https://modelscope.cn/models/Qwen/Qwen3-32B

部署时，您可以使用 sglang>=0.4.6.post1 或 vllm>=0.8.4 或创建一个与 OpenAI 兼容的 API 端点：

展开代码
SGLANG_USE_MODELSCOPE=1 python -m sglang.launch_server --model-path Qwen/Qwen3-32B --reasoning-parser qwen3

展开代码
VLLM_USE_MODELSCOPE=1 vllm serve Qwen/Qwen3-32B --enable-reasoning --reasoning-parser deepseek_r1

我爱用VLLM+Docker+不要reasoning：

展开代码
# 下载镜像
docker pull vllm/vllm-openai:latest

# 下载模型
modelscope download Qwen/Qwen3-32B --local_dir ./Qwen/Qwen3-32B

# 启动服务
docker run -d --gpus '"device=0,1,2,3"' \
    -v /data/xiedong/Qwen/Qwen3-32B:/model \
    -p 8028:8000 \
    vllm/vllm-openai:latest \
    --model /model --gpu_memory_utilization=0.9 --tensor-parallel-size 2 --data_parallel_size 2 --pipeline-parallel-size 1 --max-model-len 10000 --served-model-name gpt
    
    
# 启动服务2
docker run -d --gpus '"device=4,5,6,7"' \
    -v /data/xiedong/Qwen/Qwen3-32B:/model \
    -p 8028:8000 \
    vllm/vllm-openai:latest \
    --model /model --gpu_memory_utilization=0.9 --tensor-parallel-size 1 --data_parallel_size 4 --pipeline-parallel-size 1 --max-model-len 10000 --served-model-name gpt
    
    
# 启动服务3
docker run -d --gpus '"device=2,3"' \
    -v /ssd/xiedong/Qwen/Qwen3-32B:/model \
    -p 8077:8000 \
    vllm/vllm-openai:latest \
    --model /model --gpu_memory_utilization=0.9 --tensor-parallel-size 1 --data_parallel_size 2 --pipeline-parallel-size 1 --max-model-len 10000 --served-model-name gpt

要reasoning的话，run 要加入--enable-reasoning --reasoning-parser deepseek_r1

请求：

展开代码
curl -X POST "http://10.136.19.27:8028/v1/chat/completions" \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt",
    "messages": [
      {
        "role": "user",
        "content": "你是谁？"
      }
    ],
    "temperature": 0.7,
    "top_p": 0.8,
    "top_k": 20,
    "max_tokens": 4096,
    "presence_penalty": 1.5
  }'

考虑效率，不需要思考就加上"chat_template_kwargs": {"enable_thinking": false}

展开代码
curl -X POST "http://10.136.19.27:8028/v1/chat/completions" \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt",
    "messages": [
      {
        "role": "user",
        "content": "你是谁？"
      }
    ],
    "temperature": 0.7,
    "top_p": 0.8,
    "top_k": 20,
    "max_tokens": 4096,
    "presence_penalty": 1.5,
    "chat_template_kwargs": {"enable_thinking": false}
  }'

使用 Ziegler-Nichols 法进行 PID 参数整定：实践指南

PID（比例-积分-微分）控制器广泛应用于工业控制中。虽然其结构简单，但如何选择合适的比例增益 $K_p$、积分时间 $T_i$ 和微分时间 $T_d$ 是实现良好控制性能的关键。本文将详细介绍一种经典且实用的 PID 参数整定方法——Ziegler-Nichols 法。

基于MQTT的设备监控与控制系统设计

引言

物联网(IoT)设备的远程监控与控制是现代智能系统的基础需求。本文将介绍一个基于MQTT协议的设备监控与控制系统，该系统由两部分组成：模拟单片机设备和PyQt客户端。我们将详细讨论系统的设计思路、代码实现以及实际应用场景。

之前博客介绍了如何搭建EMQX：https://www.dong-blog.fun/post/1963

本博客在 EMQX 中配置规则将数据写入 MySQL，可以通过 规则引擎 + 数据桥接 实现。以下是详细步骤：

论文：https://arxiv.org/pdf/2407.17490 https://github.com/YuxiangChai/AMEX-codebase/tree/main/data_utils https://huggingface.co/datasets/Yuxiang007/AMEX

AMEX数据集包括三个层次的注释：

1. GUI交互元素定位 ：

• 分类两类交互元素：可点击元素和可滚动元素。

2. GUI屏幕和元素功能描述 ：

• 使用GPT生成屏幕和元素的功能描述，并进行人工检查以确保准确性。

3. 复杂自然语言指令与GUI动作链 ：

• 每条指令平均包含12.8个步骤的动作链，显著高于现有数据集。

在 Ubuntu 22.04 上，我们经常需要查看当前的网络带宽占用情况，尤其是下载大文件时，了解实时的下载速度可以帮助我们判断网络状况或管理下载任务。本文将介绍几种简单有效的方法来监控 Ubuntu 22.04 的下载带宽，包括终端工具和图形界面方案。

为什么极点在左半平面（LHP）系统就会稳定？

在控制系统中，极点的位置决定了系统的动态响应和稳定性。具体原因如下：

1. 时域响应分析： • 对于连续时间系统，传递函数的极点 $p_i$ 对应的时域模态为 $e^{p_i t}$。

   • 若极点 $p_i$ 在左半平面（LHP）（即 $\text{Re}(p_i) < 0$），则 $e^{p_i t}$ 会指数衰减，系统最终趋于稳定。

   • 若极点 $p_i$ 在右半平面（RHP）（即 $\text{Re}(p_i) > 0$），则 $e^{p_i t}$ 会指数发散，系统不稳定。

   • 若极点在虚轴上（$\text{Re}(p_i) = 0$），则系统处于临界稳定（如持续振荡）。

2. 稳定性判据： • BIBO稳定性（有界输入有界输出）：所有极点必须在左半平面。

   • Lyapunov稳定性：对于线性系统，LHP极点等价于渐近稳定。

LQR控制原理与倒立摆系统实践指南

一、问题背景：惯性轮倒立摆控制 我们面对的是一个典型的欠驱动系统——惯性轮倒立摆（Inertia Wheel Pendulum）。系统通过控制惯性轮电机产生反扭矩来维持摆杆竖直平衡。系统参数如下：

配置

构建新的镜像：

展开代码
docker build --network=host --build-arg http_proxy=http://10.136.19.26:10828 --build-arg  https_proxy=http://10.136.19.26:10828 -f Dockerfile -t kevinchina/deeplearning:vlmr1-0501 .

# 进容器装环境：
apt-get update
apt-get install libibverbs1

pip config set global.index-url https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple
pip install babel python-Levenshtein matplotlib pycocotools timm==1.0.15

# Addtional modules
pip install wandb==0.18.3
pip install tensorboardx
pip install qwen_vl_utils torchvision
pip install flash-attn --no-build-isolation
pip install babel
pip install python-Levenshtein
pip install matplotlib
pip install pycocotools
pip install openai
pip install httpx[socks]

pip install json_repair

展开代码
docker commit 4411ba9deb19 kevinchina/deeplearning:vlmr1-0501-1

在MATLAB中，将状态空间模型转换为传递函数可以通过以下步骤完成：

方法一：使用 ss 和 tf 函数

1. 定义状态空间矩阵：

   matlab
   展开代码
   A = [...];  % 状态矩阵
   B = [...];  % 输入矩阵
   C = [...];  % 输出矩阵
   D = [...];  % 直接传输矩阵
   

2. 创建状态空间对象：

   matlab
   展开代码
   sys_ss = ss(A, B, C, D);
   

3. 转换为传递函数：

   matlab
   展开代码
   sys_tf = tf(sys_ss);
   

4. （可选）约简传递函数（消除共同零极点）：

   matlab
   展开代码
   sys_tf = minreal(sys_tf);