语言模型

联邦学习（Federated Learning, FL）联邦学习是一种分布式机器学习框架，核心原则是「数据不出本地，模型协同训练」：多个数据持有方（客户端）在不共享原始训练数据的前提下，共同训练一个全局模型；训练过程中仅在客户端与中央服务器之间传输模型更新（参数、梯度或适配器），由服务器完成聚合迭代，最终所有客户端共享一个统一的全局模型。

CLIP 图文对齐：先核对正样本，再相信检索分数开源 AI 论文复现实验与代码解读 · 第五轮 / 071 面向研究生、科研新人和工程型研究者；检索与实验日期：2026-09-12。

VLM 读图评测：先审计评分器，再判断读错还是算错开源 AI 论文复现实验与代码解读 · 第五轮 / 072 面向研究生、科研新人和工程型研究者；检索与实验日期：2026-09-13。

Merge、Ensemble 与 Cooperate：一文读懂大语言模型协同本文是对论文《Merge, Ensemble, and Cooperate! A Survey on Collaborative Strategies in the Era of Large Language Models》的中文解读。论文：Jinliang Lu、Ziliang Pang、Min Xiao、Yaochen Zhu、Rui Xia、Jiajun Zhang，arXiv:2407.06089v1，2024 年 7 月。原文链接：arXiv:2407.06089

【大模型】Win11 部署 DeepSeek+ RAGFlow0.27.2 （Ollama方案，断网可用）最终版脚本下载： https://download.csdn.net/download/cnxzzcn/93430748

LoRA基础它最初由Hu等人在2021年提出，原本用于解决大模型全参数微调算力成本高、易灾难性遗忘、多任务切换困难的问题，现在已经成为联邦大模型微调、端侧微调、轻量化定制的核心技术底座。

使用Ollama本地部署和测试Kimi、GLM等多款大语言模型实战本文摘要：你是否想在本地快速部署和对比不同的大语言模型？本文将介绍如何利用 Ollama 这一开源工具，通过统一的命令行接口，高效地在本地部署和测试多款主流大模型。开发者在进行模型选型或应用原型开发时，常需要在本地环境中部署和测试多个模型（如 Qwen、DeepSeek）。传统方式下，每个模型都有其独立的仓库、下载链接和运行脚本，导致环境管理复杂。 Ollama 解决了这一问题。

AI生造词、乱用术语怎么治？一份防“词汇污染“的Prompt约束模板长期跟大模型打交道，最近踩到一个典型坑。让 AI 协助处理一道"多轮连环交互"的试题时，它为了省事直接删掉核心交互环节，改成静态简答题。更离谱的是它解释改动时用了两个词：“扁平化简化"和"压平流程”。

喵喵爱自由

Deepseek Harness镜像离线部署本文记录通过容器镜像方式，本地部署 Deepseek Harness（DSH）的完整流程。作者已将 DSH 运行所需的全部环境打包成镜像，省去了部署时构建环境的繁琐准备，只需下载、导入并运行容器，即可快速完成本地部署。

【信创】Ollama 手动提取 deepseek-r1:1.5b模型迁移到内网机器Ollama没有原生一键导出tar命令，有3种方案，按推荐顺序：我这里主用第一种手动方案Ollama模型由两部分组成：

从“会回答“到“能执行“：AI Agent 的系统构成、运行机制与工程实践本文拆解 AI Agent（智能体）的核心公式、ReAct 循环、上下文工程、支撑框架（Harness）、工作流与自主智能体的选型边界，以及生产级落地的安全与可靠性设计。适合希望从概念走向工程实现的开发者阅读。

Qwen-Drive-1.0：迈向自动驾驶视觉-语言基础模型的第一步26年8月来自阿里千问团队和华中科技的论文“Qwen-Drive-1.0: An Initial Step towards a Vision-Language Foundation Model for Autonomous Driving”。

吴佳浩 Alben

走向 Memory OS：企业私有化 Agent 设计与实现作者：吴佳浩（Alben）微某信公某众号：全栈架构师笔记系列专栏：《打造下一代智能体：企业级 Coding / DevOps Agent》· 第 03 篇

吴佳浩 Alben

Agent 安全红线：越狱防御、间接注入与数据防泄漏实战作者：吴佳浩（Alben）微某信公众某号：全栈架构师笔记系列专栏：《企业级 Agent 质量保障体系：Evaluation 与安全防线》· 第 03 篇

前端性能优化实战：从首屏加载到交互响应的全链路调优Google 的研究数据表明，页面加载时间从 1 秒增加到 3 秒，跳出率上升 32%。在国内移动网络环境下，这个数字只会更糟。一个典型的 Vue3/React SPA 应用，未优化前首屏加载体积动辄 2MB+，FCP（First Contentful Paint）超过 3 秒是常态。

DeepSeek V4.1 Flash 发布开源，Harness v0.1.5同日适配2026 年 9 月 10 日，DeepSeek 一次性放出了三样东西：V4.1 Flash 的模型权重（MIT 协议）、Agent 框架 DeepSeek Harness 的 v0.1.5、以及一个此前没被预告过的 xPU 内核 JIT 编译库 DeepJIT。模型、推理栈、Agent 框架三层同时开源，再加上一份保留峰谷机制的降价通知，这套组合拳的分量比单看参数表要大得多。

GraphRAG 原理、适用场景与工程落地：从关系建模视角做一次客观拆解Retrieval-Augmented Generation（RAG）的基本流程大家都熟：文档切片 → 向量化 → 语义检索 → 拼进 Prompt 生成。它本质是一种基于文本相似度的"片段召回"。

李昊哲小课

LLM API 协议代理 —— 从零到一全栈教程项目名称：llm-protocol-proxy 技术栈：Spring Boot 4.1.1 + Java 25 + RestClient(非流式) + WebClient(Reactor Netty, 流式) + 前端原生 JS 核心功能：原生透传 OpenAI Chat Completions / OpenAI Responses / Anthropic Messages 三种 LLM 协议，实现非流式（RestClient 同步）与流式（WebClient SSE）双模式对话学习路线设计：零跳跃——

涉外酒店前台双屏翻译机落地应用指南在涉外酒店的前台，每天上演的是一场场跨越语言的“微外交”。当一位拖着行李箱的外宾站在柜台前，前台员工手忙脚乱地掏出手持翻译机，对着麦克风说一句，再递过去等对方回答，这种“乒乓球式”的沟通不仅拉长了办理入住的时间，更让原本应该温馨专业的接待场景显得局促且缺乏科技感。对于追求服务品质的高端酒店而言，沟通效率的低下往往直接转化为客人体验的折扣，甚至在嘈杂的大堂环境中，因听不清、译不准而引发的误解更是屡见不鲜。而蓝速科技（larxu）推出的双屏翻译设备，正是针对这一系列痛点设计的专业解决方案。

Deep Learning for Computer Vision——Large Scale Distributed TrainingGPU (Graphics Processing Unit)：最初为图形设计，现已成为通用的并行处理器（General Parallel Processor）。