语言模型

LLM：用一条命令统一所有大语言模型的 CLI 工具深度解析 simonw/llm 项目——12.2k Star、63 个版本迭代、50+ 插件生态，如何成为终端 AI 工具的事实标准。

深度学习个人开源知识库深度筑基 | DeepBase自学深度学习的过程中，我长期面临各类学习资料分散杂乱的问题。Python、PyTorch、神经网络、CV、NLP、Transformer、Agent、强化学习相关教程散落各处，新手很难搭建连贯完整的知识框架。为方便自己复盘，同时给刚入门深度学习的同学提供一条清晰学习路径，我整理搭建了这套开源学习站点——深度筑基 | DeepBase。

EnergyLM: Training Transformer Language Models at EquilibriumAuthors: EnergyLM experimental report Code: energy_lm/ (PyTorch, single GPU, RTX 4090 D) Environment: Python 3.12, PyTorch 2.12 + CUDA

小白学大数据

无库无捷径，PyTorch 手写完整 Transformer 大语言模型 LLM调用 **<font style="color:rgb(0, 206, 185);background-color:rgb(252, 252, 252);">from transformers import AutoModel</font>** 只要一行代码，但真正理解 Transformer 的人少之又少。多数开发者对 Attention 的认知停留在"Q、K、V 三个矩阵"的口号层面——面试时背得出公式，动手时写不出一个完整的 Block。

经典大语言模型框架整理（gpt/llama/chatglm/qwen/deepseek）简介：发布了其最新的大型语言模型 DeepSeek-V3，这款模型在性能和效率方面都取得了显著的进步，成为当前最强大的开源基础模型之一。DeepSeek-V3 是一款拥有 671B参数的大型混合专家 (MoE) 模型，其中每个 token 会有 37 B参数被激活。

大模型时代存储市场复盘 2024-2026：AI 训推爆发下的存储需求变革2024 年之前，云上"存储"三个字，在多数架构评审会上是垫底的话题。价格年年降、可用性年年升、容量随手扩，工程师最多在冷热分层上抠一抠账单。2024 年生成式 AI 爆发之后，这套惯性彻底崩了。

ShellGPT：当大语言模型遇见命令行——深度解析一个 CLI AI 生产力工具的设计与实现在 AI 工具井喷的时代，大多数产品都选择了 GUI 或 IDE 插件作为交互载体。而 ShellGPT（sgpt）走了一条不同的路：将 LLM 的能力直接嵌入终端工作流，让开发者在最熟悉的 Shell 环境中以自然语言获取 shell 命令、代码片段和文档，无需切换窗口或打开浏览器。这种"AI-in-the-loop"的设计哲学，使它在 GitHub 上收获了超过 12K Star，成为 CLI AI 工具领域的标杆项目。

临界分词的存在性与最优性：从统计临界态到神经语言模型的双语实证检验一项关于"自然语言分词是否存在内禀临界点，以及该点是否最优"的可证伪研究。含 n-gram 统计分析（中/英）与线性 SSM 语言模型（FRSMASH v3.6，~8M 参数）双语验证。

如此这般英俊

手搓Claude Code-第六章 subagent第六章开始事情变得有趣了起来，我们正式进入多agent的主题，前面五章全是一个agent在单打独斗，而真实的复杂的环境中往往需要多个agent协作来解决一个问题。就比如上一章节最后的时候，我们给agent单独跑了一个任务，但是发现整个执行非常慢。如果我们引入了多个agent，并发的处理多个不同的小任务，从而完成整个目标，是不是就会快了很多。当然，本章不涉及并发处理，仅仅介绍如何引入subagent去帮助我们的主agent处理任务的过程。完整代码见： https://github.com/shareAI-l

[论文学习]DP-Fusion:面向大语言模型的令牌级差分隐私推理-深度解析DP-Fusion 是由 MBZUAI（穆罕默德·本·扎耶德人工智能大学）的 Rushil Thareja、Preslav Nakov、Praneeth Vepakomma 和 Nils Lukas 等学者提出的一种面向大语言模型（LLM）的令牌级差分隐私推理（DPI）机制。该机制通过数学证明的方式约束上下文中的敏感令牌对 LLM 输出的影响边界，在文档隐私化任务中实现了可证明的隐私保护，同时将输出质量（困惑度）提升至现有最优基线方法的 6 倍。该论文已发表于 arXiv（2025年7月），并入选 ICL

【2】大语言模型基础认知深度塌陷：何凯明残差连接监督学习：标注数据，学习特征判断标签非监督学习：非标注数据（可能是残缺的数据，缺少中间一段问题、图片遮盖住了一部分等）强化学习：对行为进行约束或者增强时，采用强化学习（正反馈和负反馈机制）

【3】大语言模型的核心原理这部分主要解释了“大模型为什么长这样”。大语言模型和传统的机器学习有哪些差异为什么会用到 Transformer

【AI】我们没有护城河，OpenAI也没有原文 https://www.semianalysis.com/p/google-we-have-no-moat-and-neither

Agentic AI正在重构整个生物信息学工作流生命科学机构正采用可主动统筹复杂工作流的Agentic AI系统，有望实现运行速度更快、管控性更强的生物信息学处理流程，同时提升可追溯审计能力与机构运营承载力。

TRINITY-Router: 用数据证伪LLM路由假设 - 8模型316题实验报告本文介绍了 TRINITY-Router 项目的实验研究，旨在验证轻量级路由器在竞赛级编程任务分配中的有效性。项目基于 OpenFugu 论文设计，使用 Qwen3-0.6B 作为骨干网络，通过 SVF 层和分解线性头实现模型选择，采用 CMA-ES 进化策略进行训练。

AI Agent 入门与实战：从对话到干活，理解下一代AI工作方式一、背景 2026年上半年，AI行业最重要的一次范式转移已经发生。从ChatGPT到Claude，从豆包到DeepSeek，我们熟悉的大语言模型正在从"对话工具"演变为"执行者"。这种新的AI形态被称为Agent——AI智能体。

FATE：面向物理落地机器人课程学习具备主动修复功能且考虑可行性-觉察的闭环任务生成方法26年3月来自清华和BIGAI的论文“FATE: Closed-Loop Feasibility-Aware Task Generation with Active Repair for Physically Grounded Robotic Curricula”。

A.说学逗唱的Coke

【大模型专题】Qoder 实战指南：从安装到 Agents 自主开发全流程阿里云 Qoder CN —— 下一代 Agentic 编程平台深度实战手册2026 年，AI 编程工具的战场已经从「谁的补全更准」转向了「谁能自主交付完整功能」。当你还在手动 Tab 补全代码时，别人已经把整个功能需求扔给 AI，下班前验收结果了。

[论文学习]BackdoorLLM:大语言模型后门攻击与防御的综合性基准——深度解析大语言模型（LLM）在各类任务中取得了卓越表现，但其安全性面临一个严峻挑战——后门攻击：攻击者通过在输入中植入特定触发器，即可操控模型产生预设的恶意输出。然而，现有后门研究主要聚焦于视觉模型和文本分类任务，生成式LLM的后门威胁长期处于研究空白。

大模型任我行

百度：渐进多令牌预测加速文档解析📖标题：P-MTP: Efficient Document Parsing via Multi-Token Prediction with Progressive Depth Scaling 🌐来源：arXiv, 2606.24447v1