从 ChatGPT 与 Codex 的一次出图对比说起先说结论你复制过去的是同一句提示词，但没有复制模型当时所处的整个工作现场。我做了一个简单对比：网页版 ChatGPT 和 Codex 都选择 GPT-5.6 Sol，把可选的推理强度调到最高，再输入同一段提示词生成图片。我的主观感受是，网页版的结果更接近预期。如果只看这两张图，很容易得出一个结论：网页版是不是用了更强的模型？但一张图只能说明这次

论文标题：xLAM: A Family of Large Action Models to Empower AI Agent Systems论文链接：https://arxiv.org/pdf/2409.03215介绍了xLAM系列，这是一组用于自主AIagent的大型动作模型。论文的模型参数范围从1B到8x22B，通过一个可扩展且灵活的数据管道进行训练，该管道统一、增强和综合了多种数据集。

随着系统本身变得越来越复杂，比如高铁、大飞机、航天发射等，面临着效率、成本、安全等多方面的挑战，人们需要新的方法论来管理和驾驭这些技术，从简单的工具到复杂的机器系统，需要专门的“工程方法”来规范和优化使用过程。

网络安全很多技术干货，都可以共享给你们，如果你肯花时间沉下心去学习，它们一定能帮到你。

问你一个问题。你问 ChatGPT"最新的 SpaceX 发射什么时候"，它瞎说——训练截止 2021 年。你问 LLaMA-70B"我公司新人叫什么"，它根本不知道。LLM 不知道自己不知道什么。RAG（Retrieval-Augmented Generation）是解药。

数据主要来源：外部数据包括通用和行业开源、比如智源悟道、ArXiv、GitHub等安全领域的开源数据；内部数据主要为企业内部的积累数据、比如网络安全攻击战术、网络安全日志、情报等等。数据处理过程：清洗、增强、存储、抽取等；数据配比很重要，在不同训练阶段配比也存在差异；为提高数据准备和应用环节的效果，需要建立相关的数据质量标准、评估标准和数据治理平台；利用合成数据也是一个重要的思路，比如通过gpt4

先用比较通俗的意思解释一下解码：在生成文本结果的时候，模型的输出是一个时间步一个时间步依次获得的，而且前面时间步的结果还会影响后面时间步的结果。也就是说，每一个时间步，模型给出的都是基于历史生成结果的条件概率。

前两天就有个小伙伴面阿里，在阿里二面中， 遇到一个 非常场景的面试题：

基于用户商品交互逻辑，本文设计了一种基于大语言模型的用户模拟器，用于显式地模拟用户的交互过程（如下图）。具体而言，本文通过大语言模型分析商品，生成可能的喜欢或不喜欢原因，并总结为关键词。这些关键词既基于商品的客观描述，也来源于用户的评价文本，从而涵盖了商品的客观与主观特征。在推理阶段，给定候选商品，模拟器会将其潜在的喜好/不喜欢原因与用户历史中相似商品的交互原因进行匹配，最终预测用户的交互结果。本

RAG，即检索增强生成，是一种通过整合外部数据源来增强大语言模型（LLM）的技术。一个典型的 RAG 应用包括：索引流水线（Pipeline）：用于从外部数据源中摄取数据并对其进行索引，随后加载、拆分并将数据存储在 Milvus 中。检索和生成：将用户查询转换为 Embedding 向量，然后从 Milvus 中检索相关数据形成上下文，然后 LLM 上下文生成响应。文本将提供实用的操作指导，向您展