语言模型

参数高效微调：从低秩理论到 LoRA 及其变体（2）Adapter（Houlsby et al., 2019）在 Transformer 层的两个位置插入小型模块：

LangChain 与大语言模型大语言模型（Large Language Model, LLM）是一类基于深度学习的自然语言处理模型，通过在海量文本数据上训练，能够理解和生成人类语言。

weixin_46846685

纳米 AI 搜索新手极速上手指南在日常开发和技术调研中，我们常常面临这样的困境：面对海量的互联网信息，传统搜索引擎返回的往往是成千上万个链接，我们需要花费大量时间逐个点击、筛选、阅读，才能拼凑出所需的答案。尤其是在处理复杂的行业分析、技术栈选型或是需要跨文档逻辑推理的任务时，这种“搜索 - 阅读 - 总结”的低效循环极大地拖慢了工作节奏。很多时候，我们真正需要的不是一个链接列表，而是一个经过整理、分析并直接给出结论的智能助手。

AI应用的API安全：从认证到授权的完整指南我们的 API 曾经被恶意调用，导致服务不可用。后来我们建立了完整的 API 安全体系。今天，分享我们是如何保护 API 的。

创业团队如何进行绩效管理我们早期没有绩效管理，大家干好干坏一个样。后来团队变大了，需要建立公平的评价体系。今天，分享我们是如何进行绩效管理的。

波动力学语言模型（Wave Dynamics Language Model, WDLM）在波动力学中，波函数的演化遵循薛定谔方程： [ i\hbar\frac{\partial \psi}{\partial t} = \hat{H}\psi ]

世界动作模型：具身智能的下一前沿26年5月来自复旦大学、上海AI实验室和新加坡国立的论文“World Action Models: The Next Frontier in Embodied AI”。

部署/推理大模型的程序架构（推理引擎/框架）及其开源协议以下是当前主流大模型推理框架的开源协议汇总：如果你需要，我可以针对某个具体框架深入分析其协议对商业场景的影响。

LLMLingua：用小型模型“剪枝”大语言模型提示词，让长文本不再昂贵在 LLM 应用中，提示词（Prompt）常常携带大量冗余信息，导致 token 浪费、成本飙升。LLMLingua 提出了一种创新方法：用一个更小的模型（如 GPT‑2 或 LLaMA‑7B）来评估原始提示词中每个 token 的“信息熵”或“困惑度”，然后剔除那些对语义理解贡献最小的 token，从而实现高压缩率下的语义保留。本文从原理、代码实现到定量评估和面试问答，全面解析 LLMLingua 技术。

从机器学习到大语言模型：一文讲清 AI、Transformer、Embedding 和向量数据库人工智能（AI）的核心目标，是让计算机具备某种“看懂、听懂、判断、生成、决策”的能力。如果用传统编程解决问题，我们通常要先写好明确规则，再让程序严格执行。例如计算加班工资：

Function Calling 技术实现：让 AI 与世界交互Function Calling（函数调用）是现代 AI Agent 实现的关键技术。它让大模型能够生成结构化的函数调用指令，从而与外部系统交互、执行复杂任务。

基因泰克：检测级虚拟细胞基准！大语言模型+智能体机器学习与大规模生物数据的进展重新激发了构建虚拟细胞（预测细胞行为的计算模型，可加速生物学发现）的研究前景。该愿景的核心应用是体外表型筛选，即模型预测细胞扰动在未知生物场景下的效应，该任务融合异质文本输入与多样表型输出，高度适配大语言模型与智能体系统。但目前该任务缺乏标准化基准，现有研究仅聚焦分子层面读数，与真实药物研发流程中的表型终点脱节。本研究推出基于1,920个公开CRISPR筛选构建的表型筛选预测基准AssayBench，覆盖５大类细胞表型；将筛选预测任务定义为单筛选基因排序任务，提出调整型归一化

z小猫不吃鱼

15 InstructGPT 论文精读：SFT + RLHF 如何让模型听懂指令？在前面的文章中，我们已经讲到了 GPT-1、GPT-2、GPT-3、In-Context Learning、Prompt Engineering 和 Scaling Law。

【Agent智能体12 | 反思设计模式-使用外部反馈】声明：本篇博客是以吴恩达的【Agent智能体】教程为基础，并对其中的内容做了笔记整理以及个人收获的总结。

有来有去9527

【模型评测】SWE-bench Verified数据集-2-修复精度偏离可以直接修改 swebench.yaml 中的 system_template 和 instance_template。项目里已经提供了不同风格的配置供参考：

【Agent智能体11 | 反思设计模式-评估反射的影响的方法】声明：本篇博客是以吴恩达的【Agent智能体】教程为基础，并对其中的内容做了笔记整理以及个人收获的总结。

从深度学习到大语言模型：神经网络、CNN、RNN、Transformer、BERT、GPT、Embedding、向量数据库与 RAG很多同学第一次接触人工智能时，会先听到“机器学习”“深度学习”“大模型”“AIGC”“RAG”这些词。它们看起来像一堆新概念，其实是有清晰层次的。

有来有去9527

【模型评测】SWE-bench Verified数据集-1-配置评测任务安装后会得到两个 CLI 命令：mini（交互式）和 mini-extra（批量评测等工具）。跑 SWE-bench-verified 的核心命令是 mini-extra swebench：

如此这般英俊

手撕Claude Code—第一章 agent-loop这一章ShareAI讲述了一个harness运行的最小单元框架。我们的任务是：捋清一个agent在执行一次任务时的清晰逻辑。完整代码见：https://github.com/shareAI-lab/learn-claude-code/blob/main/s01_agent_loop/code.py

阿里云 DSW 实战：从零完成 Qwen3-4B 大模型 LoRA 微调全流程很多人说大模型微调门槛高，尤其是在阿里云 DSW 这种云环境里，光是环境配置和网络问题就能劝退新手。我这次亲身体验了一遍，从模型下载、环境配置、训练启动到权重合并，踩了几乎所有新手会遇到的坑，也总结了一套能一次跑通的完整流程。