登录社区云，与社区用户共同成长
邀请您加入社区
这篇文章最重要的观点是：评价大语言模型时，不能只警惕“把模型看得太像人”，也要警惕“因为模型不像人就否认它的能力”。模型的失败可能来自辅助任务要求、测试时计算瓶颈或内部机制干扰；模型的成功也不必因机制不同于人类而被贬低。更公正的评价方式，是把行为实验和机制研究结合起来，逐步建立适合机器智能自身特点的能力评价框架。如果说 QRA 论文是在提醒我们“评价结果要量化、可比较、可复现”，那么这篇文章是在提
就像你的电脑有 CPU（模型能力），但光有 CPU 什么都干不了——你需要操作系统来管理文件、调度程序、连接外设。：Prompt Engineering 是在"调教马的性格"，Harness Engineering 是在"给马配装备"。Prompt 可以被模型"忘记"或"忽略"，但系统级约束不可绕过。：没有沙箱，Agent 就像一匹没有围栏的马——它可能"吃掉"你的整个硬盘。：给马挂上工具包，里面
26年1月来自同济大学和电子科技大学（成都）的论文“Towards Generalist Embodied AI: A Survey on World Models for VLA Agents”。视觉-语言-动作（VLA）模型是迈向通用具身人工智能的关键里程碑。然而，它们通常难以精确捕捉物理动态、验证计划的可执行性以及克服数据稀缺性。为了解决这些局限性，世界模型被引入作为未来预测器，它融合了丰富
26年2月来自普渡大学的论文“ Formal Methods in Robot Policy Learning and Verification: A Survey on Current Techniques and Future Directions”。随着硬件和软件系统复杂性的不断增长，形式化方法（FM）已成为不可或缺的工具，用于严格定义可接受的行为、合成符合这些规范的程序以及验证现有程序的正
开源大语言模型的发展速度确实令人瞩目。然而，现有文献中描述的缩放法则呈现出不尽相同的结论，这为大规模语言模型的扩展蒙上了一层阴影。我们深入研究了缩放法则，并针对当前广泛使用的7B与67B两种开源配置，提出了我们独特的发现，以促进大规模模型的扩展。在缩放法则的指导下，我们推出了DeepSeek LLM项目，这是一个致力于从长远视角推进开源语言模型发展的计划。为支持预训练阶段，我们构建了一个目前包含2
Kimi K2.6深度体验报告：编码利器还是高价玩具？ Kimi K2.6凭借30%的响应速度提升和强大的长程编码能力引发热议，但其较高成本让许多用户观望。实测显示，在CodeBuddy中，K2.6能1小时完成全栈项目开发，前端一键生成页面，后端自动处理认证与存储，代码质量接近可直接部署。相比K2.5，它在复杂工程（如本地模型部署）中表现更优，吞吐量提升超10倍。然而，15元/百万token的定价
目前个人团队或团队在自行部署和使用智能体的过程中，普遍面临三大痛点，导致使用成本极高：
如果你用过 RAG 系统，大概率遇到过这种情况：明明知识库里明明有正确答案，系统就是答不对。问题不在模型不够大，也不在数据不够多——而是**知识图谱**里堆满了"**正确的废话**"。
在个性化医疗预测中，准确识别各项医疗特征（如不同的诊断代码）之间的内在联系对于提取病人的健康模式至关重要。这篇论文针对现有深度学习模型在医疗数据稀疏、样本有限的情况下难以自动学习到有效特征关联的问题，创新性地提出了一种利用大语言模型作为知识库来推理特征间定量相关性的思路。研究团队开发了名为 DearLLM 的新型框架，该框架通过计算大语言模型在特定病人背景下的推理困惑度，精确地捕捉并学习医疗特征间
视觉语言模型技术解析：从图像编码到多模态对齐 本文系统剖析了视觉语言模型(VLM)的核心技术原理，聚焦图像如何被语言模型处理的关键问题。文章指出VLM并非简单给LLM"添加视觉功能"，而是构建了一套完整的视觉表征和对齐机制。核心要点包括： 图像需先经视觉编码器(如ViT/CLIP)转换为视觉token序列，而非直接输入LLM； 视觉token数量由图像分辨率和patch siz
《一文读懂大模型的14个核心概念》摘要 本文用生活化类比生动解释了大模型的核心概念：预训练如同"上小学"打基础，微调像"专业进修"；提示词是精准点单技巧，上下文是记忆对话的能力；参数决定"脑容量"，幻觉则是AI的"记忆错乱"；Transformer是大脑皮层，Token是文字积木块。文章还介绍了MoE专家分工系统、RA
我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。✅从入门到精通的全套视频教程✅AI大模型学习路线图（0基础到项目实战仅需90天）✅大模型书籍与技术文档PDF✅各大厂大模型面试题目详解✅640套AI大模型报告合集✅大模型入门实
本文为程序员提供大模型领域转行指南，涵盖目标定位、知识体系构建和实践路径。首先建议明确开发、应用、研究或工程等方向；其次需掌握Python、PyTorch等工具及数学基础；重点学习Transformer架构、预训练微调等核心技术。通过文本分类、机器翻译等项目实践，并参与Hugging Face等开源社区积累经验。推荐Coursera课程、《深度学习》等书籍及arXiv论文作为学习资源。职业发展建议
去 GitHub 找高星 RAG、Agent 项目在本地跑通，刻意调整分块大小、更换弱 Embedding 模型，摸清检索失效的原因。线上场景最忌讳幻觉、响应延迟、工具调用异常，提前踩过这些坑，面试时讲一个真实实战案例，比背十遍概念都管用。我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家
小米开源多模态模型MiMo-V2.5系列，包含基础版和Pro版，采用MIT许可。Pro版在GDPVal-AA测试中得分1581，超越竞品，并展示了完成复杂任务的能力：4.3小时编写Rust编译器、11.5小时开发视频编辑器等。模型采用MoE架构，支持百万级上下文，token效率优于Claude和GPT。小米推出四档Token计划，价格具竞争力。开发者评价其擅长构思和研究，但部分用户认为响应速度较慢
大语言模型（LLM）的工作原理可以简化为一个"文字接龙"循环：首先将输入文本拆分成Token并转换为数字ID，经过Transformer层的词嵌入和自注意力处理理解上下文，然后预测下一个最可能的Token，将其拼接到输入序列后继续循环预测，直到生成完整回复。整个过程通过不断预测"下一个字是什么"实现，本质是自回归生成。这种机制让LLM能够处理各种复杂任务，而
摘要：本文用通俗易懂的语言拆解了20个核心AI概念，帮助初学者理解人工智能的基本原理。文章从神经网络、迁移学习等基础概念讲起，详细介绍了Transformer架构及其关键组件（如分词、嵌入和注意力机制），并深入解析了大语言模型（LLM）的工作原理。此外，还涵盖了上下文窗口、温度参数、幻觉现象等实用知识，以及微调和RLHF等训练优化技术。全文摒弃专业术语和复杂公式，通过生活化比喻和直观示例，让读者轻
2026年AI技术发展催生大模型应用开发工程师成为核心岗位，需求量激增14倍。本文系统梳理该岗位技能体系：核心技术栈需掌握Python高级特性、主流AI框架及Prompt工程；开发流程涵盖场景分析、数据处理到模型评估；工程化能力要求部署架构设计与性能优化。职业发展分为4个阶段，从基础开发到系统架构。行业趋势显示多模态融合、Agent生态和边缘计算将成为重点。文章为从业者提供了清晰的技术路径和发展方
大模型赛道职业发展指南：算法岗并非唯一选择 摘要：本文为大模型领域从业者提供职业规划建议。文章指出，大模型赛道虽热门，但算法岗位竞争激烈，建议关注四大方向：数据工程、平台开发、应用实现和部署优化。强调数据敏感度和垂直领域经验比调参能力更重要，推荐根据学历背景选择不同发展路径（大厂实习/中小厂积累/内部转岗）。特别提醒传统技术从业者不必恐慌，建议将现有技术与AI结合而非完全转行。最后提供大模型学习资
Java开发者转型大模型开发的三阶段路径：1）掌握Python基础与Prompt工程；2）运用架构思维搭建LangChain框架并部署模型；3）打造差异化项目经验。文章强调工程思维优势，指出大模型开发处于红利期，Java背景者转型具有竞争力，同时提供完整学习资料清单，建议重点突破工程实践而非理论数学。
《LLaMA-Adapter：基于零初始注意力的高效语言模型微调方法》提出了一种轻量级大模型微调方案，通过引入可学习的Adaption Prompts和创新的Zero-Initialized Attention机制，有效解决了传统微调方法的高计算成本和灾难性遗忘问题。该方法仅需训练少量参数即可实现下游任务适配，并通过零初始化门控因子逐步注入任务知识，保持预训练模型的核心能力。此外，LLaMA-Ad
《大模型赋能行业智能化转型：2026年AI应用展望》指出，大模型凭借语义理解、逻辑推理和内容生成能力，正成为AI发展的核心载体。当前豆包等通用大模型已在医疗、教育等领域实现规模化应用，主要承担重复性任务处理。随着技术迭代，预计2026年大模型将适配更多行业基础需求，其应用范围将持续扩大。值得注意的是，AI人才需求呈现爆发式增长，2025年前10个月新发岗位同比增长543%，技术复合型人才薪资溢价显
DeepSeek V4是深度求索公司2026年4月发布的第四代开源大语言模型，采用MoE架构，总参数达1.6万亿（Pro版）/2840亿（Flash版），原生支持100万token上下文。该模型通过mHC注意力机制、Engram记忆架构和DSA稀疏注意力三大创新技术，显著提升了模型性能与推理效率，并实现了在国产算力上的高效运行。V4提供三种推理模式（非思考/思考/专家），在长文本处理、代码生成等领
AI大模型入门必读12本好书推荐 涵盖GPT、Transformer、AIGC、LangChain等核心技术，适合深度学习初学者及研究生。书单包括《基于GPT-3的自然语言处理》《大模型应用开发极简入门》《大语言模型》等，从基础理论到实战开发，结合案例详解大模型技术。内容涉及文本生成、图像标注、提示工程、模型微调等热门方向，助你掌握前沿AI技能。附赠完整学习资料包（电子书/视频/面试题），助力职业
本文复盘了商助慧 AI 仿写能力从 0 到 1 的落地过程，从私有 RAG 知识库搭建、相似度召回优化，到提示词强约束改写，完整实现 “自有资料二次创作”，附关键踩坑与优化细节。
随着AI大模型技术的快速发展，行业对人才的需求从泛化转向精细化，主要分为四大方向：1）大模型预训练方向，聚焦基座模型研发，需掌握分布式训练与架构优化；2）对齐/后训练方向，优化模型输出与业务适配，侧重强化学习与数据构造；3）推理与部署方向，负责模型落地应用，需精通量化技术与服务架构；4）应用开发方向，门槛较低，基于现有API开发业务应用。当前AI岗位需求激增，薪资显著领先，建议从业者结合现有技术切
文章摘要：本文通过类比人类学习过程，通俗讲解了大语言模型训练的三大步骤。首先是预训练阶段，模型像学生一样从海量互联网数据中学习基础知识；接着是监督微调阶段，通过特定问答数据集训练模型掌握回答问题的能力；最后是强化学习阶段，优化模型输出质量。作者特别解释了AI"幻觉"产生的原因（概率性输出机制）及缓解方法，强调训练数据质量的重要性。全文配有多张示意图，帮助读者直观理解复杂的AI训
文章开头，我问了一个问题——大语言模型是怎么一步一步，从对话工具进化成任务执行者、变成我们现在嘴里那个智能助手的？聊到这里，答案其实已经很清楚了。它靠的不是模型本身变得更神——当然模型确实在进步——而是靠整个行业慢慢搭起了一套把模型接进真实世界的基础设施。LangChain 就是这套基础设施的第一版答卷。它告诉大家：模型不是产品本身，它只是产品里的一个零件；要让一个只会接龙写字的聪明盲人真正干活，
《大模型开发工程师：AI时代的黄金职业》摘要：随着人工智能技术的快速发展，大模型工程师已成为推动产业变革的核心力量。该职业涵盖模型设计、训练优化、场景落地及伦理合规等核心能力，分为初、中、高三个认证等级。我国政策大力支持AI人才培养，预计2025年市场规模将达2000亿元，相关岗位年薪高达50-150万元。适合报考人群包括技术转型者、应届毕业生和跨行业从业者。当前AI岗位需求激增543%，掌握&q
【150字摘要】 《NLP从入门到大模型实战》课程体系填补了市场空白，理论实践并重，涵盖NLP基础、Transformer架构、预训练模型等核心内容。课程特色在于：1）系统化知识体系，避免碎片化学习；2）强调底层原理与实战结合；3）包含前沿技术如LoRA微调、多模态应用等。当前AI人才需求激增543%，掌握"传统技术+AI"能力成为职业突围关键。该课程提供完整学习路径（0基础到
这篇文章介绍了一个AI漫剧自动化生成系统的开发过程。作者耗时3个月构建了一套完整的"小说→漫剧视频"全流程解决方案，包含H5/小程序、PC创作平台和管理后台三个终端。系统采用结构化设计和任务化执行两大核心理念，将剧本、分镜、角色等元素建模为数据库实体，并通过异步任务中心处理AI调用。核心模块包括创作向导、剧本管理、资产库、AI路由系统(StartRouter)、任务中心和剪辑导
本文系统梳理了大语言模型(LLM)的面试要点，涵盖模型架构、训练目标和参数规模等核心概念。文章对比分析了Prefix Decoder、Causal Decoder和Encoder-Decoder三种主流架构的特点与适用场景，指出Decoder-only因训练与生成一致性成为当前主流选择。同时深入探讨了涌现能力的本质，强调其是规模扩展后多基础能力叠加的结果，而非神秘跳变。最后指出常见误区，如过度关注
摘要： 大语言模型（LLM）、Embedding模型和reranker模型在问答系统中各司其职，形成高效协作链。 LLM（如qwen-plus） 作为核心，整合信息并生成最终回答； Embedding模型（如bge-m3） 将文本向量化，快速检索相关文档； reranker模型 对初筛结果重排序，提升语义精准度。 典型流程：Embedding模型粗筛→reranker精排→LLM生成答案。三者分别
摘要： RAG（检索增强生成）与Agent（智能体）成为2024年AI领域热门岗位，市场需求激增300%，头部企业开出百万年薪。RAG通过外挂知识库提升模型回答准确性，Agent则赋予AI任务规划与工具调用能力，二者协同推动应用落地。岗位集中于企业服务、AI创业公司及互联网大厂，RAG方向月薪25k-50k，Agent方向30k-60k。核心技术栈包括LangChain、向量数据库及Prompt工
Agent-Base-Zero 是一个专为开发者设计的 Agent 学习项目。针对当前开源 Agent 框架“过度抽象、源码冗长”的痛点，本项目回归本质，通过 Git 版本演进 的方式，将 Agent 的构建拆解为从 v0.1（300行核心逻辑）到 v0.7（多机协作）的递进过程。每一版代码均可独立运行且无冗余抽象，让开发者通过 git checkout 即可像翻阅书页一样，清晰见证 Agent
DeepSeek-V4使用指南：从选型到实战技巧 本文针对DeepSeek-V4开源模型提供实用指南。首先对比Flash与Pro版本的差异：Flash适合日常任务(75万字长文本处理)，Pro则胜任复杂开发场景。在代码能力方面，建议通过特定Prompt引导模型深度思考，如要求分步分析而非简单提问。处理长文本时需注意防止"幻觉"，可采用物理隔离、分块切片等方法。文章还提供了三个实
DeepSeek V4通过创新的CSA/HCA混合注意力机制实现了大模型效率革命。该架构将传统O(n²)复杂度的注意力计算优化为压缩稀疏(CSA)和重度压缩(HCA)的混合模式，使百万token上下文的处理成本骤降。
deepseekR1的推理增强机制，重点：GRPO思想+长CoT生成
2026年AI应用开发的核心趋势是让AIAgent真正落地执行任务，而ModelContextProtocol(MCP)协议正成为连接Agent与业务系统的关键标准。本文通过一个Python示例展示了如何搭建本地笔记MCPServer，使Agent能够调用添加笔记、搜索笔记等功能。MCP与传统API的根本区别在于：它专为Agent设计，提供工具调用、资源读取和提示模板三大核心能力，支持跨平台工具复
语言模型
——语言模型
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AtomGit开源社区
openEuler 社区
DAMO开发者矩阵
DeepSeek技术社区
openvela
AtomGit AI 社区
