Ollama私有化模型部署实战

ChatGLM-6B是由清华大学和智谱AI开源的一款对话语言模型，基于 General Language Model (GLM)架构，具有 62亿参数。该模型凭借其强大的语言理解和生成能力、轻量级的参数量以及开源的特性，已经成为在学术界和工业界引起了广泛关注。本篇将介绍使用DAMODEL深度学习平台部署ChatGLM-6B模型，然后通过Web API的形式使用本地代码调用服务端的模型进行对话。一、

DeepSeek是一种基于Transformer的生成式AI(Artificial Intelligence)大模型，融合了MoE架构、混合精度训练、分布式优化等先进技术，具备强大的文本生成、多模态处理和任务定制化能力。本书系统性地介绍了开源大模型DeepSeek-V3的核心技术及其在实际开发中的深度应用。全书分三部分，共12章，涵盖理论解析、技术实现和应用实践。

随着DeepSeek+应用在各行各业的逐步落地，AI大模型有关的名词术语被越来越多的人讨论，比如常见的模型参数、上下文长度、量化、蒸馏、Token、MOE、RAG、RL、智能体、具身智能等到底是什么意思？本文我们简单聊聊上面提到的10个名词或术语！

文章梳理了AI从LLM到具身智能的演进路径：从处理单一文本模态的LLM，发展到融合视觉与文本的多模态VLM，再到能与世界交互的VLA模型。这种演进朝向端到端统一模型发展，最终目标是构建具身智能体。通过强化学习训练，AI能像生命体一样适应现实世界，迈向通用人工智能(AGI)。在人工智能的发展历程中，通用人工智能（AGI）一直是研究者们追求的终极目标，AGI旨在构建一个能够像人类一样在多种领域和任务中

物理AI与具身智能绝非孤立存在，二者形成“硬件托底-软件迭代”的深度绑定生态——。这种共生关系，就像人类的“骨骼肌肉”与“大脑意识”，缺少任何一方，都无法实现真正的智能交互。（小白提示：简单理解，物理AI是“机器人的身体”，具身智能是“机器人的脑子+意识”，二者结合才能让机器人脱离“被动执行”，实现“主动适应”。具身智能的核心定义的是：基于物理实体，完成“感知-决策-行动”闭环的智能系统。

认知内核（源于LLM）：具备强大的推理、常识和语言理解能力，相当于具身智能体的“大脑”，负责思考和沟通；多模态感知（源于VLM）：原生支持视觉-语言联合理解，相当于具身智能体的“眼睛”，负责看见并理解物理环境；物理交互（VLA核心）：能将感知和认知无缝转化为物理世界的行动指令，相当于具身智能体的“手和脚”，负责操作物体、与环境交互。当“大脑、眼睛、手脚”的能力被无缝集成到一个统一的VLA大模型中时

随着大模型参数规模突破万亿，AI能力日益增强，但端侧AI正从云端走向终端，解决延迟、隐私和成本问题。本文从小模型技术突破、端侧Agent架构、多模态交互新范式及Computer Use实践四个维度，深入解析端侧与多模态AI最新进展，帮助读者理解并掌握这一重要趋势。2025 年，大模型的参数规模突破万亿，能力越来越强。但另一个趋势同样重要：AI 正在从云端走向端侧。端侧 AI 不是云端 AI 的替代

本文以开源框架 Hermes 为例，系统解析了 Agent（智能体）的概念、核心能力（理解、规划、工具调用、记忆、反思），并详细拆解了其架构设计，包括 LLM 决策引擎、工具系统、记忆模块、规划策略、执行器等关键组件。文章还对比了 Agent 与 ChatBot 的区别，探讨了最小可落地架构、设计思想及学习方向，旨在帮助程序员小白快速掌握 Agent 技术，构建自主执行的 AI 系统。以 Herm

你可能会问：我什么都不懂，不学怎么做？这里有个误区。零基础的人总以为要先"学够"再动手——学完 Python、学完大模型原理、学完提示词，然后才开始做东西。真实的情况反过来了：你是靠"做一件小事"才知道自己该学什么的。区别在哪？“学"的进度没法验收。今天看了两小时视频，明天看了三小时，一个月后你只能说出"我看了很多”，说不出"我会了什么"。"做"有验收标准。做出来了就是做出来了，做不出来就是没做出