kimi-k2是一个结构类似deepseekv3的大模型，特点在于极强的工具调用能力，适合做agent。下面从技术的角度提取其中的关键方法。

大规模激活”是模型为实现“隐藏状态零更新”这一高效策略，被迫在数值上制造极端异常值的结果。这种策略虽然有效，却牺牲了数值稳定性，暴露了Transformer架构在优化目标与数值实现之间的深层矛盾。

在大模型的后训练中，存在如下挑战：如何有效地将领域知识注入到LLMs中，保持模型的灵活性、可扩展性和效率；如何在注入新知识时避免遗忘已有知识；如何在不同领域之间迁移知识。实际上日常使用还是优先提示词，然后RAG。

评估智能体并非易事，但这是从“玩具 Demo”走向“生产级应用”的必经之路。核心建议总结尽早开始，不要追求完美。将失败案例转化为测试用例。混合使用代码评分和 LLM 评分。一定要阅读评估的详细日志。

总览：*输入：*关键词*输出：*分日期情感均值折线图，主题词云，分省市情感均值折线图一、微博数据爬取1.爬取指定关键词相关的微博2.根据爬取到的微博信息爬取到相关的评论数据这里主要借鉴了https://github.com/dataabc/weibo-crawler3.将零散的单个微博下的所有评论整合在一个excel文件中，这里利用我的上一篇博客中的方法进行合并，得到总体的数据。二、百度情感分析我

agent就是给大模型加上外部系统，能跟环境交互。所以叫智能体，能够根据外部系统的输入修改自身状态。3.大模型参考提示词给出符合模版的回复，比如action是什么，目标函数所需的参数等。本文实现了基于deepspeek大模型的谷歌搜索agent。5.上述结果就是观察到的结果，作为助手消息添加到消息记录中。4.从回复中解析出这些，定位到特定工具函数，执行得到结果。1.前置准备：谷歌搜索工具函数，系统

在做网络舆情方向的科研，发现很少有政务微博下的正向或负向评论的语料，这对情感分析模型的训练造成了很大困扰，于是我挑选了此次西安疫情的部分舆情，人工识别分类出正负向评论语料用作模型训练。链接：https://github.com/stay-leave/weibo-public-opinion-analysis/tree/main/emotional%20analysis正向语料：负向语料：...

总览：*输入：*关键词*输出：*分日期情感均值折线图，主题词云，分省市情感均值折线图一、微博数据爬取1.爬取指定关键词相关的微博2.根据爬取到的微博信息爬取到相关的评论数据这里主要借鉴了https://github.com/dataabc/weibo-crawler3.将零散的单个微博下的所有评论整合在一个excel文件中，这里利用我的上一篇博客中的方法进行合并，得到总体的数据。二、百度情感分析我

为了结合二者的优势，首先使用一个离线RL算法MPO对模型进行微调，作为一个高效的热身阶段以达到满意的结果，这可以为后续阶段保证高质量的回滚。当r_i ≥ τ（压缩影响显著）时为 1，对应压缩率1/4。多模态数据：基于InternVL3的训练语料，类型包括图像字幕、一般问答、数学、科学学科、图表、OCR、知识链接、文档理解、多轮对话和医疗数据等多个领域。路由目标构建：先计算模型在未压缩视觉标记（每块

在大模型的后训练中，存在如下挑战：如何有效地将领域知识注入到LLMs中，保持模型的灵活性、可扩展性和效率；如何在注入新知识时避免遗忘已有知识；如何在不同领域之间迁移知识。实际上日常使用还是优先提示词，然后RAG。