Claude Code 改完几个文件，代码逻辑没问题，格式却乱了。你补了一句：“按项目的 Prettier 配置格式化一下。”，Claude Code开始格式化代码。

Claude Code 改完几个文件，代码逻辑没问题，格式却乱了。你补了一句：“按项目的 Prettier 配置格式化一下。”，Claude Code开始格式化代码。

论文：https://arxiv.org/abs/2501.11561代码：https://github.com/zhiyuanyou/DeQA-Score介绍一篇我们在CVPR25的工作，DeQA-Score，基于多模态大语言模型的图像质量评估。DeQA-Score实现了installation-free的使用，不需要安装环境，仅需安装transformers库，两行代码即可调用。欢迎大家使用！

提升大语言模型（LLMs）推理能力的一种方法是使用思维链（CoT）注释进行监督微调（SFT）。然而，这种方法的泛化能力不够强，因为训练仅依赖于给定的 CoT 数据。例如在数学解题中，训练数据里的每个问题通常只有一条注释的推理路径。直观来看，若对于一个问题算法能从多个注释推理路径中学习会更好。为解决此问题，我们提出一种简单有效的方法——强化微调（ReFT），以增强学习大语言模型在推理方面的泛化能力，

大语言模型（LLM）在推动可解释推荐系统的发展中发挥了关键作用。它们具备强大的自然语言处理和生成能力，能够理解复杂的用户行为和项目特征，并将其转化为类人解释。LLM模型的加入使得推荐系统不仅能够提供个性化的推荐，还能够为用户提供透明、直观的解释，增强用户对系统决策过程的信任感。同时，LLM可以通过分析用户-项目交互数据，生成针对不同用户偏好和行为模式的定制化解释，能够有效提升推荐的个性化程度和用户

LLaMA Factory 是一个简单易用且高效的大型语言模型（Large Language Model）训练与微调平台。通过 LLaMA Factory，可以在无需编写任何代码的前提下，在本地完成上百种预训练模型的微调，框架特性包括：模型种类：LLaMA、LLaVA、Mistral、Mixtral-MoE、Qwen、Yi、Gemma、Baichuan、ChatGLM、Phi 等等。

用以解释在**离线直接偏好优化（Off-Policy Direct Preference Optimization, DPO）**中观察到的现象，即运行DPO时间过长会使期望的输出结果变得不太可能。这一框架还揭示了在线DPO和其他变体的益处来源。这种分析不仅为理解大型语言模型的微调提供了新的视角，还启发了一种简单而有效的方法来提高对齐性能。

今天我们来分享注意力机制的概念和基本原理，并且进一步介绍通道注意力、空间注意力、混合注意力、自注意力等等，接下来我们就一起来看看吧

真正的魔力在于结合这些方法：提示词、RAG、微调、切换模型和使用多模态大模型。利用每种方法的优势，并将其应用于文本和图像数据，以此用大模型提升你的生产力。

《Masked Autoencoders Are Scalable Vision Learners》是何恺明团队于 2021 年提出的一项突破性工作，首次将掩码自编码器（MAE）引入计算机视觉领域，为视觉自监督学习开辟了新范式。