语言模型

人工智能培训

具身智能如何在保证安全的前提下高效探索学习？具身智能的核心的是通过物理实体与环境的交互获取认知、优化行为，其探索学习本质是“试错—反馈—迭代”的循环。但物理交互的不可逆性（如机器人碰撞损坏、误触危险设备），使得“安全”与“高效”成为核心矛盾——过度强调安全会导致探索保守、学习低效，盲目追求高效则可能引发安全事故。结合当前技术研究成果，需从安全边界构建、学习范式优化、技术协同支撑三个层面系统设计，实现二者动态平衡，让具身智能既能“大胆探索”，也能“守住底线”。

AI核心知识82——大语言模型之AI Value Alignment（简洁且通俗易懂版）AI 价值观对齐 (AI Value Alignment) 是大语言模型领域最重要、最严肃的安全课题。

学而要时习

深度神经网络到AI大语言模型：一场被“误认为突然发生”的技术演进摘要：近年来，大语言模型（LLM）展现的跨领域泛化能力常被公众认知为"人工智能的突变式爆发"。本文从计算学习理论、网络架构机制、优化目标演进与系统工程约束四个维度，论证现代AI大模型并非技术代际的断裂，而是深度神经网络（Deep Neural Networks, DNN）在规模扩展律（Scaling Laws）与自监督学习范式驱动下的必然连续形态。所谓"智能跃迁"，本质上是高维统计学习系统在数据量、参数量与计算量跨越临界规模阈值（Critical Threshold）后产生的相变现象（Phase Tran

AI核心知识81——大语言模型之MaaS（简洁且通俗易懂版）MaaS 是 Model as a Service（模型即服务）的缩写。在大语言模型（LLM）的语境下，它代表了一种全新的商业模式和技术分发方式。

VEQ Modality-Adaptive Quantization for MoE Vision-Language ModelsAuthors: Guangshuo Qin, Zhiteng Li, Zheng Chen, Weihang Zhang, Linghe Kong, Yulun Zhang

大语言模型llm 量化模型跑在边缘设备小显存显卡 GGUF GGML PyTorch (.pth, .bin, SafeTensors)GGUF（GPT-Generated Unified Format）是一种为机器学习模型设计的二进制文件格式，特别优化用于高效加载和运行模型，尤其是在资源受限的环境（如个人电脑、手机、边缘设备）上。

Towards Automated Kernel Generation in the Era of LLMs：LLM 时代的自动化 Kernel 生成全景图现代 AI 系统的性能很大程度取决于 Kernel 的质量。Kernel 把高层算法语义翻译成硬件层的并行执行指令，但要做到接近硬件峰值性能，需要对 GPU 架构、内存层级、并行编程模型有深度理解。问题在于：

小学生0基础学大语言模型应用（第 19 课《字符串提示词训练（Prompt Thinking）》）适用对象：已学过字符串、print、input信息学 / AI 素养启蒙想象一下，你面前有一个非常聪明的机器人 🤖

狮子座明仔

AgentScope 深度解读：多智能体开发框架的工程化实践一句话总结：AgentScope 把多智能体开发从"每次都要造轮子"变成"拼积木"——消息驱动的通信、内置的容错机制、本地和分布式代码零差异，这三板斧砍下来，工业级多 Agent 应用的开发门槛直接降了一个量级。

庵中十三居士

智谱清言智能体的设定（系统提示词）新建智能体试了一下，把智谱清言的智能体提示词背后的格式测了出来。内容是：以下是具体的调试过程：

源代码杀手

大型语言模型的主体推理（一项综述）：2026 最新！Agentic Reasoning 终极指南——最全 LLM 智能体推理论文合集 + 核心架构解析本文围绕《Agentic Reasoning for Large Language Models》综述及配套开源仓库 Awesome-Agentic-Reasoning 展开，解读了 LLM 智能体推理（Agentic Reasoning）这一核心技术。文章首先界定了智能体推理的本质 —— 构建 “思考 - 行动 - 反馈 - 进化” 闭环，具备目标导向、环境交互和自我进化能力；随后详解其三层架构（基础推理层：规划、工具使用、智能搜索；自我进化层：反馈机制、记忆管理、能力进化；集体协作层：角色分工、协同合

hjs_deeplearning

文献阅读篇#16：自动驾驶中的视觉语言模型：综述与展望（翻译）自动驾驶中的视觉语言模型：综述与展望文章发表于一区Top期刊IEEE Transactions on Intelligent Vehicles，DOI 10.1109/TIV.2024.3402136

大语言模型核心评测基准详解：从认知到实践——研究测试专家学习总结文档（2026年更新版）大模型能力如“冰山”——表面流畅，水下能力需专业探针。单一指标（如BLEU）已失效，多维度、场景化、抗欺骗性的基准组合成为行业共识。本文精选9个经工业界/学术界验证的核心基准，按“定义→价值→实操→升华”四层逻辑拆解，助你： ✅ 精准定位模型能力短板 ✅ 避免评测陷阱与误读 ✅ 设计专业、可信的评测方案

Text to SQL系统的千层套路~引言你好，我是司沐。在上个月月初，有个朋友说，他们团队正在做Text2SQL系统，想问问我有没有什么技巧。

AI核心知识80——大语言模型之Slow Thinking和Deep Reasoning（简洁且通俗易懂版）慢思考 (Slow Thinking) 和深度推理 (Deep Reasoning) 是 2024 年以 OpenAI o1 和 DeepSeek-R1 为代表的新一代大模型所引入的核心概念。

OCR 模型在医疗场景的选型研究随着医疗信息化进程的深入推进，电子病历识别和医学影像报告分析等 OCR 应用需求日益增长。然而，医疗数据的隐私敏感性和合规要求使得本地化部署成为必然选择。本研究聚焦 Qwen3-VL、DeepSeek OCR 等主流大厂模型在医疗场景下的准确率表现，为医疗机构的技术选型提供决策依据。

AI核心知识79——大语言模型之Knowledge Conflict（简洁且通俗易懂版）知识冲突 (Knowledge Conflict) 是大语言模型在处理 RAG (检索增强生成) 任务时最头疼、也是最常见的现象。

【论文速读】MUSE: 层次记忆和自我反思提升的 Agent论文标题: Learning on the Job: An Experience-Driven, Self-Evolving Agent for Long-Horizon Tasks 作者: Cheng Yang 1 , 2 † ^{1,2†} 1,2†, Xuemeng Yang 2 † ^{2†} 2†, Licheng Wen 2 , 4 † ^{2,4†} 2,4†, Daocheng Fu 3 , 2 ^{3,2} 3,2, Jianbiao Mei 5 , 2 ^{5,2} 5,2, Rong

翱翔的苍鹰

一个简单的法律问答机器人实现思路法律问答机器人是当前 AI 落地最成熟、需求最明确的垂直场景之一。结合你“想做法律问答机器人”的目标，我将从 **模型选型 → 知识增强 → 部署方案 → 安全合规** 四个维度，为你提供一套**务实、高效、可落地**的技术路径，并附上一份更聚焦“法律 AI”的知识总结。

AI算法工程师面试：大模型和智能体知识（含答案）目录一、中级算法工程师知识（原理题）题目1：Transformer 核心架构的原理和工作流程题目 2：多头注意力机制的设计动机