语言模型

准确率不变，概率质量也不变吗？系列：可信预测实验室：从模型置信度到可检验的拒答前一篇固定模型预测，只改变分箱方式，发现校准误差会随测量口径变化。这一次把问题再往前推进：如果每条样本的预测类别完全不变，概率质量是否也应该不变？这不是文字游戏。准确率只记录答案是否命中标签，无法区分一次谨慎的错误和一次几乎不给正确答案留余地的错误。科研报告若只保留一个准确率数字，就可能把这部分差异全部丢掉。

长期记忆让智能体更可靠，还是让错误持续累积？假设科研助手曾经用某种清洗规则处理一份数据，并得到正确结果。它把规则写入长期笔记，下次遇到字段相似的数据便照搬，却忽略了单位已经改变。更麻烦的是，新结果又被总结为“成功经验”，进入下一次检索。这是说明问题的假设场景，不是本次实验。

JAVA_AI人工智能项目实战

深度学习实验笔记自从2022年，ChatGPT横空出世后，LLM的使用，变得普及化。就像电灯的发明，让电走进千万家一样。而ChatGPT这类LLM，底层就是使用的深度学习DeepLearning来训练获取到的。

生成式引擎优化技术解析：大语言模型外部内容采信机制与工程实践大语言模型的广泛普及，使 AI 问答逐步成为公众获取信息的重要途径。与之相伴，一个技术议题开始受到开发者和内容工程从业者的关注 —— 生成式引擎优化，即 GEO。其研究的问题可以概括为：外部内容如何被大模型识别、收录，并在用户提问时被优先采信与引用。这一问题涉及语义理解、信息架构、信源治理与持续监测等多个层面，具有较高的工程复杂度。本文以技术视角对其底层机制、关键环节与落地难点作系统梳理，以供相关从业者参考与探讨。

《C++ 项目：手写大模型接入 SDK》DeepSeek接口设计（上）：初始化和全量响应🔥小叶-duck：个人主页❄️个人专栏：《Data-Structure-Learning》《C++入门到进阶&自我学习过程记录》《Linux系统从入门到实践》《Linux网络从入门到实践》《Qt 方寸极境》《MySQL》

【AI编译器入门⑥】端到端编译流程实战：ONNX → TVM → TensorRT全链路本文是「AI编译器」系列的第六篇。前面我们分别讲了前端、中端、后端，今天把它们串起来——从ONNX模型开始，经过TVM中端优化，再选择不同的后端（CUDA/CUTLASS/TensorRT），最终生成可部署产物。本文带你完整走一遍端到端编译链路。

【Plain Language Large Model】【从麦当劳点餐到Redis接入：MCP如何让AI工具集成变简单】流食般投喂课程主题：MCP（Model Context Protocol）技术解析与实战入门核心观点：MCP 不是又一个封闭的收费接口，而是 AI 应用与外部工具之间的“万能 Type-C 口”。它把传统模式下 M×N 的定制化开发，压缩成了 M+N 的标准接入。

AI模型调用笔记

Copilot Fusion：用 Python 跑通模型级联模型接口返回了 HTTP 200，后面的程序却没法继续：JSON 少了字段，修改计划指向项目里不存在的文件，或者答案在输出上限处被截断。

自演化智能体驾驭论文：Self-evolving Agent Harness（arXiv:2610.18813），来自中关村学院，中关村人工智能研究院和中国科学技术大学。

日日大王学编程

LangGraph 基本用法详解：从入门到实战在构建基于大语言模型（LLM）的应用时，我们常常遇到这样的场景：一个问题可能需要多次调用模型才能解决；需要根据模型的输出决定下一步做什么；需要调用外部工具（搜索、数据库查询等）；某些任务需要反复执行直到满足条件。

从零理解大语言模型：AI、LLM、训练成本与手机助手的底层逻辑Build a Large Language Model (From Scratch) 中文版最近我在读 Sebastian Raschka 的《从零构建大模型》（Build a Large Language Model From Scratch）第一章，结合自己实际产生的疑问，把核心概念重新梳理了一遍。

Agentic World Action Models（AW-0）贡献与不足分析论文：Agentic World Action Models（UC Berkeley / NVIDIA / UPenn，2026.10）

把一个 Qwen3.8的聊天模型改造成 JEV 决策模型普通大模型回答"这道题选 A 还是 B"的方式是生成文字：吐出 “答案是 B”，你再拿正则去解析。慢、会格式错、而且它写出来的"我有 80% 把握"是编的，不是真实置信度。

全文 - SGLang: Efficient Execution of Structured Language Model Programs单位： ¹ 斯坦福大学（Stanford University） ² 加州大学伯克利分校（UC Berkeley） ³ 上海交通大学（Shanghai Jiao Tong University） ⁴ 德州农工大学（Texas A&M University） ⁵ 独立研究员（Independent Researcher）

【AI编译器入门④】编译中端：图优化Pass全解析——DCE、常量折叠、算子融合与布局变换本文是「AI编译器」系列的第四篇。如果说前端是"入口"、后端是"出口"，那中端就是AI编译器的"大脑"——它在不改变推理结果的前提下，把计算图变得更干净、更高效。本文带你认识最核心的几类图优化Pass：死代码消除、常量折叠、算子融合、布局转换……以及如何手写一个自定义Pass。

大语言模型 Greedy Decoding，贪心解码 / 贪心搜索大模型生成文字时，每一步直接选当前概率最高的 token（词元），不看后面、不随机采样、不保留多个候选，公式： KaTeX parse error: Can't use function '\(' in math mode at position 18: …t=\arg\max P(w|\̲(̲y_t=\arg\max P(…

郝学胜-神的一滴

AI 编程智能体 16：从零基础搭建到精细化优化很多小伙伴在入门LangChain智能体开发时，都会踩一个致命误区：以为大模型拿到工具后就能自动干活、自动执行任务。

大模型批量生成中的左填充 (left padding)与右填充 (right padding)：从生成正确性到 GRPO 的混合策略这一节首先明确 padding 要解决什么问题、通常怎么做。目标。仅解码器模型和编码器模型都按 batch 计算张量，而一个 batch 内各条序列长度往往不同。padding 的目标是把它们补齐到同一长度，使 batch 可以表示为一个规则张量。设第 iii 条序列长度为 LiL_iLi，batch 内最大长度为 Lmax⁡=max⁡iLi L_{\max}=\max_i L_i Lmax=imaxLi

Ollama 本地部署大语言模型笔记目的：使用 Ollama 在本机下载、运行和管理大语言模型，并通过本地 API 将模型接入自己的应用。适用系统：Windows、macOS、Linux。更新日期：2026-10-27

【AI编译器入门②】TVM架构拆解：Relay、Relax、TIR与Runtime四层结构本文是「AI编译器」系列的第二篇。TVM是学术界和工业界最成熟的AI编译器之一。很多人学TVM时容易被一堆名词搞晕：Relay、Relax、TIR、TE、Schedule、Runtime……它们都是什么？有什么关系？本文把TVM的四层架构拆开讲清楚，帮你建立整体认知。