Merge branch 'main' into lemon1

.github/labeler.yml

@@ -1,8 +1,6 @@
-baize:
-  - "docs/zh/docs/baize/**/*"
-
-buy:
-  - "docs/zh/docs/buy/**/*"
+blogs:
+  - "docs/zh/docs/blogs/*"
+  - "docs/zh/docs/en/blogs/*"
 
 contact:
   - "docs/zh/docs/contact/*"
@@ -16,31 +14,17 @@ dev:
   - "scripts/**/*"
   - ".github/**/*"
 
-dmc:
-  - "docs/zh/docs/dmc/**/*"
-  - "docs/zh/docs/en/dmc/**/*"
-
-dtx:
-  - "docs/zh/docs/dtx/**/*"
-
-ghippo:
-  - "docs/zh/docs/ghippo/**/*"
-  - "docs/zh/docs/en/ghippo/**/*"
-
-insight:
-  - "docs/zh/docs/insight/**/*"
-
-kpanda:
-  - "docs/zh/docs/kpanda/**/*"
+models:
+  - "docs/zh/docs/models/**/*"
+  - "docs/zh/docs/en/models/**/*"
 
 leopard:
   - "docs/zh/docs/leopard/**/*"
+  - "docs/zh/docs/en/leopard/**/*"
 
-monkey:
-  - "docs/zh/docs/monkey/**/*"
-
-news:
-  - "docs/zh/docs/news/**/*"
+open:
+  - "docs/zh/docs/open/**/*"
+  - "docs/zh/docs/en/open/**/*"
 
 zestu:
   - "docs/zh/docs/zestu/**/*"

.github/workflows/main.yaml

@@ -6,16 +6,16 @@ name: deploy-for-main
 on:
   # Triggers the workflow on push or pull request events but only for the main branch
   push:
-    branches: [ main ]
+    branches: [main]
 
   # Allows you to run this workflow manually from the Actions tab
   workflow_dispatch:
 
 env:
-  UCLOUD_PUBLICKEY : ${{ secrets.UCLOUD_PUBLICKEY }}
-  UCLOUD_PRIVATEKEY : ${{ secrets.UCLOUD_PRIVATEKEY }}
-  UCLOUD_REGION : ${{ secrets.UCLOUD_REGION }}
-  UCLOUD_BUCKET : ${{ secrets.UCLOUD_BUCKET }}
+  UCLOUD_PUBLICKEY: ${{ secrets.UCLOUD_PUBLICKEY }}
+  UCLOUD_PRIVATEKEY: ${{ secrets.UCLOUD_PRIVATEKEY }}
+  UCLOUD_REGION: ${{ secrets.UCLOUD_REGION }}
+  UCLOUD_BUCKET: ${{ secrets.UCLOUD_BUCKET }}
   CI: 1
 
 concurrency:
@@ -54,21 +54,29 @@ jobs:
       - run: git clone [email protected]:DaoCloud/mkdocs-material-insiders.git mkdocs-material
       - run: pip install -e mkdocs-material
 
-      # add custom plugin with pdf support
-      # - run: pip install git+https://github.com/SAMZONG/mkdocs-with-pdf-support-material-v8
-
       # build docs
       - run: pwd
       - run: mkdocs build -f docs/zh/mkdocs.yml -d ../../public/
 
-      # upload to ucloud bucket
-      - run: cd public && pwd && python ../scripts/upload-ucloud.py \
-                public_key=$UCLOUD_PUBLICKEY \
-                private_key=$UCLOUD_PRIVATEKEY \
-                region=$UCLOUD_REGION \
-                bucket=$UCLOUD_BUCKET
+      # # upload to ucloud bucket
+      # - run: cd public && pwd && python ../scripts/upload-ucloud.py \
+      #     public_key=$UCLOUD_PUBLICKEY \
+      #     private_key=$UCLOUD_PRIVATEKEY \
+      #     region=$UCLOUD_REGION \
+      #     bucket=$UCLOUD_BUCKET
+
+      # # refresh docs site cdn cache
+      # - run: python scripts/refresh_cdn_cache.py \
+      #     publickey=$UCLOUD_PUBLICKEY \
+      #     privatekey=$UCLOUD_PRIVATEKEY
+
+      # show where am I
+      - run: pwd
+      - run: ls -la
 
-      # refresh docs site cdn cache
-      - run: python scripts/refresh_cdn_cache.py \
-            publickey=$UCLOUD_PUBLICKEY \
-            privatekey=$UCLOUD_PRIVATEKEY
+      - name: Deploy
+        uses: cloudflare/wrangler-action@v3
+        with:
+          apiToken: ${{ secrets.CLOUDFLARE_API_TOKEN }}
+          accountId: ${{ secrets.CLOUDFLARE_ACCOUNT_ID }}
+          command: pages deploy public --project-name=drun-website --branch=production

docs/zh/docs/blogs/0326-compute-power.md → docs/zh/docs/blogs/2024/0326-compute-power.md

@@ -1,6 +1,6 @@
 # 金融行业迎来大模型时代，算力基建成决胜关键
 
-![图片](./images/cp01.png)
+![图片](../images/cp01.png)
 
 为了在金融行业构建自主、安全、稳定、强大的算力基础，「DaoCloud 道客」作为浦发银行科技合作共同体的成员，承办了此次算力与大模型产业研讨会，邀请了金融行业的专家、浦发创新社区成员和大模型行业专家共同交流，探索算力服务的新模式。
 
@@ -20,7 +20,7 @@
 
 在面对银行业算力瓶颈时，一方面可以在满足信创的情况下运用云原生技术来承接 AI 的冲击，另一方面也建议金融企业可以考虑将 **金融与算力基建结合** ，共同拓宽算力赛道，这也不失为是一个值得期待的未来方向。
 
-![图片](./images/cp02.png)
+![图片](../images/cp02.png)
 
 ## 浦发的 “热带雨林”
 
@@ -34,7 +34,7 @@
 
 在实践过程中，我们面临诸多挑战，包括数据私密性和安全性、知识切片方式、算力调度能力、算法优化效果，以及大型模型的幻觉等问题，这些都会影响到最终的效果。然而，智能化的发展道路是明确的。 **面对新事物的出现，我们常常会高估它的短期影响，而低估它的长期发展。** 在 AI 发展的时代浪潮中，我们深感荣幸能与合作伙伴携手并进，在大模型领域不断探索创新。
 
-![图片](./images/cp03.png)
+![图片](../images/cp03.png)
 
 ## 大模型的生命力
 
@@ -46,15 +46,15 @@
 
 徐总表示人的认知其实限制了自身的发展。条条大路通罗马，解决方法不唯一，大模型没有所谓最强，如何让这个模型适应不同的人，让每个人都可以到达罗马才是大模型赋予社会更深的意义。 **大模型的生命力源自于对开放问题的适配，帮助企业在已知中探索更多的未知。**
 
-![图片](./images/cp04.png)
+![图片](../images/cp04.png)
 
 ## 行业化和垂直化是大模型未来方向
 
 四川天府银行的科技研发部负责人沈总给大家带来了分享，在天府与「DaoCloud 道客」合作金融业务容器化的基础上，逐步将天府的科技金融能力升级并与北大合作，研发了 CodeShell 代码大模型。天府通过一个顶尖的人工智能团队，搭配完全自主知识产权的大模型，可以深度定制、私有化部署，满足自有金融的业务理解和场景落地，当优质的公开数据被消耗完了之后， **巨大的企业私有数据更值得被深入挖掘** ，基于企业数据安全、银行合规性、提高大模型效率和可持续性等原因， **大模型行业化、垂直化的深度定制一定会成为未来的发展方向之一** 。
 
 目前 CodeShell 大模型直观的优势在于精通金融知识，且对天府银行所有规章制度和产品管理都很了解，也对于现有银行的客户们非常熟悉，这样的专业性大模型对于企业日常的工作提效是非常明显的。天府银行也希望不断在大模型实践中摸索前行，争取在 AI 时代依然站在前沿。
 
-![图片](./images/cp05.png)
+![图片](../images/cp05.png)
 
 ## 银行信创的自主可控
 
@@ -70,7 +70,7 @@
 宇信科技信创业务部解决方案总监管汉表示：
 **整体架构设计上应用、数据和技术架构需要有对应关系，将复杂的事情拆分成小颗粒，简单化，才能更好的支撑科技金融的业务场景。**
 
-![图片](./images/cp06.png)
+![图片](../images/cp06.png)
 
 ## 圆桌讨论
 
@@ -88,7 +88,7 @@
 蜚语：作为一家专注软件开发和代码安全的企业，我们的视角更关注大模型对于代码的应用，它可以做一些基础的修复和撰写，但目前基于输入的窗口是非常有限，而实际项目的代码行几万甚至几百万，很难直接通过大模型直接输出或者归纳整理。同时，当下大家对于大模型替代人的工作都有一些恐慌，但是当你学会尝试掌握大模型的时候，其实对应了现在大家很流行的一句话：
 **质疑它、理解它，成为它。我们与 AI 关系也会是互相成就。**
 
-![图片](./images/cp07.png)
+![图片](../images/cp07.png)
 
 最后，通过本次大会，「DaoCloud 道客」希望能够更多元、开放的与算力生态圈的同僚们共同搭建一个跨界交流的平台，与各界专家一起深入讨论算力和大模型相关的技术，商业模式和投资机会，相信大家对于 AI 算力大模型的思考远不止这些，如果有更多想法想与我们沟通探讨。欢迎大家来报名参加 3 月 28 日 2024 DaoCloud 算力品牌发布会。
 

docs/zh/docs/blogs/0327-transformer.md → docs/zh/docs/blogs/2024/0327-transformer.md

@@ -2,7 +2,7 @@
 
 > 文章转载自 [AI 科技评论](https://mp.weixin.qq.com/s/Q8PIn0FOuXkOT1TiIOuDaA)
 
-![图片](./images/transformer01.png)
+![图片](../images/transformer01.png)
 
 非 Transformer 面临的共同考验依然是证明自己的天花板有多高。
 

docs/zh/docs/blogs/0403-cp-to-profit.md → docs/zh/docs/blogs/2024/0403-cp-to-profit.md

@@ -15,7 +15,7 @@ hide:
 最近，国家级专精特新“小巨人”企业——上海道客，联合行业伙伴发布了“d.run 算力一体化方案”。这个方案包括上海、合肥等地的算力中心服务，
 算法开发、模型微调等模型开发工具以及智能问答、流程编排等应用开发工具，为用户提供一个 AI 算力生态平台。
 
-[![解放日报头版](./images/profit01.png)](https://www.shobserver.com/staticsg/res/html/journal/detail.html?date=2024-04-02&id=370048&page=07)
+[![解放日报头版](../images/profit01.png)](https://www.shobserver.com/staticsg/res/html/journal/detail.html?date=2024-04-02&id=370048&page=07)
 
 ## AI 基础设施
 

docs/zh/docs/blogs/0407-dbrx.md → docs/zh/docs/blogs/2024/0407-dbrx.md

@@ -7,7 +7,7 @@ hide:
 
 > 转载自 [databricks](https://www.databricks.com/blog/introducing-dbrx-new-state-art-open-llm)
 
-![dbrx blog header](./images/dbrx01.png)
+![dbrx blog header](../images/dbrx01.png)
 
 今天，我们很高兴向大家介绍 DBRX，这是由 Databricks 创建的一种开放的通用 LLM。
 在一系列标准基准测试中，DBRX 在已建立的开放 LLM 中树立了新的技术水平。
@@ -21,7 +21,7 @@ DBRX 可以以每个用户每秒 150 个 tok 的速度生成文本。我们的
 训练 MoE 模型的 FLOP 效率提高了约 2 倍。
 从头到尾，我们的 DBRX 整体配方（包括预训练数据、模型架构和优化策略）可以在几乎 4 倍的计算资源下达到与我们上一代 MPT 模型相同的质量。
 
-![general knowledge infographic](./images/dbrx02.png)
+![general knowledge infographic](../images/dbrx02.png)
 
 图 1：DBRX 在语言理解（MMLU）、编程（HumanEval）和数学（GSM8K）等方面超越了已建立的开源模型。
 
@@ -179,7 +179,7 @@ GPT-3.5 Turbo、GPT-4 Turbo API 的最新版本在一组长上下文基准测试
 Mixtral 是 MoE 模型实现的改进 Pareto 前沿的另一个点：它比 DBRX 更小，因此在质量方面较低，
 但在推理吞吐量方面更高。Databricks 基础模型 API 的用户可以在我们优化的模型服务平台上每秒看到 DBRX 达到 150 个 tok 的速度，使用 8 位量化。
 
-![dbrx inference efficiency ](./images/dbrx03.png)
+![dbrx inference efficiency ](../images/dbrx03.png)
 
 图 2. 在我们优化的服务基础设施上使用 NVIDIA TensorRT-LLM 以 16 位精度进行各种模型配置的推理吞吐量。
 模型在整个节点上以张量并行方式运行。输入提示包含大约 2000 个提示令牌，我们生成 256 个输出令牌。每秒生成一个新的用户。

docs/zh/docs/blogs/0408-after-kimi.md → docs/zh/docs/blogs/2024/0408-after-kimi.md

@@ -8,15 +8,15 @@
 
 问世以来，Kimi 就在不断“吊打”国内各大厂 AI 模型。
 
-![图片](./images/after01.png)
+![图片](../images/after01.png)
 
 根据券商监测数据，截止 3 月 25 日，Kimi 的网页端、APP 端的用户 DAU（Daily Active User，日活跃用户数量）突破历史新高，分别达到了 79 万和 54 万。叠加小程序用户量，全端总 DAU 显著大于 225 万，或已超越百度（BIDU.O/9888.HK）旗下大模型文心一言的 233 万。
 
 而半个月之前，3 月 10 日，Kimi 的全端 DAU 刚刚突破 120 万人。但其实早在 2 月，Kimi 的用户访问量就已达到 305 万，相较 1 月超翻倍增长。
 
 与此同时，百度的文心一言和阿里（BABA.N/9988.HK）旗下的通义千问两大 TOP2 玩家，用户访问量则大幅下滑，降幅分别达到 33.42%与 45.05%。
 
-![图片](./images/after02.png)
+![图片](../images/after02.png)
 
 数据屡破新高下，Kimi 的一举一动也被大厂关注并模仿。
 
@@ -76,13 +76,13 @@ Kimi 的无损长上下文窗口的方案，是在逐字阅读全文后给出答
 
 正如马斯克近日发言，升级技术路线的方法，不是与竞争对手比较，那就太简单了。应是不断挑战物理极限。
 
-![图片](./images/after03.png)
+![图片](../images/after03.png)
 
 超越百度等大厂，或许并非 Kimi 的目标。下一步扩张，月之暗面指向了海外。
 
 目前，月之暗面正在对外招聘国内/国外效果广告设计师。除国内广告平台设计外，这一岗位，还需承担公司产品在海外各大广告平台，如 Google, Meta, Tiktok 等广告创意设计。
 
-![图片](./images/after04.png)
+![图片](../images/after04.png)
 
 同时，月之暗面也在补足运营短板。
 

docs/zh/docs/blogs/0410-cnai-wp.md → docs/zh/docs/blogs/2024/0410-cnai-wp.md

@@ -81,7 +81,7 @@ LLM 在大规模数据集上进行训练，接受一系列可能很长的提示
 
 预测性人工智能旨在预测和分析现有模式或结果，如分类、聚类、回归、目标检测等。而生成性人工智能则致力于创造新的原创内容，例如大型语言模型（LLM）、RAG 等。因此，支持预测性和生成性人工智能的算法和技术可能存在显著差异。
 
-![云原生人工智能](./images/ai01.png)
+![云原生人工智能](../images/ai01.png)
 
 > 图 1 云原生人工智能
 
@@ -106,7 +106,7 @@ LLM 在大规模数据集上进行训练，接受一系列可能很长的提示
 
 图 2 展示了这些支持机制在不同工具和技术之间的对应关系。
 
-![应用工具和技术](./images/ai02.png)
+![应用工具和技术](../images/ai02.png)
 
 > 图 2 应用工具和技术
 
@@ -160,7 +160,7 @@ LLM 在大规模数据集上进行训练，接受一系列可能很长的提示
 
 值得注意的是，云原生人工智能（CNAI）所面临的挑战因用户角色的不同而有所差异。尽管云原生提供的灵活、可扩展平台非常适合承载 AI 工作负载，但 AI 的规模化和延迟要求带来了挑战，同时也揭示了云原生技术中的不足，并为技术创新提供了机遇。我们在端到端的机器学习（ML）管道的背景下审视这些问题，这些问题在文献中通常被称为 MLOps。传统的时间与空间、并行性与同步性的权衡问题再次浮现，暴露出易用性方面的不足。概括来说，机器学习生命周期包括以下几个阶段：
 
-![机器学习生命周期](./images/ai03.png)
+![机器学习生命周期](../images/ai03.png)
 
 > 图 3 机器学习生命周期
 
@@ -456,7 +456,7 @@ OpenLLMetry 是一个基于 OpenTelemetry 构建的项目，为 LLM 的可观测
 
 包括 CNCF、LF AI & Data 在内的多个 Linux 基金会（LF）组织，以及 AI Alliance 等合作伙伴，为 AI 项目提供了一个中心，AI 和云工程师都可以利用。现有工具，如 Cloud Native Landscape，为 CN 生态系统提供了宏观视角。以下图表列出了按功能领域分组的已建立和不断发展的项目。
 
-![机器学习工具与任务思维导图](./images/ai04.png)
+![机器学习工具与任务思维导图](../images/ai04.png)
 
 > 图 4 机器学习工具与任务思维导图
 

docs/zh/docs/blogs/0429-ai-survey.md → docs/zh/docs/blogs/2024/0429-ai-survey.md

@@ -29,7 +29,7 @@ ClearML 北美首席营销官兼总经理 Noam Harel 表示：
 
     部署生成式 AI 的最大担忧是行动过于仓促并且重要事项考虑不足（例如，让错误的商业应用场景优先）。第二个担忧是由于缺乏执行力而进展太慢。
 
-    ![figure 1](./images/survey01.png)
+    ![figure 1](../images/survey01.png)
 
     图 1：96% 的企业计划扩大其 AI 算力
 
@@ -40,7 +40,7 @@ ClearML 北美首席营销官兼总经理 Noam Harel 表示：
     74% 的受访者认为，将算力和调度功能放到一个统一的 AI/ML 平台上是有价值的（而不是将一个个孤立单点方案拼凑成 AI 基础设施技术栈）。
     但只有 19% 的受访者真正拥有支持查看和管理队列中作业并有效优化 GPU 利用率的调度工具。
 
-    ![figure 2](./images/survey02.webp)
+    ![figure 2](../images/survey02.webp)
 
     图 2：74% 的受访者认为将算力和调度功能放到一个统一的的 AI/ML 平台上是有价值的
 
@@ -58,7 +58,7 @@ ClearML 北美首席营销官兼总经理 Noam Harel 表示：
     为了解决 GPU 缺乏的问题，约 52% 的受访者在 2024 年积极寻找低本高效的 GPU 替代品用于推理，而用于训练的这一比例为 27%，这标志着 AI 硬件使用的转变。
     另外，20% 的受访者表示对低本高效的 GPU 替代品感兴趣，但还找不到替代品。
 
-    ![figure 3](./images/survey03.webp)
+    ![figure 3](../images/survey03.webp)
 
     图 3：52% 的受访者表示在 2024 年积极寻找低本高效的 GPU 替代品用于推理
 
@@ -71,7 +71,7 @@ ClearML 北美首席营销官兼总经理 Noam Harel 表示：
     超过一半的受访者计划在 2024 年使用 LLM（LLama 模型和类 LLama 模型），其次是在 2024 年商业化部署嵌入式模型（BERT 和相关模型）（26%）。
     缓解算力挑战对于实现各自的愿望至关重要。
 
-    ![figure 4](./images/survey04.webp)
+    ![figure 4](../images/survey04.webp)
 
     图 4 ：超过一半的受访者计划在 2024 年使用 LLM（LLama 和类 LLama 模型）
 
@@ -83,7 +83,7 @@ ClearML 北美首席营销官兼总经理 Noam Harel 表示：
     有 53% 认为 GPU 资源利用率在 51% 到 70%，只有 25% 认为他们的 GPU 利用率达到 85%。
     而仅有 7% 的企业认为他们的 GPU 基础设施在高峰期的利用率超过 85%。
 
-    ![figure 5](./images/survey05.webp)
+    ![figure 5](../images/survey05.webp)
 
     图 5：15% 的受访者表示可用和已购买的 GPU 中只有不到 50% 在使用
 
@@ -95,7 +95,7 @@ ClearML 北美首席营销官兼总经理 Noam Harel 表示：
 
     几乎所有高管（95%）都表示，拥有和使用外部开源技术解决方案对他们的组织很重要。
 
-    ![figure 6](./images/survey06.webp)
+    ![figure 6](../images/survey06.webp)
 
     图 6：96% 的受访企业目前或计划在 2024 年定制开源模型