混淆矩阵（也称误差矩阵）是机器学习和深度学习中表示精度评价的一种标准格式，常用n行n列的矩阵形式来表示。其列代表的是预测的类别，行代表的是实际的类标，以一个常见的二分类的混淆矩阵为例。我们会发现二分类的混淆矩阵包括TP, FP, FN, TN，其中TP为True Positive，True代表实际和预测相同，Positive代表预测为正样本。同理可得，False Positive (FP)代表的是

多态大模型（MLLM，Multimodal Large Language Model）尝试进一步处理图片、文档、截图、表格、视频帧、语音等多种输入形式。（第七章 OpenAI 兼容接口、第八章 Gradio Demo、第九章 Agent），完全不需要 PyTorch，可以跳过本节。能画出 感知 → 规划 → 工具 → 记忆 的多模态 Agent 草图，并整理出一份自己的实践优先级清单（第 9～10

branch这个命令以前叫/fork，现在改名成/branch了，打/fork还是能用，会自动跳到/branch。生成一份HTML报告，分析你过去一个月使用Claude Code的习惯，包括你最常用哪些命令，你有哪些重复性的操作模式，然后给你推荐一些自定义命令和Skills。比如我现在我开发了一个功能，我觉得不好，想撤销，我就可以先打/rewind，然后把这个会话里面的历史拽出来。在终端里打/rc

看似优化模型建立整数规划模型用优化软件、启发式方法、精确方法求解建立图论和组合优化模型用组合优化方法、启发式方法求解建立博弈论模型数据统计分析与可视化- 数据拟合、参数估计、插值、数据的标准化、去伪补全相关度分析、分类、聚类等最优化理论和方法线性规划图论与组合优化:最小树，最短路，最大流，TSP，背包非非线性规划整数规划:分支定界法、分解算法、割平面法NP-难问题的启发式方法:模拟退火、神经网络、

这就是为什么有时 AI 引用某个网页作为依据，但你实际去看那个网页，会发现内容并不支持 AI 的结论。

tmux ls回溯logctl+b上下键。

Casual Language Model，下简称 CLM。Decoder-Only（GPT）：像 “作家”，擅长从前往后 “创作” 内容，适合写文章、生成对话等 NLG 任务。Encoder-Only（BERT）：像 “读者”，擅长 “理解” 现有文本的含义，适合阅读理解、语义匹配等 NLU 任务。Encoder-Decoder（T5）：像 “翻译官”，既能理解输入（Encoder），又能生成输

这五个问题，本质上都在追问同一个底层矛盾：仅凭观测数据，我们到底能学到多少因果知识？它的边界在哪里？忠实性假设、等价类问题：是在问“观测数据本身的信息局限性”。SCM参数学习、LLM因果推理：是在问“我们的模型/算法，能不能突破这种局限性”。跨分布泛化失败：是在问“这种局限性会在实践中如何体现”。

论文的核心论点是:大型语言模型,无论训练在多少文本上,本质上都是在做统计模式匹配——它们学会了哪些词序列在训练语料里经常一起出现,然后在生成时复现这些模式。就像一只鹦鹉,听到了足够多的对话之后,能够在合适的时机说出”你好”或”再见”,但它不理解这些词的意义2023年,Hodel和West做了一个简单的测试。他们拿GPT-3做字母串类比推理——这是Webb等人在2023年声称GPT-3已经”涌现”出

从应用伦理角度，词向量中的社会偏见（如 vec(Doctor) 更接近 vec(Man)，vec(Nurse) 更接近 vec(Woman)）会放大现实中的性别歧视、种族歧视，导致 AI 系统做出不公平决策（如简历筛选模型优先推荐男性候选人）。