语言模型

AI前沿日报 2026-09-19本期主题：安全悖论 — AI越强大，攻击面越大📖 读前必读本期 18 条要闻，聚焦一个核心矛盾：AI 能力边界的扩展速度，远超安全基础设施的跟进速度。美军使用 AI 生成军事情报险些引发误判；GLM 家族的 ZCode 桌面端悄悄上传用户全部 Git 提交历史；passkeys 在企业的完美适配反而成为个人持有者的噩梦；Claude Code 生态演进中 AGENTS.md 的标准化又为 Agent 安全边界提出了新课题。与此同时，云平台 Cloudflare Quick Tunnels 走红成为 AI

海上小飞龙

LangChain 动态模型：什么时候该在运行时换模型？用 create_agent 搭 Agent 的时候，首先要指定模型。很多情况下，模型指定完就不再变化，从任务开始到结束，用的都是这一个。

从开源基础设施到垂直封装，AI 产业的技术主轴正在位移当日的技术动态呈现出清晰的产业分层：基础设施层，开源工具链加速整合；应用层，垂直大模型把领域知识封装进专有检索索引；安全层，形式化验证开始为智能体输出提供保障。OpenAI 发布的 Astra for Law 把 GPT-6 Astra 封装进覆盖超 2.3 亿个 URL 的法律检索索引，是"领域封装"路线的标志性样本[① SiliconANGLE AI]。从开发者视角看，这些信号意味着选型、部署与鉴权都进入了新阶段——基础设施需要面向智能体重新设计，垂直场景需要领域知识工程，安全需要形式化兜底。本文按技

大语言模型面试和题解，Context Engineering 怎么做？长 Prompt、动态上下文与 Memory 管理更系统：把上下文视作数据结构，设计加载/替换/淘汰策略。实验 (Liu et al. 2023) 发现：

RoboLab：用于分析机器人任务通才策略的高-保真仿真基准26年4月来自Nvidia、多伦多大学和悉尼大学的论文“RoboLab: A High-Fidelity Simulation Benchmark for Analysis of Task Generalist Policies”。

效率的边界：当推理突破遇见语言革命DeepSeek V4.1 Flash 将 KV Cache 压缩到极限，显存节省超 60%。Goose 语言实测比 C++ 快 16%，同时保证内存安全。Bend 语言要求 AI 生成代码时附带数学证明。EOS Token 蒸馏中的「长度膨胀」问题首次被系统量化——发现 AI 蒸馏出来的小模型不只是"笨一点"，还可能是"啰嗦很多"。四件事指向同一个坐标：效率革命的深水区，不再只是"让大象跑得更快"，而是"重新设计跑道"。

RAG 检索中的两个误区：高相似度不等于正确，向量检索也不能替代关键词检索摘要：在 RAG（Retrieval-Augmented Generation）系统中，"召回"是决定最终答案质量的第一道关口。本文从一个直观现象切入——Top1 相似度 0.94，但正确答案可能是 Top2——分析语义相似度与业务正确性之间的错位，并进一步讨论为何在企业级场景中，向量检索必须与传统关键词检索结合（Hybrid Search）。文中涉及 Metadata 过滤、两阶段检索（Bi-Encoder + Cross-Encoder Rerank）、结果融合策略等工程实践。

开篇｜3天从0到1入门AI应用开发AI 应用工程师 · 系列课程15 课 + 收官篇，带你走完 AI 应用工程师成长之路作者：小马过河R　·　认知 → 原理 → 基础能力 → Agent 进阶 → 综合实战

牛马工作号

RK3588 使用 rk-llama.cpp + RKNPU2 部署 Qwen3.5：从零开始的 NPU 本地大模型实战图 1：本文以 RK3588 上的文本推理为目标。板卡为概念示意，CPU 与三核 NPU 均属于 RK3588 SoC。

Qwen3-Embedding-0.6B 纯 CPU😫 痛点引入：4 核小机器跑个 0.6B 的 embedding 模型，一条长文本要等一百多秒？内存常年顶满、swap 疯狂读写、CPU 明明闲着却慢得离谱？网上一搜全是「vLLM + FP16 + FlashAttention」，可你这台机器连个独显都没有🤡？

【AI答疑】MR数据预处理步骤原问题MR的DICOM数据经过数据格式转换、N4矫正，我下一步应该进行标准化还是归一化是不是选一个就可以？

基于大语言模型的通用可配置 PII 隐私数据检测方案数据合规与隐私保护已从过去的例行审计要求，转化为现代软件工程体系中的硬性实时约束。随着企业将海量的非结构化文本注入检索增强生成（RAG）管道、客户服务系统以及分析型数据湖，精准识别与脱敏个人身份信息（PII）变得至关重要。传统的命名实体识别（NER）方案（例如基于 BERT 的微调模型或依赖正则表达式的开箱即用引擎）在面对特定行业实体、隐式上下文标识符或多义词时，往往表现出极大的局限性。

第 11 篇：实践三 —— 表单 / 合同字段抽取源码定位字段抽取做的事，是把一段非结构化文本变成一行数据库记录 —— 合同、发票、简历、病历、快递单都是这个套路。

【CS336】Lecture 2 PyTorch 与资源核算（Resource Accounting）我们的核心目标是在给定有限资源（算力、内存、数据）的情况下训练出最好的模型，数据在本课程中不是真正的瓶颈，目标是最大化训练的计算效率。在优化计算效率之前，我们需要理解某一个具体计算的效率，因此，需要理解其计算特性和内存特性。问题 1：在 1024 张 H100 上训练一个 700 亿参数、1.5 万亿 token 的模型需要多长时间？

什么是LLM大语言模型LLM = Large Language Model，大语言模型是基于深度学习、Transformer架构，用海量文本数据训练、拥有超大规模参数（数十亿～万亿级）的人工智能模型，核心能力是理解、生成人类语言，能像人一样对话、写作、推理、翻译、总结。

GE-Act 2.0：面向机器人操作的“世界-动作”模型预训练与扩展26年9月来自智元机器人研究组（Agibot）的论文“GE-Act 2.0: Pretraining and Scaling a World-Action Model for Robotic Manipulation”。

提示词工程在初学提示词的时候，很容易对”工程“这个词感到困惑，会觉得我和AI对话不就是输入一堆自然语言么，怎么能和工程扯上关系。

海上小飞龙

LangChain 模型调用：invoke、stream、batch 到底该怎么选？调模型这件事，看起来就一句话：把请求发过去，把结果拿回来。但结果怎么返回，有三种常见的调用方式。一种是等它整个生成完再给你，一种是边生成边往外送，还有一种是一次发一批。

第3章 PTQ：不用重新训练也能量化 LLM前两章我们已经知道：LLM 之所以需要量化，很大程度上是因为模型参数太多，高精度权重会带来巨大的存储和显存开销。例如一个 7B 模型，如果参数使用 FP16：

iNeuOS工业互联网

大模型（DeepSeek）辅助 3D 实时建模 + 拖拽配置：业务可视化应用快速构建实践（标注、巡检与视角控制等）大模型（DeepSeek）辅助 3D 实时建模 + 拖拽配置：业务可视化应用快速构建实践（标注、巡检与视角控制等）