机器学习

深入浅出GroundingPI技术解析：精确空间感知如何迁移到机器人动作欢迎大家关注Rocky的知乎：Rocky Ding 《三年面试五年模拟》AIGC/LLM/AI Agent算法工程师/开发工程师求职面试秘籍独家资源：【三年面试五年模拟】WeThinkIn/AIGC-Interview-Book，欢迎大家Star～

无所畏俱的老尹

OpenAI 等支持 robots.txt 共享 AI 训练偏好信号：policy token 一次声明多厂商，落地仍待实现摘要：2026 年 10 月 30 日，OpenAI 宣布将尊重 robots.txt 中的共同信号，让网站运营者表达内容是否可用于 foundational generative AI training 的偏好；同日 Google Search Central（John Mueller）称计划支持基于 IETF AIPREF 的共享 AI training control。信号用普通 User-Agent 行上的 policy token（草案示例 __usage_ai-training）一次面向多个参

服务器硬件项目经理

《超节点修仙录》· 第一卷·炼气期【第04话】超节点 vs 普通服务器——不就是多插了几张卡吗？「超节点？不就是一台服务器里多插了几张GPU吗？我把我家电脑插满显卡，是不是也是超节点了？」「……你家电脑有几个PCIe插槽？」「两个。」「那你最多插两张。而且两张卡之间只能通过CPU通信，延迟高得离谱。这不叫超节点，这叫「双卡交火」，是2010年的玩法。」

一切皆是因缘际会

当模型足够大过去几年我们被反复告知一件事：规模即智能。参数从十亿涨到千亿，上下文从几K拉到几百万，似乎只要喂得足够多，模型就会"涌现"出推理能力。但一个更冷静的事实是，同样规模的模型，在同样的数据上训练，最终表现可以相差很远；有些模型背下了一亿条样本，却在任务的关键处犯常识性错误；有些模型只见过几十个例子，却能准确外推到从未见过的分布。参数量不能解释这种差异，因为参数只是容量，容量是必要条件，不是充分条件。真正决定一个模型"聪不聪明"的，是它在学习过程中从输入里提取出来的那部分信息——用信息论的语言说，是它在表示空间

【三年面试五年模拟】2026-10-26 携程 AI Agent一面面经全解析欢迎大家关注Rocky的知乎：Rocky Ding 《三年面试五年模拟》AIGC/LLM/AI Agent算法工程师/开发工程师求职面试秘籍独家资源：【三年面试五年模拟】WeThinkIn/AIGC-Interview-Book，欢迎大家Star～

在所不辞兄

【零基础学智能仿真-68】本地仿真助手的工具调用本节学习把本地大模型的计算建议转化为可检查的工具调用。以两单元均匀杆为例，建立工具白名单、参数范围和原需求一致性校验，完成有限元求解、物理验收、结果回传与日志保存。通过合法调用、未知工具和参数篡改案例理解失败处理，并提供可选的Ollama接入程序，区分模型解释与工具原始结果，为下一节综合仿真研究打通计算入口。

提示注入：上下文安全的核心威胁系统提示词和工具定义的设计方法讨论完毕，本节最后还需要考虑一个安全维度：如何防止精心设计的上下文被外部输入劫持？这就是提示注入问题。

脉冲神经网络是什么：从LIF神经元到第三代神经网络的能耗优势核心结论：脉冲神经网络（Spiking Neural Network，SNN）是仿照生物神经元以「离散脉冲（spike）」而不是「连续数值」来传递信息的第三代神经网络。它最大的两个标签是事件驱动与极低能耗——神经元只在收到足够电流、膜电位超过阈值时才「发放一个脉冲」，多数时间不干活，所以理论上能比传统神经网络（ANN）省下几个数量级的运算量。代价是它很难训练（脉冲不可导），目前的精度普遍还追不上同等规模的 ANN。

roman_日积跬步-终至千里

【数据建模入门】从一家小店看懂数仓与机器学习：先理业务，再串技术学习数据建模时，很容易先遇到一串术语：事实表、维度表、RFM、特征、标签、训练集。知道定义之后，仍然不清楚它们为什么存在，更不知道怎样连接起来。

FPGA信号处理

【凸优化】第六讲：求解器与支持向量机KKT 条件停在四组式子上：稳定性、原问题可行、对偶问题可行、互补松弛。四组凑齐，点就是最优解。真正拿到一个题目，这四组式子要落到算上。先看形状最规整的一类：

支持向量机（SVM）算法详解与代码实例在分类算法中，逻辑回归、决策树、KNN 都能给出一个"能分开"的边界，但它们往往只关心"分对"，而不关心"分得稳不稳"。支持向量机（Support Vector Machine，SVM）的核心思想恰恰相反：在所有能正确划分样本的超平面中，选择那个离两类样本都最远的。

准确率不变，概率质量也不变吗？系列：可信预测实验室：从模型置信度到可检验的拒答前一篇固定模型预测，只改变分箱方式，发现校准误差会随测量口径变化。这一次把问题再往前推进：如果每条样本的预测类别完全不变，概率质量是否也应该不变？这不是文字游戏。准确率只记录答案是否命中标签，无法区分一次谨慎的错误和一次几乎不给正确答案留余地的错误。科研报告若只保留一个准确率数字，就可能把这部分差异全部丢掉。

大模型落地三重优化实战大模型在真实业务中的落地，难点往往不在模型本身，而在工程化：如何管理多轮上下文、控制推理成本、稳定输出结构化结果。本文以一个"智能客服知识问答"为例，演示从 Prompt 设计到检索增强、再到结果校验的完整链路。

长期记忆让智能体更可靠，还是让错误持续累积？假设科研助手曾经用某种清洗规则处理一份数据，并得到正确结果。它把规则写入长期笔记，下次遇到字段相似的数据便照搬，却忽略了单位已经改变。更麻烦的是，新结果又被总结为“成功经验”，进入下一次检索。这是说明问题的假设场景，不是本次实验。

在所不辞兄

【零基础学智能仿真-67】力学知识库与检索增强本节学习如何把力学公式、软件资料和历史案例整理成可追溯的知识库，理解检索增强的基本流程。通过均匀杆与变截面杆案例，掌握资料分块、条件保留、版本过滤和证据引用；用可运行的标签检索程序观察命中、误匹配与无证据状态，再以两单元杆件计算独立复核公式。课程同时介绍向量检索、混合检索和重排的作用，为后续本地仿真助手的工具调用打好基础。

python 机器学习 ML LinearRegression KNN KMeans机器学习模型：线性回归LinearRegression：给定xy样本集，y与x的关系属于线性y=ax+b，测试集给定x，看输出是否属于y=ax+b

罗西的思考

【轻量化复刻大模型】线性注意力交互式演示0x01 总览0x02 每个 Tab 的详细说明0x03 总结0xFF 参考experiments/models/llm/linear_attn/gradio_linear_attn_demo.py 是线性注意力家族的交互式演示入口，基于 Gradio 6 构建。它把 6 种 step 变体（Vanilla / DeltaNet / GLA / GatedDeltaNet / KDA v1 / KDA v2）、KDA 状态演化、门控曲线对比、递推-分块等价性、失败案例、参数敏感性、位置衰减、反方观点、

深入浅出Xiaomi-Lens-0技术解析：像素监督如何改变视觉推理欢迎大家关注Rocky的知乎：Rocky Ding 《三年面试五年模拟》AIGC/LLM/AI Agent算法工程师/开发工程师求职面试秘籍独家资源：【三年面试五年模拟】WeThinkIn/AIGC-Interview-Book，欢迎大家Star～