文章分析了国内大模型AI入口竞争格局，字节跳动豆包以低成本实现亿级DAU，阿里、腾讯积极整合生态。特别关注百度在AI入口争夺中的缺席，指出其原因是内部利益冲突、技术自信导致的判断失误和保守策略错失时机。AI原生入口已成为互联网巨头新战场，百度的缺席令人遗憾。

这几天阿里发布了最新的通义千问大模型：通义千问2.5，据说其性能超越了GPT4的某个版本。大家可能都知道GPT4是地球上最强的大语言模型，各方面的表现都十分优秀。

本文介绍了在Ubuntu24系统上本地搭建RAGFlow的详细步骤。RAGFlow是一个基于深度文档理解的开源RAG引擎，能够处理复杂格式数据并生成可靠答案。安装前需确保硬件配置达标（CPU≥4核，内存≥16GB）并正确安装Docker和Docker Compose。具体步骤包括：修改vm.max_map_count值、克隆仓库、使用Docker镜像启动服务器等。安装完成后，用户可通过浏览器访问R

本文对比分析了六种主流大模型部署方案：Transformers（Hugging Face生态，快速部署多种预训练模型）、ModelScope（阿里云PAI一站式服务）、vLLM（高效GPU推理优化）、Llama.cpp（C语言高性能量化推理）、Ollama（本地化轻量部署）和TGI（自定义模型服务框架）。每种方案均从部署方法、适用场景及优缺点三个维度进行说明，并附有具体代码案例。Transform

本文系统梳理了大模型面试全流程及加分技巧。面试分为5个环节：自我介绍突出技术亮点、项目深度剖析、技术问答、代码测试和高质量反问。特别推荐4类有效反问问题，包括业务方向、资源配置等。加分策略包括：结合公司业务提出优化建议、展现前沿技术认知（如MoE）。文末提供大模型学习资源包（含路线图、视频教程、面试真题），适合0基础到进阶学习者，通过CSDN安全链接即可获取全套资料。

本文详解使用LangChain和FastAPI构建RAG系统的完整流程，包括文档加载、文本分割、向量存储、检索生成和API开发。重点介绍异步处理技术和部署策略，帮助开发者从原型到生产环境构建高性能RAG应用。

GitHub 一周热点汇总第21期(2024/05/05-05/11) ，本周最火的项目是KAN，在其论文推出后掀起了一轮热度，让人们看到了AI能力再次提升的机会，你觉得它能取代MLP吗？先来看看这一周内火爆的5个项目吧。

上面的大脑代表我们的算法执行个体，我们可以操作个体来做决策，即选择一个合适的动作（Action）AtAt。下面的地球代表我们要研究的环境,它有自己的状态模型，我们选择了动作AtAt后，环境的状态(State)会变，我们会发现环境状态已经变为St+1St+1,同时我们得到了我们采取动作AtAt的延时奖励(Reward)Rt+1Rt+1。然后个体可以继续选择下一个合适的动作，然后环境的状态又会变，又有

对于二分类问题，假设我们只考虑正类（标签为1）和负类（标签为0）在多分类问题中，交叉熵损失函数可以扩展为−∑𝑖=1𝐾𝑦𝑖⋅log⁡(𝑝𝑖)−∑i=1Kyi⋅log(pi)，其中𝐾K是类别的总数，( y_i )是样本属于第𝑖i个类别的真实概率（通常用one-hot编码表示），而𝑝𝑖pi是模型预测该样本属于第( i )个类别的概率。Softmax函数的一个重要性质是其输出的总和等于

本文介绍了AI模型训练的基本原理，重点阐述了神经网络和神经元的结构与工作机制。首先从生物神经网络出发，类比解释了人工神经网络的构成，包括输入层、隐藏层和输出层。然后详细说明了神经元的工作机制：接收输入特征、加权求和、通过激活函数进行非线性变换并输出结果。文章指出AI训练的本质是通过前向传播、损失计算、反向传播和参数调整（权重和偏置）来不断优化模型，类似于"猜价格"游戏中的逐步逼