合成数据是机器根据真实数据和算法生成的，它不包含敏感信息，但可以保留真实数据的特征。合成数据与真实数据之间不存在对应关系，并且不受 GDPR 和 ADPPA 等隐私法规的约束。实际应用中，无需担心隐私泄露的风险。高质量的合成数据还可以应用于数据开放、模型训练与调试、系统开发与测试等各个领域。
特点
高性能：支持多种统计数据合成算法，实现高达120倍的性能提升，无需GPU设备；针对大数据场景进行优化，有效降低内存消耗；持续跟踪学术界和工业界的最新进展，及时推出对优秀算法和模型的支持；通过torch等框架为深度学习模型提供分布式训练支持。
隐私增强功能：SDG支持差分隐私、匿名化等方法来增强合成数据的安全性。
易于扩展：支持以插件包的形式扩展模型、数据处理、数据连接器等
Synthetic Data Generator | #框架
OpenAI发布了新的嵌入模型和API更新，包括两个新的嵌入模型、更新的GPT-4 Turbo预览模型、更新的GPT-3.5 Turbo模型和更新的文本审核模型。
新的嵌入模型包括一个小型高效的text-embedding-3-small模型和一个大型高性能的text-embedding-3-large模型，允许开发者在使用嵌入时权衡性能和成本，特别是可以通过减少嵌入的维数(即从序列的末尾移除一些数字)来实现。 这些模型能够创建最多3072维的嵌入。
OpenAI表示，发送到OpenAI API的数据默认不会被用来训练或改进OpenAI模型。
作为非英语母语者，作者Nuwan Bandara在写科研论文时面临语言障碍。他分享了7个提高写作的技巧。
在写作时遇到词语难点，先留白继续写，初稿允许留白。先写最熟悉的部分，如方法部分。注重绘制漂亮的图表。创建知识文档记录文献要点。
先写简单版本的导言，迭代完善。学习他人文章的写作方式，研读AI生成的文本扩展写作语言谱。
从舒适区开始写作，逐步拓展到其他部分，每部分迭代精炼，保持初稿推进。这些技巧帮助作者进步。
作为非英语母语科研人员，从文章语言结构上学习成功案例很重要，多阅读科研论文，掌握学术写作标准和语言表达。
AI生成的文本如ChatGPT虽不能直接引用，但可以用来优化语句结构，提高学术英语写作水平。
MiniMalloc：专为机器学习模型静态内存分配而设计的先进算法，使用多种新的搜索技巧以高效解决此类问题
它被设计为脚本管道的一部分，将所有内容输出为结构化数据（JSON 或 YAML）。它还具有使对 JSON 端点的调用更容易的基本支持，但预计你会使用jq之类的东西来解析输出。
AsmBB完全用汇编语言编写，并使用SQLite作为数据库后端。这就是为什么它可以在非常弱的托管上工作，同时为大量访问者提供服务，而不会出现滞后和延迟。
由于内部设计和减少的依赖性，AsmBB 是非常安全的 Web 应用程序。但它还支持加密数据库，安全性更高。
另外，AsmBB对运行环境的要求很少：
-x86 Linux 服务器。
-不管32位还是64位。无需任何专门预安装的库。
-最小/最便宜的 VPS 就可以了。共享主机也可以（如果支持 FastCGI）。
-支持 FastCGI 接口的 Web 服务器。AsmBB 已通过 Nginx、Apache、Lighttpd、Hiawatha，当然还有 RWASA 进行了测试。
AsmBB 易于定制和修改 - 它使用非常强大的模板系统，可以轻松定制论坛而无需实际修改代码。（不过这并不难）。
AsmBB | 二进制包 | repo
安装教程：使用 NGINX 和 systemd 安装 | 使用 RWASA 安装
这是一本适合LLM/VLM培训工程师和操作人员的技术材料，包含大量脚本和复制粘贴命令。
ML Engineering Online Book | #机器学习
