本文探讨AI时代软件工程（SE）与AI的协同发展（SE4AI与AI4SE），分析传统软件开发与AI系统的差异。重点包括：1）AI系统质量的多维评估（准确性、公平性、鲁棒性等）；2）归纳思维与演绎思维的对比；3）领域自适应与扩散模型在自动驾驶测试中的应用；4）LLM生成用户故事的质量评估；5）安全设计原则（如非ML代码约束AI输出）。强调人机协作与系统化风险控制，提出通过分层保障机制（如物理熔断器）

本文探讨AI时代软件工程（SE）与AI的协同发展（SE4AI与AI4SE），分析传统软件开发与AI系统的差异。重点包括：1）AI系统质量的多维评估（准确性、公平性、鲁棒性等）；2）归纳思维与演绎思维的对比；3）领域自适应与扩散模型在自动驾驶测试中的应用；4）LLM生成用户故事的质量评估；5）安全设计原则（如非ML代码约束AI输出）。强调人机协作与系统化风险控制，提出通过分层保障机制（如物理熔断器）

这篇博客精解了两大深度学习里程碑：Transformer与GAN。Transformer凭借自注意力机制，取代RNN/CNN，解决了长程依赖与并行化的核心难题，成为当今大模型的基础。GAN开创了生成器与判别器对抗的训练范式，无需复杂概率计算，直接生成高质量样本，定义了生成模型的新方向。文章对比了二者的核心创新、优势（并行/高质生成）与缺陷（自回归瓶颈/训练不稳定），并概述了其深远影响。

本文介绍了在Kaggle上解决文本作者分类任务的完整流程。首先对数据进行预处理，使用TF-IDF和Count两种向量化方法，并尝试逻辑回归、朴素贝叶斯和SVM等传统机器学习模型。随后通过网格搜索进行参数调优，并引入GloVe词向量结合XGBoost的方法。最后展示了深度学习解决方案，包括构建嵌入矩阵、使用LSTM/GRU等循环神经网络结构，以及模型训练和预测提交过程。整个流程涵盖了从基础特征工程到

本文介绍了两种解决Kaggle科学考试选择题的AI方法。第一种是直接调用Flan-T5小模型，通过设计Prompt提示词让模型按正确概率排序选项。第二种采用RAG（检索增强生成）技术，结合70B超大模型Platypus2，通过分片存储和动态加载在有限GPU内存下运行。RAG方法包含四个关键技术：模型分片存储、分层处理流水线、多GPU并行计算和内存优化策略，实现了在单个16GB GPU上运行140G

本文介绍了在Kaggle上解决文本作者分类任务的完整流程。首先对数据进行预处理，使用TF-IDF和Count两种向量化方法，并尝试逻辑回归、朴素贝叶斯和SVM等传统机器学习模型。随后通过网格搜索进行参数调优，并引入GloVe词向量结合XGBoost的方法。最后展示了深度学习解决方案，包括构建嵌入矩阵、使用LSTM/GRU等循环神经网络结构，以及模型训练和预测提交过程。整个流程涵盖了从基础特征工程到

本文介绍了两种优化大语言模型（LLM）输出的方法：RLHF（人类反馈强化学习）和DPO（直接偏好优化）。RLHF通过人类评估和强化学习调整模型输出，而DPO则直接利用偏好数据优化模型。文章以"漫画真人化";话题为例，展示了DPO微调实践：通过构建支持/反对回答数据集（10%支持率），对Breeze-7B模型进行微调，使输出明显偏向反对立场。结果显示，微调后模型负面表述增多，立场更加鲜明，验证了DP

本文介绍了如何微调大型语言模型（LLM）使其能够创作唐诗。作者使用MediaTek的Breeze-7B-Instruct模型，通过4-bit量化技术降低内存消耗，并采用LoRA方法进行高效微调。关键步骤包括：1）准备包含1040首唐诗的训练数据；2）设置特定格式的prompt模板；3）训练模型理解并续写唐诗。结果显示，微调后的模型能生成连贯的唐诗，相比微调前仅重复输入词汇的表现有明显提升。这种方法

本文介绍了使用ResNet50预训练模型进行猫狗图像分类的完整流程。首先从Kaggle数据集解压图片并处理数据，将文件名转换为独热标签（猫[0,1]，狗[1,0]）。然后构建ResNet50模型，移除原始分类层并改为二分类softmax输出，使用ImageNet预训练权重初始化。模型在训练集上训练20个epoch后，在验证集上准确率达到98%以上。最后对测试集进行预测并生成提交文件。整个流程包括数

本文介绍了Quora问题对相似度检测的完整流程。首先通过EDA分析问题文本特征（长度、词频、特殊符号），然后提取两个关键特征：公共单词比例和TF-IDF余弦相似度。为解决数据不平衡问题，采用负样本复制方法调整正负样本比例。最后使用XGBoost模型进行训练，设置早停机制防止过拟合，最终输出预测概率。该方法能有效识别语义相似的问题对，提升问答平台内容质量。