语言模型

装不满的克莱因瓶

自然语言处理发展历史——从规则系统到大语言模型的演进之路目录一、前言二、NLP发展的整体阶段三、第一阶段：规则驱动时代（1950s-1990s）（一）核心思想

装不满的克莱因瓶

RLHF中的PPO算法——大语言模型对齐优化的核心引擎目录一、前言二、RLHF中的PPO位置（一）整体流程（二）直观理解三、什么是PPO（一）一句话理解（二）核心目标

【LLM技术全景】开源大模型生态：如何选择适合你的基座模型？摘要：本文是《LLM技术全景：从Token到部署》系列第六篇。随着LLaMA开源引爆生态，现在已有数十个开源大模型可供选择。但"选择困难症"也随之而来：LLaMA、ChatGLM、Qwen、DeepSeek、Mistral……到底哪个更适合我的项目？本期将系统对比主流开源模型的技术特点、中文能力、部署成本，并提供一套"模型选择决策树"，帮助开发者在2026年做出最合适的技术选型。

网安蟹佬霸

Google开源DiffusionGemma：26B MoE扩散语言模型，放弃自回归实现4倍推理加速2026年6月11日，Google正式发布实验性开源模型DiffusionGemma，以Apache 2.0许可证开放。这是一款基于文本扩散（Text Diffusion）机制构建的大语言模型，采用26B参数的MoE（Mixture of Experts，混合专家）架构，推理时仅激活约3.8B参数。与传统自回归（Autoregressive）大语言模型逐token顺序生成的方式不同，DiffusionGemma通过并行去噪的方式输出文本，每次前向传播可并行生成256个token。在单张NVIDIA H10

小米MiMo Code深度解析：基于OpenCode的长程编程Agent，三项Benchmark超越Claude Code小米MiMo团队发布了MiMo Code——一款基于OpenCode构建的终端编程Agent，MIT开源，限时免费，三项Benchmark全面超越Claude Code + Claude Sonnet 4.6。本文深度解析其技术架构、核心能力和评测数据。

我认不到你

【开源、教程】RAG全流程实现（java+完整代码）：第二弹本教程的环境基于 jdk8 + langchain4j 0.35教程源码放在这里了：worenbudaoni/rag-study-helper: 一个学习检索增强生成的全流程助手

【无标题】大语言模型（Large Language Model, LLM）是基于Transformer架构、在海量文本数据上预训练的超大规模语言模型，具备理解和生成自然语言的能力。

DeepSeek V4 Pro宣称：超GPT-5.5+永久降价75%5月下旬，DeepSeek放出了一个消息：V4-Pro API永久降价75%，输入价格从12元/百万Tokens直降到3元，输出从24元降到6元。缓存命中场景的调用价格更是降至0.025元/百万Tokens，降幅高达97.5%。

我认不到你

【开源、教程】RAG全流程实现（java+完整代码）：第一弹本教程的环境基于 jdk8 + langchain4j 0.35教程源码放在这里了： worenbudaoni/rag-study-helper: 一个学习检索增强生成的全流程助手

基于GraphRAG的地质矿产知识管理系统(Neo4j_大语言模型)b站演示视频与部署教程视频(点击这里) https://www.bilibili.com/video/BV1EXEi6EEZB/?share_source=copy_web&vd_source=31c839f46a9a845dd6dd641cbd5c2ac1

Kobebryant-Manba

学习语言模型unigram-bigram-trigram 因为人只能根据已发生的事去推测未来，用频率去代替概率一元语法即朴素贝叶斯假设，这里马尔科夫假设(参考前面文章)就是假设现在x受到前面几个影响，三元语法就是受到前面两个

如何让大模型稳定输出JSON格式数据

Coze从入门到实战---第一、二章什么是AI Agent？AI Agent是能够感知环境、自主决策、使用工具完成任务的智能体Agent和大模型的区别是什么？

大模型微调(Fine Tuning)传统函数与大模型的本质对比：普通函数： f(x) = y （给定输入 x，通过固定数学规则，算出确定的输出 y）

分形递归状态机 (FRSM) 实验报告-或将实现llm无限上下文分形递归状态机 (Fractal Recursive State Machine, FRSM) 是一种新型自回归语言模型架构，其核心原理是：

[论文学习]透过增强式 Few-Shot Learning 实现高效 PII 从大型语言模型中提取大型语言模型（LLMs）在训练时大量摄取网路资料，其中包含大量个人识别资讯（PII），如姓名、电子邮件、电话号码、职业等。这些 PII 可能来自公开来源、资料外洩或未经同意的收集，导致模型「记住」并能在提示下重现敏感资料，带来严重隐私风险（例如 spear-phishing、骚扰或身分盗用）。

仙女修炼史

初代词向量：A Neural Probabilistic Language Model不要把词看成离散符号，而是映射到一个连续向量里，例如cat -> [0.2, 0.1, 0.01,…] m是向量的维度，相似的词应该有相似向。可以这样理解，每个词都有自己的向量，词与词之间的相似性，在向量空间中，以距离近的形式表现出来。

【LLM技术全景】规模定律与模型演进：为什么模型越大越强？摘要：本文是《LLM技术全景：从Token到部署》系列第五篇。大语言模型最令人震撼的现象之一是"规模定律"（Scaling Law）——模型性能随参数量、数据量、计算量的增加而可预测地提升。本期将深入解析Scaling Law的数学原理（Kaplan定律、Chinchilla定律）、模型演进的关键里程碑（BERT→GPT→LLaMA），以及为什么"大力出奇迹"在Transformer架构下依然有效。

醒醒该学习了！

大语言模型（理论篇）人类输入的是自然语言，模型真正处理的是数字。文本进入大模型通常经历以下步骤：这条链路里最重要的认识是：大模型并不是“直接读汉字或英文单词”，而是先把文本转换成可计算的数字表示，再进行预测和生成。