自定义函数（UDF）可以用 JVM 语言（例如 Java 或 Scala）或 Python 实现，实现者可以在 UDF 中使用任意第三方库，本文聚焦于使用 JVM 语言开发自定义函数。原文档：https://nightlies.apache.org/flink/flink-docs-release-1.16/zh/docs/dev/table/functions/udfs/

本文总结了安德鲁·卡帕西关于大语言模型的核心观点。大模型训练分为三个阶段：预训练（学习语料）、监督微调（学习对话）和强化学习（优化输出）。预训练包括数据处理、token化和神经网络参数调整；监督微调通过对话数据集教会模型应答；强化学习则让模型自主优化答案质量。文章还探讨了模型特性（如幻觉、记忆方式）和发展方向（多模态、任务代理等），并提供了相关资源链接。这种分阶段训练方法使大模型能逐步掌握从知识积

本讲聚焦模型编辑（Model Editing）技术，精准地修改大语言模型（LLM）中的单一知识点，而不像微调一样影响模型整体能力。本文讲解了评判模型编辑的三个原则（可靠性、泛化性、局部性）和模型编辑的两大方法（1、不改变模型参数的算法，如IKE；2、改变参数，如人类参与的ROME, 人不参与的Hypernetwork）

本讲聚焦模型编辑（Model Editing）技术，精准地修改大语言模型（LLM）中的单一知识点，而不像微调一样影响模型整体能力。本文讲解了评判模型编辑的三个原则（可靠性、泛化性、局部性）和模型编辑的两大方法（1、不改变模型参数的算法，如IKE；2、改变参数，如人类参与的ROME, 人不参与的Hypernetwork）

数据预处理方法：处理缺失数据、处理类别数据、划分训练数据集和测试数据集、保持相同的特征缩放

计算广告中的设备ID，以及简单的发展历史

本节课系统地介绍了如何让大语言模型（LLM）具备“推理”能力，介绍了打造推理模型的4种流派，并介绍了集4种技术流派大成的deepseek R1。最后提出了推理模型的挑战在于：推理过程冗长、效率低和成本高

本节课系统地介绍了如何让大语言模型（LLM）具备“推理”能力，介绍了打造推理模型的4种流派，并介绍了集4种技术流派大成的deepseek R1。最后提出了推理模型的挑战在于：推理过程冗长、效率低和成本高

本文持续收集一些与用户增长、广告投放相关的因果推断文章。（更新日期：2023-08-09）（更新日期：2021-07-08）

当你看到这样一个新闻：“某实验室/公司喜报：使用某开源基座模型Q，经过后训练得到模型Q'，Q'在数学编程领域的得分超过Q。” 请思考，Q'真的超过了Q吗？学习本节课，你将得到答案