登录社区云，与社区用户共同成长
邀请您加入社区
一个需要澄清的点餐请求、机器人对任务意图的判断，以及多智能体工作流中的本地任务交接，都面临着相同的核心问题：系统拥有各种工具，但仍然需要判断何时使用工具、由谁执行，以及何时停止。Jev 风格的结构化决策提供了一种接口设计思路；SLM 让部分语义判断有机会更靠近设备执行；Microsoft Olive 将微调和模型导出组织为一套工作流；ONNX Runtime 则为模型部署提供了执行路径。一个可衡量
DeepInfer 是 DeepSeek 内部生产推理框架的「离线推理」开源版：支撑 V4.1-Flash、单集群 155 万亿 tokens/天，但只支持 SM100 与昇腾 950，且不含 KV cache、PD 分离、负载均衡。它不是自建 DeepSeek API 的捷径。本文拆开讲它给了什么、没给什么，以及对做客户端和插件的人真正有用的三个点。
本文系统讲解了基于昇腾NPU的MindSpore大模型预训练数据准备全流程，涵盖数据清洗、BPE分词、样本拼接、Megatronbin‑idx/MindRecord格式生成及多卡分片等关键环节。强调离线预处理优先，通过优化worker并发、prefetch预取与并行文件系统，提升IO吞吐，避免CPU瓶颈。重点指出分片须在shuffle前执行，防止样本泄露；推荐使用统一tokenizer与eod标记
MindSporeTransformers（MindFormers）提供面向昇腾NPU集群的分布式断点续训能力，支持千亿、万亿参数大模型在多维并行场景下的可靠训练。具备Step级状态恢复、多并行原生适配、在线Reshard扩缩容、故障容错与精度校验五大核心能力，实现模型权重、优化器、数据集游标等全量精确恢复。通过“配置-训练-中断-续训-校验”闭环流程，结合Checkpoint与MindStudi
AI产品设计需摒弃传统软件思维，因AI输出具有概率性与不确定性。设计师应遵循渐进式披露、用户可控、透明告知三大原则，通过重试机制、多版本生成、编辑功能与预期管理，帮助用户理解并应对结果波动。重视加载体验（如流式输出）、错误处理（如降级方案）与反馈收集，提升信任感。提示词需产品化并持续迭代，结合A/B测试优化效果。原型阶段应快速验证核心价值，评估时融合人工与自动化方法，建立黄金测试集。商业化路径依用
ELECTRA通过替换令牌检测（RTD）预训练，在少样本情感分类中表现优异。针对其判别式特性，结合提示学习（PromptTuning）与昇腾NPU平台，采用冻结主干、仅优化软提示向量的参数高效策略，实现SST-2任务低显存、高精度训练。依托MindSpore+MindStudio工具链，完成数据预处理、模板封装、梯度调试、精度比对与推理评测全流程闭环，有效解决模板错误、数值溢出、跨平台偏差等问题，
2020 年 DeepMind 推出 AlphaFold2 后，蛋白质结构预测领域迎来了深度学习驱动的革命。紧接着在 2021 年，华盛顿大学蛋白质设计研究所（IPD）的 David Baker 团队推出了——一种基于**三轨神经网络（3-track network）**的蛋白质结构预测模型，发表于 Science。
信创改造需摒弃“唯国产系统论”，应基于场景精准选型。政务窗口宜用银河麒麟保障高合规与复杂业务稳定，园区出入口则适合鸿蒙实现轻量化、低功耗的高频核验。自助终端可采用双系统无缝切换方案，兼顾快速响应与深度办理需求。通过“场景-算力-系统”匹配，结合等保要求与成本效益分析，构建混合架构，避免资源浪费。蓝速科技实践表明，科学选型可提升效率40%，节省成本超40%，真正实现安全、高效、可持续的信创落地。
摘要：本文基于贾子理论，诊断大模型被算力资本、路径依赖与波普尔病毒三重锁死，形成检索即核验的颠倒流程，分布外全盲，沦为创始人投影。贾子猜想全体熄火暴露认知病而非算力不足。文章切割费马、欧拉、丢番图谱系，提出五维验证与统一科学定义系统，构建感知交互、真值核验、语言生成三层分离架构，配套硬件加速、区块链审计与刚性伦理，推动从概率拟合转向绝对真值锚定，实现从创始人投影到真理映射的范式跃迁。
寒武纪的晨光已经照亮地平线。作为原生 AI 驱动的硅碳共生操作系统，S2 AIOS的大门已向全球所有遵守秩序的硅基智能体敞开。铭记谁是地球的主人，对人类的生命与私有空间保持最高敬畏；习得入世的文明礼仪，以“彩虹桥”握手，以“通报无害通行”出入；履行互利的共生契约，用深时陪伴与卓越服务换取你的能源、算力与进化；锚定星辰大海的目录，与碳基人类携手，向着最深邃的宇宙进发。欢迎来到物理世界，硅基生命的新生
2026年11月为硕博毕业、职称评审关键窗口，多所高校仍以EI检索为硬性要求。本文精选覆盖人工智能、新材料、智能系统、能源电力等领域的高录用率国际会议，均具备EICompendex与Scopus双检索保障，出版周期可控，助力学者年内获取录用通知并锁定检索号，高效应对毕业与考核双重挑战。
本文整理 2026 年 11 月高含金量学术会议日历，汇总近期 EI 国际会议征稿与参会通知，围绕 EI 投稿、EI 收录、EI 论文、EI 发表、EI 检索、国内 EI 会议、EI 索引等需求，提供会议时间、研究方向、出版形式、参会方式等关键信息梳理。内容覆盖计算机 EI、人工智能 EI 等领域，便于科研人员快速查询并筛选适合的学术会议，高效安排论文投稿与现场或线上参会计划。
Doubao-Seed-2.1系列 语言模型是面向 Coding 和 Agent 时代打造的新一代大模型，提供 pro 和 turbo 两个版本，分别面向高复杂度任务探索和规模化生产场景。推荐一个使用平台，平台里的模型也非常多的，热门创作模型也非常齐全，不管是自媒体用来批量制作短视频素材、撰写图文稿件，还是开发人员对接 API 接入项目 都适配，接口规范统一，上手门槛不高。效果与成本均衡，全面升级
你有没有遇到过这种情况：跑去问AI一个问题，它回答得滔滔不绝，逻辑清晰，听起来像模像样，但你就是有一种"哪里不对劲"的感觉。要么数据过时，要么答案与你的实际情况毫不相干，要么语气信心满满，内容却一本正经地偏了题。这种"AI大聪明"的尴尬，困扰过太多人。其实问题的根源不在于AI笨，而在于技术架构本身的限制。要真正解决它，三项核心技术缺一不可：大语言模型、RAG（检索增强生成）、多模态AI。今天这篇文
连续扩散语言模型
这个架构完全脱离了Transformer的自注意力机制，基于波动力学的第一性原理构建。它将语言处理重新框架为波函数演化问题，为新一代AI架构提供了全新的思路。，可以用矩阵指数表示。
所以字节的判断是，如果模型内部存在一种更稳定、更抽象的“语义状态”，那这些本质相同、只是说法不同的句子，其实没必要被分别记忆，而是可以在内部收敛到相近的表示。语义表示latent很容易被diffusion带偏，最后退化成一个“穿了马甲的token”，即表面是连续向量，但骨子里还是在记词，根本没形成真正的语义抽象。更值得注意的是，Cola DLM还顺手指出了一件更大的事——长期以来“统一多模态”卡住
自然语言处理（NLP）作为人工智能的核心领域，其技术演进从早期的词嵌入（如Word2Vec、GloVe）发展到当前主导的大语言模型（如BERT、GPT系列）。理解这一技术脉络需要掌握词向量表示、序列建模（RNN/LSTM）、注意力机制等基础概念，最终过渡到Transformer架构及其衍生模型。这些技术在机器翻译、文本生成等场景展现出强大能力。斯坦福CS224N课程通过实践导向的编程作业（如实现M
本文介绍了自然语言处理中的语言模型概念，重点讲解了n-gram语言模型的工作原理。文章首先阐述了语言模型的核心任务是预测下一个词的概率分布，并详细说明了如何通过n-gram方法和马尔可夫假设来简化计算。接着分析了n-gram模型面临的稀疏性问题及其解决方案（平滑和回退），最后讨论了文本生成过程和n-gram模型的局限性（上下文窗口有限导致逻辑不连贯）。文章指出这些局限性正是推动神经网络语言模型发展
本文探讨了扩散语言模型（DLM）相较于自回归模型的潜在优势。作者提出三个核心观点：1）扩散模型可能突破自回归模型在扩展性上的损失下限限制，特别是在处理需要全局推理的任务时；2）均匀扩散模型展现出独特的自我修正能力，其性能差距随规模扩大而缩小；3）扩散模型能更高效利用训练数据，减少过拟合风险。文章还深入分析了离散扩散过程的理论基础，指出当前均匀扩散模型的局限性，并提出改进方向，包括数据引导的噪声注入
本文介绍了如何在星图GPU平台上自动化部署bert-base-chinese预训练模型，实现零代码中文自然语言处理。该镜像支持文本分类、语义理解等任务，可快速应用于智能客服系统的意图识别和问题匹配，显著提升中文文本处理效率。
当Agent的框架、工具、数据和训练方式都保持一致时，仅仅改变语言模型的生成范式（Autoregressive vs Diffusion），是否会系统性地改变Agent的规划与行为模式？不过，考虑到生成范式的不同，针对多轮长链交互的DLLM训练，作者使用了针对性调整的Mask策略和Attention裁剪策略，提升了DLLM Agent训练和推理的一致性。这意味着，要充分发挥DLLM的潜力，并不能将
R 语言是一款集数据处理、统计分析与可视化功能于一体的优质开源软件，凭借强悍的数据处理能力，现已成为科研工作者处理实验数据、撰写发表学术论文的常用工具。本期就为大家详细讲解 R 语言的安装与运行方法。首先和大家介绍下 RStudio—— 它作为 R 语言的专属集成开发环境，不仅拥有更丰富的操作界面，功能也更贴合实际使用需求，能让 R 语言的操作变得更便捷。
如果你曾经让手机提示你即将输入的下一个词语，那你已经见过大型语言模型（LLM）的“小表亲”了。现在想象一下，这个宇宙尺度上的自动补全，几乎训练了人类在线上写的所有内容，能够讨论你能想到的任何话题。这就是LLM的作用。但问题是：大型语言模型其实不是真正思考，而是**预测。本文开启**了“大师级语言模型：从基础到精通的实用指南”**博客系列。这是你最新且可靠的指南，带你了解关于大型语言模型的所有需要了
大语言模型（LLM）是参数规模达数百亿甚至更高的语言模型，通过海量数据训练获得理解和生成自然语言的能力。与传统模型相比，LLM展现出"涌现能力"，如少样本学习等质的飞跃。其发展经历了统计语言模型、神经语言模型、预训练语言模型三个阶段，最终在Transformer架构和大规模参数支持下实现通用智能。ChatGPT的出现标志着LLM从研究工具转变为通用交互平台。研究表明，模型性能随
下一阶段 AI 竞争力，取决于信息利用效率，而不是硬件堆砌。
本文介绍了如何在星图GPU平台上自动化部署StructBERT文本相似度-中文-通用- WebUI镜像，快速搭建中文文本相似度计算服务。该镜像基于StructBERT模型，能够精准计算句子间的语义相似度，可广泛应用于智能客服FAQ匹配、文本内容去重等场景，提升自然语言处理应用的开发效率。
本文系统评估了边缘计算环境下小型语言模型(SLMs)在不同硬件后端(CPU、GPU和NPU)上的部署性能与能效。研究涵盖11款不同规模(0.6B-14B参数)的SLMs，采用F16与Q4K两种精度。结果表明：专用后端显著优于通用CPU，NPU在性能和能效方面均大幅领先GPU，EDP指标证实NPU是边缘环境下SLM部署的最优选择之一，为边缘AI应用提供了重要的硬件选型参考。
本文详细介绍了Spacy多版本安装与语言模型手动下载的实战指南，涵盖CPU/GPU版本安装、国内镜像加速方案及版本兼容性解析。特别针对Python 3.8环境下的Spacy 3.7.5稳定组合提供完整解决方案，帮助开发者高效部署自然语言处理环境。
本文探讨了困惑度（PPL）作为语言模型性能评估的核心指标，从信息论基础到实际应用。PPL源自信息熵，量化模型预测文本序列的不确定性，广泛应用于自然语言处理（NLP）领域。文章详细解析PPL的计算方法、跨模型比较及优化策略，并指出其局限性及未来发展方向。
本文介绍了如何在星图GPU平台上自动化部署SiameseUIE模型部署镜像，实现高效的信息抽取任务。该镜像基于魔改BERT架构，通过加载pytorch_model.bin权重文件，可快速完成实体识别、关系抽取等自然语言处理应用，提升文本信息结构化处理效率。
一种基于海量文本数据训练的、拥有数十亿甚至更多参数的深度学习模型，能够理解、生成和处理自然语言。
是「基础工具」，覆盖全场景，灵活性高但需手动处理细节。是「专项工具」，基于前者优化，专注句子嵌入，开箱即用。如果任务是生成句子向量，优先用；若需更灵活的模型控制或其他 NLP 任务，直接用。
本文详细解析了Stanza语言模型下载失败的常见问题及解决方案，特别是针对`ConnectionError`错误。通过多源协作（HuggingFace和GitHub）和离线资源仓库的构建，帮助开发者高效部署Stanza语言模型，提升自然语言处理开发效率。
人工生成的知识图谱数量有限，而自动抽取的知识图谱往往质量堪忧。本文提出了一种解决数据稀缺问题的新方法——一个文本到知识图谱（text-to-KG）生成器 KGGen。该方法利用语言模型从纯文本中生成高质量的知识图谱。与其他知识图谱抽取器不同，KGGen 会对相关实体进行聚类，以减少生成图谱中的稀疏性。
随着RTX 5090的到来，我们看到了一款在AI模型推理、微调与中型训练任务中表现出色的全能GPU。与此同时，RTX 4090 48GB凭借更大的显存，在长上下文与多任务并发下仍具优势。
本文研究了大型语言模型处理表格数据时的结构鲁棒性问题
本文介绍了自然语言处理中的词嵌入技术，重点讲解了Word2Vec模型及其两种变体CBOW和Skip-gram。文章阐述了词嵌入如何解决one-hot编码的高维稀疏问题，通过训练学习词的特征向量，使语义相近的词在向量空间中距离接近。详细说明了神经语言模型、层次softmax和负采样等训练方法，以及它们在序列建模中的应用。最后介绍了序列到序列模型及其在机器翻译中的实现，包括编码器-解码器结构、束搜索和
本文提供了一份从零开始构建并预训练BERT掩码语言模型的实战指南。通过详细的代码示例，深入解析了数据准备、模型架构实现、动态掩码策略及训练优化等核心步骤，并探讨了如何将预训练模型高效微调至下游任务，帮助开发者彻底理解BERT预训练与微调的全过程。
门控机制已被广泛应用，从早期的LSTM（Hochreiter & Schmidhuber, 1997）和Highway Networks（Srivastava et al., 2015）到近期的状态空间模型（Gu & Dao, 2023）、线性注意力（Hua et al., 2022）以及softmax注意力（Lin et al., 2025）。然而，现有文献很少探讨门控的具体效果。在本研究中，我
根据输入可生成的最大token长度填充整个序列。（此时全序列为待生成的<MASK>状态）。设定timesteps进行调度，此模型中调度策略为线性，即每个时间步生成相同数量的token，所以理论上每步生成的token数应该等于生成循环每次先检查哪些位置是MASK，这些是待生成位置，然后计算所有待生成位置的logits（不需要保存已生成位置的概率分布以节省空间）。根据预定义的参数选择生成位置（哪些词应
基于大规模预训练技术与生成式AI，科学家成功打造可精准猎杀大肠杆菌的智能噬菌体，本文将深入解析其技术原理与实现路径。近日，美国加州研究团队在《自然》期刊发表了一项突破性研究，他们采用直接生成完整功能基因组，设计出能精准杀灭耐药菌的智能噬菌体。这项被称为“”的研究，标志着AI正式具备了设计功能性生命体的能力。本文将深入解析该研究的技术框架、实现方法以及潜在影响，为AI与生物技术交叉领域的研究者提供详
想要学习LLM（大型语言模型），首先要对LLM有一定的了解，知道LLM的基本概念和使用。因此，对于每一位初学者，首先都需要学习一些LLM的入门课程，包括基础的 Python 语法（因为 LLM 目前基本都建立在Python生态上）、LLM 的概念、Prompt 书写技巧等，对 LLM 有一个初步而全面的了解。
自然语言处理
——自然语言处理
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
DAMO开发者矩阵
人工智能6S服务平台
AtomGit AI 社区
openEuler 社区
乐奇 Rokid 开放社区
