机器学习

智算中心建设新范式：GPT-6/Rubin架构+1.6T光模块+量子安全网关+AI安全沙箱，算力·效率·安全·成本的最优平衡当AI训练进入十万卡集群时代，智算中心不再只是GPU的堆叠，而是一场从芯片、互连、安全到运行底座的系统性工程。

大模型微调进阶：多任务微调实战一、什么是多任务微调？二、多任务微调的数据组织三、多任务微调的训练策略四、任务选择与任务冲突五、从单任务到多任务：一个渐进路径

齐齐大魔王

机器学习（一）机器学习的发展脉络可划分为五个关键阶段，每个阶段都有突破性理论和技术的涌现：理论基础奠基代表人物图灵、麦卡锡、明斯基、香农

云和数据.ChenGuang

机器学习之方差和标准差计算这个公式是Z-score标准化（Standardization），其中的σ就是总体标准差（Population Standard Deviation），下面给你完整的计算步骤、公式、Python实现和注意事项。

AI核心知识122—大语言模型之直接偏好优化（简洁且通俗易懂版）DPO (Direct Preference Optimization, 直接偏好优化) 是大模型对齐（Alignment）领域的一场“暴力美学”革命。

天一生水water

机器学习中的小提琴图有什么作用小提琴图（Violin Plot）是机器学习和数据分析中一种非常实用的可视化工具，它结合了箱线图和核密度估计图的优点，主要用于展示数据的分布形态。

机器学习(三十二) 半监督学习-基于分歧的方法与半监督聚类与生成式方法、半监督SVM、图半监督学习等基于单学习器利用未标记数据的方式不同，基于分歧的方法 (disagreement-based methods) 使用多学习器，学习器之间的"分歧"对未标记数据的利用至关重要。"协同训练"(co-training)[Blum and Mitchell,1998]是此类方法的重要代表，它最初也被看作"多视图学习"(multi-view learning)的代表。

【搜索引擎】Elasticsearch（四）：bool查询（与where类似），多条件搜索利器bool 是 Boolean（布尔逻辑）的缩写，这个名字来源于数学和计算机科学中的布尔代数。在 Elasticsearch 中，bool 查询的核心作用就是组合多个条件，实现逻辑上的 AND（与）、OR（或）、NOT（非）操作：

一个平凡而乐于分享的小比特

2026，自动驾驶“分水岭”：L3持证上岗，L4冲向无人区🔥作者简介：一个平凡而乐于分享的小比特，中南民族大学通信工程专业研究生，研究方向无线联邦学习 🎬擅长领域：驱动开发，嵌入式软件开发，BSP开发 ❄️作者主页：一个平凡而乐于分享的小比特的个人主页 ✨收录专栏：未来思考，本专栏结合当前国家战略和实时政治，对未来行业发展的思考欢迎大家点赞 👍 收藏 ⭐ 加关注哦！💖💖

聚类算法对比分析：K-Means、DBSCAN 与层次聚类在数据科学和机器学习领域，我们面对的数据往往缺乏先验的标签。聚类分析作为一种核心的无监督学习方法，其目标是将数据集中的样本划分为若干个“簇”，使得同一簇内的数据尽可能相似，不同簇间的数据尽可能不同。聚类有助于我们从无序数据中发现隐藏的、有意义的群组结构，是进行数据探索、客户分群、异常检测、简化复杂系统理解的关键第一步。

一个天蝎座白勺程序猿

人工智能vs机器学习vs深度学习：概念辨析AI领域发展太快了，70年里走了三波技术浪潮，新概念是在旧概念的基础上诞生的，相当于大盒子套中盒子再套小盒子，但旧盒子没扔，所以大家看着三个盒子放在一起，就搞不清谁在谁里面了。

通俗易懂讲透 Mini-Batch K-meansMini-Batch K-means 就是标准 K-means 的高速版，专门解决大数据跑不动的问题。本文用大白话+通俗案例+核心公式+可直接运行代码，从零讲透，适合课堂笔记、实验报告。

万字长文带你梳理Llama开源家族：从Llama-1到Llama-3，看这一篇就够了！在AI领域，大模型的发展正以前所未有的速度推进技术的边界。北京时间4月19日凌晨，Meta在官网上官宣了Llama-3，作为继Llama-1、Llama-2和Code-Llama之后的第三代模型，Llama-3在多个基准测试中实现了全面领先，性能优于业界同类最先进的模型。

哥布林学者

深度学习进阶（八）Swin Transformer在上一篇中，我们已经明确了 DeiT 对 ViT 的改进思路：通过蒸馏，引入 Teacher 的归纳偏置，缓解数据依赖问题。

【机器学习】【手工】Streaming Machine Learning 流数据学习 – 应对变化的机器学习方法（一）在现实世界中的数据是随着时间演化（evolution）的，而不是同分布（同分布，identically distributed）的，即认为来自同一个分布的取样。例如在covid的疫情期间，许多智能系统无法正常工作，这是因为其输入及人类的行为或人类行为的产出发生了变化，在不再属于原来的分布了，这导致了这些智能系统出现了问题。

Hermes Agent 核心运行系统调用流程--源码分析本文基于当前仓库实现梳理 Hermes Agent 从入口层到结果交付的真实调用链，重点覆盖：不展开单个 tool 的内部业务逻辑，重点描述“谁调用谁、数据如何流动、哪些状态被缓存或持久化”。

国内外大模型的区别与差距当前（2026年）全球AI大模型格局已从“美国独大”演变为中美双雄并立、局部领域各有优劣的态势。根据斯坦福《2026年AI指数报告》，中美顶级模型性能差距已缩小至2.7%，国内模型在中文场景、落地成本、应用渗透上实现反超，但在底层原创、通用推理、芯片算力、全球生态上仍存差距。两者并非简单“强弱之分”，而是技术路线、战略目标、产业生态的系统性差异。

LangChain RAG 架构：向量检索与生成流水线副标题：从源码层面剖析 LangChain 如何构建企业级 RAG 应用检索增强生成（Retrieval-Augmented Generation，RAG）已成为大模型应用开发的核心范式之一。本文深入剖析 LangChain 框架下的 RAG 架构设计，从向量存储原理、检索机制、生成流水线到生产优化，结合 LangChain 0.1.0+ 源码进行系统性讲解。通过 4 个架构流程图、4 个对比表格和完整可运行的代码示例，帮助开发者掌握构建企业级 RAG 应用的核心技术。

基于LSTM神经网络的锂电池SOH估算模型（NASA数据集）【MATLAB】在新能源与储能技术飞速发展的今天，锂离子电池的健康状态（State of Health, SOH）监测成为了电池管理系统（BMS）中至关重要的一环。准确估算SOH不仅能够保障系统的安全运行，还能有效延长电池的整体使用寿命。

基于KAN神经网络的锂电池SOH估算模型（NASA数据集）【MATLAB】摘要：健康状态（State of Health，SOH）是锂电池全生命周期管理的核心指标。本文提出一种基于柯尔莫哥洛夫-阿诺德网络（Kolmogorov-Arnold Network，KAN）的锂电池SOH估算方法，以NASA电池老化数据集（B0005）为研究对象，通过多项式样条函数逼近非线性映射关系，结合L1/L2正则化与拟牛顿优化算法，实现对电池SOH的高精度估计。文章将从数据处理、网络架构到训练细节进行完整的代码级讲解。