语言模型

大语言模型调试框架 Hugging Face vs LLaMA-Factory详细对比Hugging Face vs LLaMA-Factory：详细对比这两者定位不同，但存在重叠领域。让我从多个维度为你详细对比：

DeepSeek-R1-Qwen-32B bpe算法，分词器配置 LlamaTokenizerFast这是一个 DeepSeek 模型的 tokenizer 配置文件（tokenizer_config.json）。让我为你解析其中的关键配置：

AI核心知识97——大语言模型之 DL（简洁且通俗易懂版）深度学习 (Deep Learning, DL) 是现代人工智能真正的核心引擎。如果说人工智能 (AI) 是我们要抵达的彼岸（机器像人一样聪明），机器学习 (Machine Learning) 是通往彼岸的船（让机器从数据中找规律），那么深度学习就是驱动这艘船的核反应堆。

大语言模型 llama-factory 通常不推荐只用 LoRA 做新词库预热 embedding可以，但通常不推荐只用 LoRA 做新词库预热，原因如下：修改命令（只训嵌入层）：如果必须用 LoRA，需要手动初始化新 token 嵌入：

【AI实战教程】Nanobot实战教程：基于vLLM部署的智能QQ聊天机器人🔎大家好，我是Sonhhxg_柒，希望你看完之后，能对你有所帮助，不足请指正！共同学习交流📝个人主页－Sonhhxg_柒的博客_CSDN博客 📃

Elastic 中国社区官方博客

Elasticsearch：交易搜索 - Index search tool在这篇文章中，我们来展示如何使用 Index search 类型的 tool 来针对交易进行搜索。这篇文章是之前文章 “Elasticsearch：交易搜索 - MCP” 的续篇。我们讲使用 AI Builder 来进行搜索，但是我们创建一个叫做 index search 的 tool 类型。

Seed Prover及相关强化学习核心方法技术报告本报告系统梳理字节跳动Seed团队研发的Seed Prover自动化定理证明系统、其核心训练框架VAPO算法，以及支撑VAPO价值估计的三大核心方法——蒙特卡洛（Monte Carlo, MC）、时序差分学习（Temporal Difference, TD）、广义优势估计（Generalized Advantage Estimation, GAE）。报告重点突出各技术的核心原理、创新点及协同关系，聚焦长链推理（定理证明）场景的技术适配的优化，详略得当，兼顾严谨性与逻辑性，清晰呈现“落地系统（Seed Pr

QwenQwen3-ASR-1.7B模型深入解析我们将文件分为四大类进行详细解读，揭示它们是如何“相辅相成”的。这部分决定了模型是“什么”，以及如何搭建神经网络。

从文本生成器到自主决策者：Agentic RL如何重塑大语言模型的智能边界本文深度解读2025年重磅综述《The Landscape of Agentic Reinforcement Learning for LLMs: A Survey》（arXiv:2509.02547），揭示LLM智能体化演进的核心范式转变与技术全景

开放知识图谱

论文浅尝 | PathMind：基于检索-排序-推理的知识图谱大语言模型推理框架（AAAI2026）笔记整理：杨再润，浙江大学硕士生，研究方向大语言模型后训练论文链接：https://arxiv.org/pdf/2511.14256

PrefixQuant：基于前缀token消除离群值的大语言模型量化方法PrefixQuant的创新点：正交于通道级方法，无需训练即可隔离令牌级离群值，同时覆盖极大/极小值离群令牌，检测耗时仅12秒-1分钟。

N-gram文本生成与垃圾邮件检测add Codeadd MarkdownN-gram是自然语言处理中常用的技术，它可以用于文本生成、语言模型训练等任务。本文将介绍什么是n-gram，如何在Python中实现n-gram文本生成，并提供丰富的示例代码来帮助大家更好地理解和应用这一技术。什么是N-gram？

陈天伟教授

人工智能应用- 语言处理：07.机器翻译技术机器翻译技术的发展经历了三个主要阶段：基于规则的翻译、基于统计的翻译和基于神经网络的翻译。最初的规则翻译方法依赖人工编写的词典和语法规则，能够翻译简单句子，但难以处理实际生活中复杂的语言现象。随后，统计机器翻译（SMT）利用平行语料库自动学习语言之间的对应关系，显著提升了翻译效果。然而，SMT在处理长句或复杂句时仍然存在局限，常常会出现语义不连贯或翻译生硬的问题。近年来，神经机器翻译（NMT）凭借深度神经网络的强大学习能力，实现了从源语言到目标语言的端到端翻译。这种模型能够隐式地捕捉语言之间复杂的映射关系

码农垦荒笔记

OpenClaw实战#05-2：第二层工程拆解 Gateway 深度解析目录一、一句话核心结论（工程级）二、Gateway 为何被称为 Control Plane（控制平面）？

引导式问答-外部共情知识桥接-TriKF论文：Knowledge Bridging for Empathetic Dialogue Generation 会议：AAAI 2022 作者：Qintong Li et al.（山东大学、腾讯、香港大学）

陈天伟教授

人工智能应用- 语言处理：05.神经机器翻译自 2014 年以来，随着深度学习技术的迅猛发展，神经机器翻译（Neural Machine Translation, NMT）逐渐成为机器翻译领域的主流技术。NMT 采用深度神经网络，实现了“端到端”的翻译方式。这意味着它不再依赖传统的词典和规则，而是直接从输入的源语言句子生成目标语言句子。

Seedance 2.0 模型原理与案例体验记得去年10月Sora2爆火，小马还写过体验文章《国庆爆火的Sora2使用初探和实例生成》，时隔数月，号称国内的Sora2大模型Seedance 2.0再次火了一把。小马自然要去试一下了。

知识图谱-事件图谱的回答增强-EventRAG论文：EventRAG: Enhancing LLM Generation with Event Knowledge Graphs ACL 2025 作者：Zairun Yang、陈华均 et al. (浙江大学) 核心关键词：KGQA | Event Knowledge Graphs | RAG | Agent

沐曦MCX500安装llama factory应该是01-locale-fix.sh 、 conda.sh这两个文件导致的，首先用cat conda.sh

基于知识图谱(Neo4j)和大语言模型(LLM)的图检索增强(GraphRAG)的乳制品生产管理智能问答系统b站演示视频与部署教程视频(点击这里) https://www.bilibili.com/video/BV1SYcMzdEmM/?share_source=copy_web&vd_source=31c839f46a9a845dd6dd641cbd5c2ac1