本文系统梳理了多模态大模型（MLLM）的核心技术架构与发展趋势。首先详细解析了Tokenizer的工作原理，包括文本和图像的分词方法（如BPE、ViT、VQ-VAE），并比较了不同模态的统一tokenization实现。随后重点分析了BLIP、BLIP-2、LLaVA等代表性视觉语言模型的技术特点：BLIP通过多模态混合架构统一理解与生成任务；BLIP-2创新性地采用轻量级Q-Former桥接冻结

本文系统整理了深度学习研发在 Linux 服务器上最常用的指令与工具，共分为十一大类，涵盖从文件系统操作、环境管理、GPU 查询、tmux 会话管理，到网络诊断、系统监控、编辑器使用等几乎所有日常开发场景。无论你是在远程服务器中训练模型、排查 GPU 问题、管理 conda 环境、维护后台进程，还是编辑配置文件、监测网络状态，这篇速查手册都能作为你随时可查的工具合集。同时，文章用简洁的“指令用法

原文介绍了一种通过人类反馈微调（RLHF）来对齐大型语言模型与用户意图的方法。先通过监督学习微调模型（SFT），再训练奖励模型（RM）预测人类偏好，最后用强化学习（PPO）优化模型。实验表明，1.3B参数的InstructGPT模型输出比175B的GPT-3更受人类偏好，且在真实性、毒性方面有所改善。该方法能以较低成本显著提升模型的有用性和安全性，但仍存在过度服从指令、编造事实等问题。研究证明人类

本文结合实习中 Docker 的学习经历，系统梳理了 Docker 的基本概念、安装及 Windows 与 Linux 环境下的使用差异，并介绍了从编写 requirements.txt、Dockerfile 和 .dockerignore，到执行 build、run、查看日志、进入容器、停止与删除容器的完整流程。同时总结了镜像、容器、端口映射、目录挂载、数据卷、网络、环境变量和清理命令等常用操作

本文基于datawhale的Hello-Agents开源项目及其他大模型开发资料整理而成。内容分为四个部分： 智能体基础概念、智能体构建范式、智能体框架比较和智能体性能评估。笔记重点分析了不同范式的优缺点，并通过实际代码示例展示了各框架的具体实现方式。作者将持续更新学习内容，深入探索智能体开发的实践应用。

本文基于datawhale的Hello-Agents开源项目及其他大模型开发资料整理而成。内容分为八个部分：记忆系统、上下文工程、通信协议、RL、Skills、Harness、Loop Engineering和常见面试问题。系统性地总结了智能体开发的关键技术和方法，并配合实战案例，适合开发者从理论到实践全面学习。

Datawhale Hello-Agents学习笔记，记录了核心概念、可运行的demo和结果、思考。适合入门AI Agent开发。

Datawhale Hello-Agents学习笔记，记录了核心概念、可运行的demo和结果、思考。适合入门AI Agent开发。

本文系统梳理了GPT系列模型的技术演进路线，从GPT-1到GPT-4的核心技术始终基于Decoder-only Transformer架构。GPT-1首创无监督预训练+微调范式，通过任务特定输入表示实现迁移学习；GPT-2转向纯预训练，探索zero-shot能力；GPT-3突破性地提出few-shot上下文学习，利用1750亿参数实现元学习；GPT-4则实现多模态突破，通过RLHF提升对齐能力。

本文结合实习中 Docker 的学习经历，系统梳理了 Docker 的基本概念、安装及 Windows 与 Linux 环境下的使用差异，并介绍了从编写 requirements.txt、Dockerfile 和 .dockerignore，到执行 build、run、查看日志、进入容器、停止与删除容器的完整流程。同时总结了镜像、容器、端口映射、目录挂载、数据卷、网络、环境变量和清理命令等常用操作