语言模型

大语言模型（LLM）架构核心解析（干货篇）区分大模型开源与闭源生态的核心差异掌握LLM三大主流架构及衍生架构（MoE）的核心逻辑深入理解BERT、GPT、T5、Mixtral等代表模型的架构创新与适用场景

AI绘画哇哒哒

【收藏必看】大模型智能体六大设计模式详解：从ReAct到Agentic RAG，构建可靠AI系统随着大模型技术的成熟，智能体正在从概念走向实际应用。与传统的单次问答系统不同，智能体能够自主规划、使用工具、反思决策，并通过多轮交互完成复杂任务。本文探讨当前业界最主流的六种智能体设计模式，这些模式已经在各大AI产品中得到验证和应用，为开发者提供了构建可靠智能体系统的技术参考。

python零基础入门小白

【万字长文】大模型应用开发：意图路由与查询重写设计模式（从入门到精通）在构建智能体或 RAG 系统时，我们经常面临一个核心挑战：用户的自然语言输入与系统的执行逻辑之间存在巨大的鸿沟。

3.会话功能-AiServices工具类 <dependency> <groupId>dev.langchain4j</groupId> <artifactId>langchain4j-spring-boot-starter</artifactId> <version>1.0.1-beta6</version> </dependency>

AI Prompt应用实战：评论审核系统实现作者：CSDN 博主适用人群：AI 工程师、后端开发者、内容安全从业者、Prompt 工程学习者关键词：Prompt Engineering、GPT-4、内容审核、AI 安全、合规过滤、大模型应用、CSDN 教程

使用AI（GPT-4）实现AI prompt 应用--自动审核评论系统关键词：Flask、GPT-4、自动审核、内容合规、APScheduler、SQLAlchemy、评论系统、CSDN 教程

Curvatureflight

GPT-4o Realtime 之后：全双工语音大模型如何改变下一代人机交互？今年以来，以 GPT-4o Realtime、Meta SeamlessM4T、Google Astra Speech 为代表的全双工语音大模型（Full-duplex Speech LLM）成为 AI 技术圈的核心热点。这些模型不再仅仅做“语音识别 + 翻译 + 合成”，而是真正实现：

VLM经典论文阅读：【综述】An Introduction to Vision-Language Modeling近年来，语言建模领域取得了令人瞩目的进展。许多大型语言模型（LLM）（如Llama或ChatGPT）如今已能解决种类繁多的任务，其应用正日益普及。这些原本主要局限于文本输入的模型，现已扩展至具备视觉输入能力。将视觉与语言相连将解锁众多应用，而这些应用正是当前基于人工智能的技术革命之关键。尽管已有若干工作将大型语言模型扩展至视觉领域，但语言与视觉的连接问题尚未得到彻底解决。例如，若无依赖额外数据标注的复杂工程辅助，大多数模型在理解空间关系或计数方面仍显吃力。许多视觉语言模型（VLM）也缺乏对属性和顺序的理解

开放知识图谱

论文浅尝 | 利用条件语句激发和提升大语言模型的因果推理能力（CL2025）笔记整理：刘轶，天津大学硕士，研究方向为知识图谱和大模型论文链接：https://doi.org/10.1162/coli_a_00548

增强城市数据分析：多密度区域的自适应分区框架原文: Enhancing Urban Data Analysis: Adaptive Partitioning Framework for Multidensity Regions 欢迎引用！

人机与认知实验室

国内主流大语言模型之比较以下是对当前国内主流大语言模型（LLM）——阿里通义千问（Qwen ）的系统性对比分析，涵盖其核心技术特点、性能表现、应用场景、生态布局及战略定位等方面的异同。本分析基于截至2025年11月的公开资料与行业共识。

AdamW的继任者？AdamHD让LLM训练提速15%，性能提升4.7%，显存再省30%在训练大语言模型（LLM）时，我们常常聚焦于模型架构、数据质量和训练规模，但一个“幕后英雄”同样至关重要——优化器。多年来，AdamW 一直是训练Transformer模型的黄金标准。但它真的完美无缺吗？

深入解析 PyPTO Operator：以 DeepSeek‑V3.2‑Exp 模型为例的实战指南在如今的大模型部署世界里，大家讨论得最多的往往是模型本身：参数规模、上下文长度、推理速度、吞吐表现……但只要真正踩过一次从“模型参数”到“实际落地推理服务”的坑，很快就能意识到，决定性能上限的其实并不是模型本身，而是躲在系统底层的那一层算子实现。尤其是在像 DeepSeek-V3.2-Exp 这种体量级别的模型里，任何一个算子的执行效率、调度策略、内存占用乃至调优方式，都可能在最终推理效果上被无限放大。

1.大模型使用1.自己部署云服务器部署优点：前期成本低，维护简单。缺点：数据不安全，长期使用成本高。本地部署优点：数据安全，长期成本低。

快速上手大模型：深度学习13（文本预处理、语言模型、RNN、GRU、LSTM、seq2seq）目录1 文本预处理1.1 库1.2 读取数据集1.3 词元化1.4 词表2 语言模型2.1 定义2.2 代码

RAG 的诞生：为了让 AI 不再“乱编”人工智能和大语言模型（LLM）的发展，让机器能够理解和生成自然语言，像人类一样回答问题、写文章，甚至生成代码。但单靠模型内部的“记忆”，往往有几个问题：

【论文阅读19】-用于PHM的大型语言模型：优化技术与应用综述题目：Large language models for PHM: a review of optimization techniques and applications

基于Ollama和Spring AI：本地大模型对话与 RAG 功能实现目录前言先知道部署部署 Ollama 平台1: 下载 ollama docker 镜像2: 如果命令拉去失败了，也可本地上传镜像包到服务器

程序员与背包客_CoderZ

C/C++版LLM推理框架Llama.cpp——入门与编码实战llama.cpp是由Georgi Gerganov创建的轻量级推理引擎，它是基于C/C++语言编码实现的LLM框架，支持大模型的训练和推理，专注于在本地硬件环境(比如个人电脑、树莓派等)上高效运行LLM模型。

走向通用智能的大语言模型：具身、符号落地、因果与记忆的统一认知视角——解读《Large language models for artificial general intelligence (AGI): A survey of foundational principles and approaches》