语言模型

LFM2.5-24B-A2B：一个把 Agent 塞回你笔记本电脑的模型2026 年 10 月 13 日，Liquid AI 发布了 LFM2.5-24B-A2B——24B 总参数、2B 活跃参数的开源权重 MoE 模型，主打「on-device agent」。它不是又一个「比 Qwen 更大更聪明」的开源模型，而是走了一条更偏工程的路：用最小的激活成本、跑在生产级 Agent 框架里、把推理和工具调用搬到你的机器上。

魔兽争霸 III 接入大语言模型：基于文件通道的混合式游戏 AI 智能体系统设计与实现Integrating Large Language Models into Warcraft III: Design and Implementation of a Hybrid Game-AI Agent over a File-Based Inter-Process Channel

云和数据.ChenGuang

Spring AI 入门实战：构建你的第一个 AI 应用随着大语言模型（LLM）的快速发展，将 AI 能力集成到企业级 Java 应用中已成为越来越多开发者的诉求。然而，直接调用 OpenAI、通义千问等模型 API 往往需要处理繁琐的 HTTP 请求、Token 计算、上下文管理等问题。Spring AI 应运而生，它为 Java 开发者提供了一套统一的、声明式的 AI 编程接口，让构建 AI 应用变得像写普通 Spring Boot 业务代码一样简单。

howdoyoudo202606

AI审计手记 #30：从“政府网站”到“商业平台”——腾讯云沙箱AI代理越界事件的审计分析AI审计手记 #30：腾讯云沙箱AI代理越界高德地图事件——从“政府网站”到“商业平台”的AI安全审计分析

吴佳浩 Alben

一文看懂大模型推理为什么需要多卡：从 TP、DP 到 Runtime 的完整演进作者：吴佳浩（Alben）并行度不是加速器，是分账方式：拆得越细，省下来的搬运越少，要付的通信账越多——所以「能不能拆」和「值不值得拆」，是两个问题。先摆一个现象：两张 RTX 5090 开 TP2，通常拿不到两倍，甚至可能更慢。这不是驱动没调好，也不是框架不行——它是整条推理栈的分账逻辑。

EEG脑电图数据处理基础●做法：你用中文提要求，AI 把代码写成脚本、运行，你看代码和输出来验收。●为什么一定要留下脚本：论文的方法部分要能复现，用了什么软件、什么版本、每一步参数是多少，都得拿得出来。AI 在后台"帮你办完"却不留代码，这些就无从说起。

倔强的石头106

小语言模型SLM崛起_Phi_Gemma端侧部署摘要：SLM（Small Language Model，小语言模型）的价值不是全面超过大模型，而是在成本、延迟、隐私、本地部署和任务可控性上更适合。Phi、Gemma 等小模型路线提醒我们：高质量数据、蒸馏、明确任务边界、量化、RAG、工具调用和大小模型协同，可以让小模型在很多场景中“足够好”。本文会从端侧约束讲起，解释小模型为什么有用、如何估算权重和 KV Cache 内存、量化会带来什么取舍、SLM+RAG 如何设计、大小模型如何路由，以及什么时候不该用小模型。

Codex降低二次码验做的设置(需谷歌登录)一、进入安全设置步骤 1 打开 ChatGPT 设置打开左下角的账户菜单，点击 Settings（设置）。

工业产线怎么用AI生成3D场景？从现场采集、部件重建到数字孪生交付的完整方案工业产线使用AI生成3D场景，不能把目标理解成“生成一张看起来像工厂的画面”。真正可交付的方案，应拆成七个环节：明确业务目标、采集现场数据、重建设备部件、组装场景、校验尺度与接口、按目标平台优化，最后建立可以持续更新的版本机制。

跟我学机器学习

Agent记忆机制：短期记忆与长期记忆概览在第4章内容中我们详细介绍了 Agent 的工具调用与检索能力，但细心的读者可能已经注意到一个问题：在 RAG Agent 这个场景里至始至终都只涉及到了一个 Agent 来理解问题、检索内容和回答问题。但是在实际应用中，我们接触到更多的其实是多个 Agent 协作交互的场景。

多模态模型的“思考”方式：视觉、通用音频与语音的 CoT 技术路线AudioCC交我学在文本大模型中，思维链（Chain-of-Thought，CoT）通常意味着模型先写出若干推理步骤，再给出答案。一旦输入变成图像、环境声或连续语音，关键问题就从“是否逐步推理”进一步转向“用什么承载和更新中间思考状态”。

10.14 大语言模型研究简报：Anthropic 推出反蒸馏防御发布机构： Anthropic 官方发布日期： 2026 年 10 月 12 日 **北京时间： 2026 年 10 月 12 日 17:30（UTC+8）关键词： Claude、模型蒸馏、Chain-of-Thought、Preserved Thinking、模型安全

【CISC7021】Build a Toy Llama-2 Language Model在本实验中，我们将准备一个采用 Llama-2 架构的玩具语言模型，并评估数据集的困惑度。我们将学习如何使用 PyTorch 和 Hugging Face 库对基座语言模型进行继续预训练。其核心目标是用 42M 参数的玩具 Llama-2 完成三大任务——解码探索、困惑度评估和继续预训练。模型权重由 Karpathy 的 llama2.c 转换而来，数据来自 TinyStories 儿童故事数据集。

《Agentic Design Patterns》第 19 章导读：评估与监控本文是对开源书籍《Agentic Design Patterns》第 19 章的解读与导读，内容忠实呈现原文，并附个人思考。原书在线阅读：https://adp.xindoo.xyz/ ｜翻译项目代码仓库：https://github.com/xindoo/agentic-design-patterns

《Agentic Design Patterns》第 20 章导读：优先级排序本文是对开源书籍《Agentic Design Patterns》第 20 章的解读与导读，内容忠实呈现原文，并附个人思考。原书在线阅读：https://adp.xindoo.xyz/ ｜翻译项目代码仓库：https://github.com/xindoo/agentic-design-patterns

CommitFlow：面向长时程机器人操作 VLA 执行的语义承诺验证与局部修正26年9月来自国防科大的论文“CommitFlow: Semantic Commitment Verification and Local Correction for Long-Horizon Robot Manipulation VLA Execution”。

《Agentic Design Patterns》第 18 章导读：Guardrails 安全模式本文是对开源书籍《Agentic Design Patterns》第 18 章的解读与导读，内容忠实呈现原文，并附个人思考。原书在线阅读：https://adp.xindoo.xyz/ ｜翻译项目代码仓库：https://github.com/xindoo/agentic-design-patterns

微软 137B 编码模型搬到 PC：端侧推理与 Agent 权限防线2026 年 10 月 7 日，微软在旧金山一场 Windows 与 Surface 发布会上把三件事捆在一起讲：一个 137B 参数的编码模型可以下载到本地跑；GitHub 的多模型路由器 HydraFusion 开始把本地模型纳入调度；一套叫 MXC 的 Agent 执行沙箱正式 GA。官方给这套组合起的名字是 hybrid intelligence（混合智能）。

《Agentic Design Patterns》第 17 章导读：推理技术本文是对开源书籍《Agentic Design Patterns》第 17 章的解读与导读，内容忠实呈现原文，并附个人思考。原书在线阅读：https://adp.xindoo.xyz/ ｜翻译项目代码仓库：https://github.com/xindoo/agentic-design-patterns

使用agent-audit扫描Agent源码发现安全漏洞文章摘要：本文全面介绍了 Agent Audit 工具，这是一个用于扫描 Agent 源代码安全漏洞的开源静态分析工具。文章首先说明了 Agent 开发中可能面临的安全风险，然后详细展示了如何使用 Agent Audit 进行扫描并生成 SARIF 格式报告。通过扫描 openclaw 源码的实际案例，展示了工具能检测出 BLOCK、WARN、INFO 等不同级别的漏洞。最后，文章系统性地列举了 Agent Audit 能够检测的 17 种漏洞类型，包括注入攻击、提示词注入、密钥泄露、MCP 配置安全等