语言模型

跟大模型对话，如何让提示词控制力更强？从随缘输出到精准可控完整指南绝大多数人使用大模型都会遇到相同痛点：同样的需求，两次回复风格、结构、重点完全不一样；模型随意发散、编造无关内容；想要固定JSON/层级大纲，结果附带一堆解释文字；复杂任务逻辑跳步、遗漏关键步骤；局部指令直接被模型忽略。

小李飞刀李寻欢

DeepSeek最新研究进展：从MoE架构到多模态突破DeepSeek 作为中国人工智能领域最具影响力的研究团队之一，近两年来在大型语言模型和多模态模型方面持续发力，以开源、高效、低成本路线赢得了全球开发者的广泛关注。从 DeepSeek-V2 的 MoE（混合专家）架构创新，到 DeepSeek-V3 的大规模预训练突破，再到 DeepSeek-R1 的推理能力跃升，以及 DeepSeek-Coder 系列在代码智能领域的深耕，DeepSeek 正在以惊人的速度缩小与国际顶尖模型的差距。本文将系统梳理 DeepSeek 的最新研究进展，帮助读者全面了解这支

敲代码的猴先生

论文分享 | TensorAbuse：通过滥用TensorFlow API将AI模型转化为恶意软件大模型除了其内在的安全问题值得关注，用户在运行模型时也会存在安全风险。分享一篇发表于 2025 年 IEEE S&P 会议的论文 TensorAbuse，该研究利用 TensorFlow API 的隐藏能力构建了强大且隐蔽的攻击。

[论文学习]大语言模型安全综述：攻击、防御、对齐、度量与护栏的深度解析论文系统性地综述了大语言模型（LLM）端到端的安全与防护流程，将整个系统划分为攻击、防御、安全对齐、度量指标与护栏机制五大核心组件。论文的核心贡献在于提供了一个统一的分析框架，将以往分散研究的各个安全环节有机整合，揭示了各组件之间的相互依赖与级联失效机制，为构建可信赖的LLM部署体系提供了系统化的理论指导。

[论文学习]隐私保护大语言模型推理实践:技术、权衡与可部署性比较研究随着大语言模型（LLM）日益被部署为云服务，用户提示词和生成结果的机密性问题已成为实际应用中的核心关切。本文对基于Transformer的LLM隐私保护推理方案进行了系统性比较调查，以支持实际部署中的操作性选择为明确目标，刻画了当前隐私保护LLM推理的实践图景，并提出了一条从可信执行环境（TEE）到全同态加密（FHE）的信任最小化部署演进路径。

ESLint 自定义规则实战：用 AST 分析封堵团队特有的代码坏味道ESLint 有数百条内置规则和社区插件。no-unused-vars、no-console、prefer-const 这些通用规则覆盖了 80% 的常见问题。但每个团队都有自己特有的"代码坏味道"，这些是通用规则永远无法覆盖的。

什么是大语言模型？和传统 NLP 模型有什么区别？大语言模型不是“会聊天的机器人”，也不是“参数多一点的 NLP 模型”。它的本质，是一个用海量文本训练出来、能够根据上下文不断预测下一个 token 的生成式模型。

当大语言模型遇上USV集群：大模型驱动的自适应路径规划方法导语近年来，人工智能大模型技术突飞猛进，已成为驱动产业变革的核心引擎。在海上救援、环境监测等复杂任务中海上救援、环境监测等复杂任务中，无人艇集群凭借其协同作业的高效性成为了海洋智能装备领域的重要发展方向。然而，在动态变化、障碍物密布的真实水域中，如何让USV集群拥有更聪明的大脑，实现高效、安全的自适应避障与路径规划？针对传统无人艇集群路径规划算法在复杂动态水域适应性差、鲁棒性不足的痛点，提出一套名为 APPT（工具函数链自适应路径规划）的全新智能规划框架，借助提示工程、向量相似度匹配、大模型自主调参实现经

LLM：用一条命令统一所有大语言模型的 CLI 工具深度解析 simonw/llm 项目——12.2k Star、63 个版本迭代、50+ 插件生态，如何成为终端 AI 工具的事实标准。

深度学习个人开源知识库深度筑基 | DeepBase自学深度学习的过程中，我长期面临各类学习资料分散杂乱的问题。Python、PyTorch、神经网络、CV、NLP、Transformer、Agent、强化学习相关教程散落各处，新手很难搭建连贯完整的知识框架。为方便自己复盘，同时给刚入门深度学习的同学提供一条清晰学习路径，我整理搭建了这套开源学习站点——深度筑基 | DeepBase。

EnergyLM: Training Transformer Language Models at EquilibriumAuthors: EnergyLM experimental report Code: energy_lm/ (PyTorch, single GPU, RTX 4090 D) Environment: Python 3.12, PyTorch 2.12 + CUDA

小白学大数据

无库无捷径，PyTorch 手写完整 Transformer 大语言模型 LLM调用 **<font style="color:rgb(0, 206, 185);background-color:rgb(252, 252, 252);">from transformers import AutoModel</font>** 只要一行代码，但真正理解 Transformer 的人少之又少。多数开发者对 Attention 的认知停留在"Q、K、V 三个矩阵"的口号层面——面试时背得出公式，动手时写不出一个完整的 Block。

经典大语言模型框架整理（gpt/llama/chatglm/qwen/deepseek）简介：发布了其最新的大型语言模型 DeepSeek-V3，这款模型在性能和效率方面都取得了显著的进步，成为当前最强大的开源基础模型之一。DeepSeek-V3 是一款拥有 671B参数的大型混合专家 (MoE) 模型，其中每个 token 会有 37 B参数被激活。

大模型时代存储市场复盘 2024-2026：AI 训推爆发下的存储需求变革2024 年之前，云上"存储"三个字，在多数架构评审会上是垫底的话题。价格年年降、可用性年年升、容量随手扩，工程师最多在冷热分层上抠一抠账单。2024 年生成式 AI 爆发之后，这套惯性彻底崩了。

ShellGPT：当大语言模型遇见命令行——深度解析一个 CLI AI 生产力工具的设计与实现在 AI 工具井喷的时代，大多数产品都选择了 GUI 或 IDE 插件作为交互载体。而 ShellGPT（sgpt）走了一条不同的路：将 LLM 的能力直接嵌入终端工作流，让开发者在最熟悉的 Shell 环境中以自然语言获取 shell 命令、代码片段和文档，无需切换窗口或打开浏览器。这种"AI-in-the-loop"的设计哲学，使它在 GitHub 上收获了超过 12K Star，成为 CLI AI 工具领域的标杆项目。

临界分词的存在性与最优性：从统计临界态到神经语言模型的双语实证检验一项关于"自然语言分词是否存在内禀临界点，以及该点是否最优"的可证伪研究。含 n-gram 统计分析（中/英）与线性 SSM 语言模型（FRSMASH v3.6，~8M 参数）双语验证。

如此这般英俊

手搓Claude Code-第六章 subagent第六章开始事情变得有趣了起来，我们正式进入多agent的主题，前面五章全是一个agent在单打独斗，而真实的复杂的环境中往往需要多个agent协作来解决一个问题。就比如上一章节最后的时候，我们给agent单独跑了一个任务，但是发现整个执行非常慢。如果我们引入了多个agent，并发的处理多个不同的小任务，从而完成整个目标，是不是就会快了很多。当然，本章不涉及并发处理，仅仅介绍如何引入subagent去帮助我们的主agent处理任务的过程。完整代码见： https://github.com/shareAI-l

[论文学习]DP-Fusion:面向大语言模型的令牌级差分隐私推理-深度解析DP-Fusion 是由 MBZUAI（穆罕默德·本·扎耶德人工智能大学）的 Rushil Thareja、Preslav Nakov、Praneeth Vepakomma 和 Nils Lukas 等学者提出的一种面向大语言模型（LLM）的令牌级差分隐私推理（DPI）机制。该机制通过数学证明的方式约束上下文中的敏感令牌对 LLM 输出的影响边界，在文档隐私化任务中实现了可证明的隐私保护，同时将输出质量（困惑度）提升至现有最优基线方法的 6 倍。该论文已发表于 arXiv（2025年7月），并入选 ICL

【2】大语言模型基础认知深度塌陷：何凯明残差连接监督学习：标注数据，学习特征判断标签非监督学习：非标注数据（可能是残缺的数据，缺少中间一段问题、图片遮盖住了一部分等）强化学习：对行为进行约束或者增强时，采用强化学习（正反馈和负反馈机制）

【3】大语言模型的核心原理这部分主要解释了“大模型为什么长这样”。大语言模型和传统的机器学习有哪些差异为什么会用到 Transformer