记录 AI 基础设施、工程实践与持续学习。https://sjmshsh.github.io/https://sjmshsh.github.io/blog/ai-cluster-failure-domains/https://sjmshsh.github.io/blog/ai-cluster-failure-domains/从 GPU、NIC/Rail、Leaf、Spine、PFC/QoS、NCCL 通信组、推理服务和存储八个层面，解释 AI 集群如何限制局部故障的放大范围。Sun, 26 Jul 2026 00:00:00 GMThttps://sjmshsh.github.io/blog/alibaba-production-ai-cluster/https://sjmshsh.github.io/blog/alibaba-production-ai-cluster/从 ASI 超大规模 GPU 集群追踪出发，分析 GPU 碎片、IPC 去碎片、拓扑感知分配、SpotGPU 抢占调度与异构硬件挑战。Tue, 21 Jul 2026 00:00:00 GMThttps://sjmshsh.github.io/blog/compute-network-engineering-five-layer-methodology/https://sjmshsh.github.io/blog/compute-network-engineering-five-layer-methodology/用物理链路、主机拓扑、RDMA 资源、流量控制和性能结果五层模型，串起 ECN、CNP、DCQCN、NCCL 与 MFU 的完整排障因果链。Mon, 27 Jul 2026 00:00:00 GMThttps://sjmshsh.github.io/blog/liang-wenfeng-deepseek-investor-meeting-notes/https://sjmshsh.github.io/blog/liang-wenfeng-deepseek-investor-meeting-notes/提炼一场约 3 小时 44 分钟交流会录音中的核心观点：开源与商业化、AGI 路线、算力瓶颈、国产芯片机会和组织管理。Thu, 23 Jul 2026 00:00:00 GMThttps://sjmshsh.github.io/blog/lpm-1-realtime-digital-actor/https://sjmshsh.github.io/blog/lpm-1-realtime-digital-actor/从 Base LPM 的双音频交错注意力，到 Online LPM 的少步蒸馏、KV Cache、流水线与交互调度，系统拆解实时数字人的模型和推理架构。Sat, 25 Jul 2026 00:00:00 GMThttps://sjmshsh.github.io/blog/multimodal-streaming-inference-gaps/https://sjmshsh.github.io/blog/multimodal-streaming-inference-gaps/从 LPM 1.0 出发，讨论实时多模态推理在 KV Cache、时间线调度、增量预计算、打断恢复与多 Session 公平性上的系统缺口。Tue, 21 Jul 2026 00:00:00 GMThttps://sjmshsh.github.io/blog/rdma-container-slowdown/https://sjmshsh.github.io/blog/rdma-container-slowdown/从 NUMA、GPU-NIC PCIe 拓扑、SR-IOV、MTU、netns、cgroup 和多轨调度七个层面，排查容器化后 RDMA 与 NCCL 性能下降的问题。Mon, 27 Jul 2026 00:00:00 GMThttps://sjmshsh.github.io/blog/sol-video-inference-engine/https://sjmshsh.github.io/blog/sol-video-inference-engine/详解 Sol-Engine 如何以 Agent-native 工作流组合跨步缓存、稀疏注意力、Token 剪枝、量化与 Kernel Fusion，实现视频扩散推理的全栈加速。Fri, 24 Jul 2026 00:00:00 GMT