<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title>Bing: Microstudio TypeScript Tutorial</title><link>http://www.bing.com:80/search?q=Microstudio+TypeScript+Tutorial</link><description>Search results</description><image><url>http://www.bing.com:80/s/a/rsslogo.gif</url><title>Microstudio TypeScript Tutorial</title><link>http://www.bing.com:80/search?q=Microstudio+TypeScript+Tutorial</link></image><copyright>Copyright © 2026 Microsoft. All rights reserved. These XML results may not be used, reproduced or transmitted in any manner or for any purpose other than rendering Bing results within an RSS aggregator for your personal, non-commercial use. Any other use of these results requires express written permission from Microsoft Corporation. By accessing this web page or using these results in any manner whatsoever, you agree to be bound by the foregoing restrictions.</copyright><item><title>Sparse Agent 实测一个多月后的两大挑战 | Sparse Agent 经过一个多月的实际测试和体验，目前还有两个较…</title><link>https://www.zhihu.com/pin/2068290543059210721</link><description>Sparse Agent 实测一个多月后的两大挑战 | Sparse Agent 经过一个多月的实际测试和体验，目前还有两个较大的挑战：1. 成本偏高。Sparse Agent 也需要较好的模型，比如 Grok 4.5 与 GPT 5.6 搭配。我大概运行了五六…</description><pubDate>Fri, 13 Nov 2026 01:40:00 GMT</pubDate></item><item><title>分类机器学习中，某一标签占比太大（标签稀疏），如何学习？</title><link>https://www.zhihu.com/question/372186043</link><description>sparse + low rank decomposition: 这种方法可能更适应于 multi-label learning, 学术上常常假设 label matrix 可以分解为 low-rank matrix 和 sparse matrix, 这里的 low-rank matrix 对应 head label, 而 sparse matrix 对应 tail label.</description><pubDate>Wed, 28 Oct 2026 15:57:00 GMT</pubDate></item><item><title>如何理解稀疏主成分分析 (Sparse Principal Component Analysis)?</title><link>https://www.zhihu.com/question/55606589</link><description>变量经过PCA后得到的主成分通常在多个原始变量上都不为 0 $0$ ，这导致进行PCA后的主成分的含义较为模糊，给数据分析带来了一定难度，因此Zou等（2006）提出的一种新的主成分分析方法，稀疏主成分分析（Sparse Principal Component Analysis [1]，SPCA）。</description><pubDate>Mon, 16 Nov 2026 19:52:00 GMT</pubDate></item><item><title>为什么sparse representation比起其它成分分析方法（DFT，Wavelet）能得到更好的效果？</title><link>https://www.zhihu.com/question/24124122</link><description>为什么sparse representation比起其它成分分析方法（DFT，Wavelet）能得到更好的效果？ 众所周知，sparse representation的dictionary是overcomplete的，如果对训练信号得到一组合适的dictionar… 显示全部 关注者 487</description><pubDate>Mon, 16 Nov 2026 05:04:00 GMT</pubDate></item><item><title>MiniMax M3架构细节泄露，采用的MiniMax Sparse Attention设计如何？</title><link>https://www.zhihu.com/question/2043037961705587406</link><description>看到网传MiniMax M3架构路透，它采用了一套基于分块（Block）的新型稀疏注意力（Sparse Attention）方案…</description><pubDate>Wed, 18 Nov 2026 01:49:00 GMT</pubDate></item><item><title>解析一下GLM5的DSA稀疏注意力原理？ - 知乎</title><link>https://www.zhihu.com/question/2010297958403421684</link><description>📌 智谱AI发布的GLM5在架构上的最大创新就是使用了DeepSeek的 稀疏注意力技术 DSA（DeepSeek Sparse Attention），这个技术是在DeepSeek的 MLA 上进行的拓展。 🎯 今天来保姆级拆解 GLM5的DSA源代码，从0手撕MLA/DSA，了解为什么这一技术能极大降低 推理成本。</description><pubDate>Thu, 12 Nov 2026 16:15:00 GMT</pubDate></item><item><title>美团开源万亿参数大模型 longcat-2.0，将对大模型领域和 AI 行业产生哪些影响？ - 知乎</title><link>https://www.zhihu.com/question/2055252813568119737</link><description>这恰恰是LongCat-2.0做的事。 它引入了 LongCat Sparse Attention（LSA），官方明确说这是DeepSeek Sparse Attention（DSA）的演进版，并把改进策略扩展到了3-step Multi-Token Prediction模块用来加速投机解码。</description><pubDate>Fri, 13 Nov 2026 15:59:00 GMT</pubDate></item><item><title>如何评价美团发布 LongCat-2.0 大模型，总参数规模 1.6 万亿？可能会对行业产生哪些影响？ - 知乎</title><link>https://www.zhihu.com/question/2055575799059538555</link><description>新京报贝壳财经讯（记者陈维城）6月30日，美团正式发布新一代基础大模型LongCat-2.0。依靠国产算力完成训…</description><pubDate>Fri, 13 Nov 2026 15:09:00 GMT</pubDate></item><item><title>稀疏（sparse）在机器学习中很重要吗？为什么？ - 知乎</title><link>https://www.zhihu.com/question/38286385</link><description>深度学习论文中经常看到"sparse"，所以应该是重要的概念，但一直不理解很困惑； 刚才在quora上的回答感觉很有帮助，尝试总结以下： sparse 代表数据为0，sparse数据的存在让不为0的dense数据聚集在一起； 因为存在数据聚集效应，所以才能学到特征和规律； 如果数据维度很高，噪音很多，原本为0的 ...</description><pubDate>Mon, 16 Nov 2026 03:10:00 GMT</pubDate></item><item><title>如何看待8月26日阿里通义千问发布的Qwen3.8-Flash-Next模型？</title><link>https://www.zhihu.com/question/2076062310221747473</link><description>2026年8月26日，Qwen团队发布Qwen3.8-Flash-Next的开源权重与架构技术报告。该模型是一个稀疏混合专家模…</description><pubDate>Wed, 18 Nov 2026 15:46:00 GMT</pubDate></item></channel></rss>