Cache管理与投机解码的协同架构
深入剖析大语言模型推理优化核心技术：KV Cache的PagedAttention分页管理、投机解码的数学原理与Drafter策略权衡、两者协同架构设计（Mooncake等前沿方案），展望全局缓存池共享与记忆化推理未来方向。
大语言模型推理部署实战：从vLLM到SGLang的生产级优化之路
深入剖析大语言模型推理部署核心技术：PagedAttention原理、Continuous Batching机制、KV Cache优化策略，对比vLLM/SGLang/TGI/TensorRT-LLM四大框架，详解生产环境硬件选型、量化调优与最佳实践
LoRA微调实战：用低成本打造专属大语言模型的完整指南
深入解析LoRA（低秩适配）的数学原理与实战流程，从环境搭建到训练代码完整呈现，涵盖QLoRA量化微调、LoRA合并导出、DoRA进阶技巧以及多GPU分布式训练方案。
参数高效微调实战：LoRA、QLoRA与Adapter在大语言模型中的工程权衡
深入解析LoRA低秩适配、QLoRA量化微调与Adapter插入三种参数高效微调方法的核心原理、工程实现与场景权衡，附实战避坑指南
大语言模型推理部署实战：从vLLM到TensorRT-LLM
深入拆解LLM推理部署全链路技术栈，涵盖KV Cache管理、Continuous Batching、量化技术、投机解码等核心优化手法，对比vLLM、TensorRT-LLM、TGI、llama.cpp、SGLang等主流框架，包含生产环境部署架构设计与性能调优实战。
LLM推理加速深度实战：从KV Cache到推测解码、Paged解码与量化的系统工程
深度拆解大模型推理优化的四大核心方向：PagedAttention显存管理、Speculative Decoding加速自回归解码、AWQ/GPTQ量化压缩、以及Continuous Batching调度策略，附实测数据对比和工程选型指南。
LLM推理优化全栈实战：从PagedAttention到TensorRT-LLM
LLM推理优化全栈实战：PagedAttention显存管理、Continuous Batching调度、GPTQ/AWQ/FP8量化、投机采样、FlashAttention、张量/流水线并行、vLLM与TensorRT-LLM部署、生产架构设计
大模型推理优化的工程实践：从 KV Cache 管理到量化部署的深度解析
深入解析大模型推理优化的五大核心技术：KV Cache 管理策略、连续批处理调度、模型量化压缩（GPTQ/AWQ/FP8）、推测解码算法以及硬件感知部署架构设计
LLM推理部署：从模型压缩到高性能服务架构实战
深度解析大语言模型推理部署全链路技术：量化、投机采样、推测解码、张量并行、vLLM/TensorRT-LLM/SGLang对比、KV Cache优化，全由九大章节组成
