PulseAugur
中
实时 13:20:50
实体 Keda

Keda

PulseAugur coverage of Keda — every cluster mentioning Keda across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
3
90 天内 7
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 0
层级分布 · 90 天
主题
情绪 · 30 天

2 天有情绪数据

最近 · 第 1/1 页 · 共 7 条
  1. TOOL · CL_365075 ·

    作者通过本地 Kubernetes 测试修复了 LLM 自动扩展错误

    作者详细介绍了使用 vLLM 和 Keda 在 Amazon EKS 上自动扩展自托管 LLM 平台 OzAI 的尝试。虽然使用 Terraform 和 Karpenter 准备了基础设施设置,但重点转移到了测试自动扩展逻辑本身。作者使用本地 Kubernetes 集群和 llama.cpp(而非 GPU)进行测试,发现了并修复了自动扩展设计中的一个错误,该设计旨在根据等待请求的数量而不是 CPU 或 GPU 利用率进行扩展。负载测试…

  2. TOOL · CL_351224 ·

    通过 RAG 实现将本地 LLM 的准确性从 1/10 提升到 9/10

    作者详细介绍了他们如何通过实现检索增强生成(RAG)来提高本地托管的 LLM OzAI(运行在 MacBook Pro M1 Pro 上)的准确性。最初,通过 Ollama 和 LiteLLM 提供的 Qwen3 8B 模型 LLM 会给出错误且自信的虚假答案。通过集成 RAG(该技术涉及在生成响应前搜索相关文档),LLM 在一套 10 个评估问题上的表现从 10 个中答对 1 个提高到答对 9 个。作者强调了在 RAG 块中包含源文…

  3. TOOL · CL_292135 ·

    RAG平台扩展解决方案使用事件驱动队列和Spot Compute

    本文详细介绍了一种用于扩展检索增强生成(RAG)平台的事件驱动架构,特别适用于处理大量企业文档。所提出的解决方案使用解耦的异步摄取和基于积压工作的Pod自动扩展(KEDA),在Amazon EKS上利用Spot Compute来高效管理不可预测的流量高峰。该方法旨在通过根据队列深度而不是传统指标来扩展工作Pod,从而平衡高吞吐量与成本节省,避免闲置计算成本和用户因长文档处理积压而产生的挫败感。

  4. RESEARCH · CL_286156 ·

    四个部落与 Kalshi 合作推出预测应用,分裂美国原住民行业

    四个美国原住民部落与领先的事件合约平台 Kalshi 合作推出了预测市场应用。此举标志着美国原住民社区在预测市场问题上出现了分歧,一些部落将其视为新的收入来源,而另一些部落则将其视为对其现有赌场业务的竞争。这些新应用,如 PokkeTrades 和 Sovereign Edge,允许部落参与新兴的预测市场行业,而无需实体博彩设施,为经济自决提供了潜在途径。

  5. TOOL · CL_192538 ·

    通过选择更好的信号修复 vLLM 自动扩缩容抖动问题

    本文解决了 vLLM 自动扩缩容中出现的“抖动”问题,即 Pod 在运行和失败状态之间快速循环,导致成本和延迟增加。作者解释说,这个问题通常源于选择了不合适的自动扩缩容信号,而不是配置不正确。文章详细介绍了通过三个步骤来改进自动扩缩容,即从任意阈值转移到计算阈值,最终实现一个稳定的设计,该设计使用更健壮的信号来防止振荡。

  6. RESEARCH · CL_123830 ·

    中国公司预测2026年上半年利润强劲,市场复苏在望

    多家中国公司公布了2026年上半年强劲的利润预测,预示着积极的经济前景。泛海信息预计净利润增长41.50%至52.32%,而江苏风电子预计增长89.99%至121.65%。其他公司如科达和艾仕顿预计增长更为可观,科达预测增长1006%-1191%,艾仕顿预测增长2144.74%-2593.68%。这些预测的驱动因素包括产品竞争力提升、市场需求复苏以及成本控制措施的加强。

  7. TOOL · CL_71391 ·

    Kubernetes 算子实现 LLM 服务的缩减至零

    新的 Kubernetes 算子正在涌现,以解决运行大型语言模型的成本问题,特别是闲置 GPU 烧钱的问题。Hearth 是一个处于 alpha 阶段的算子,允许用户声明式地服务开源 LLM,并在不使用时将其缩减至零,在冷启动期间缓冲请求。另一种方法是构建一个使用 NVML 的 KEDA 外部扩展器,以实现基于实际 GPU 利用率的自动扩展,从而减少对 Prometheus 等完整指标堆栈的需求。