语言模型

32 分钟不是完成科研：多智能体读脑图谱，突破在哪里？封面为 AI 生成的概念示意，不是论文原图、真实脑组织影像或实验结果。如果数千个 AI 智能体只用 32 分钟，就能梳理一份庞大的脑科学数据，我们应该惊讶什么？是模型终于能“独立做科研”，还是科研流程中的某个环节开始出现新的组织方式？

【CUDA编程入门②】CUDA性能优化基础：内存访问、Warp Shuffle与Occupancy调优本文是「CUDA编程与HPC高性能计算」系列的第二篇。会写CUDA kernel只是第一步，写得快才是真本事。CUDA性能优化说复杂也复杂，说简单也简单——核心就是两件事：内存和计算。本文把最基础、最常用的优化技术一网打尽，掌握这些，你的kernel性能就能上一个大台阶。

DFT计算杂谈

基于大语言模型的用户画像提取与修正操作以 Kimi 平台为例的系统级交互指令规范在长文本交互与复杂任务处理场景中，大语言模型（LLM）的系统记忆机制决定了输出结果的精确度与风格。由于平台默认的“记忆摘要”往往偏向宽泛且包含大量无意义修饰语，用户需通过特定指令对系统画像进行重写与固化。

长不大的杨瑞杰

给 OpenCode v2 接入大模型：Provider、模型选择与 API Key 安全配置实战这是《OpenCode v2 实战：从零搭建企业级 AI 编程助手》专题第 4 篇。前三篇完成了能力全景、Windows 安装路线以及 v1 到 v2 的迁移。本篇开始真正连接模型：不仅告诉你“密钥填在哪里”，还把 Provider、模型、凭据、配置优先级、本地模型和企业网关之间的关系一次讲清楚。

m0_敲代码的彭于晏168

OpenCode 2.0 智能编程效果全景展示最近在项目赶进度的时候，我深刻体会到了一个痛点：写代码的时间往往只占开发周期的三成，剩下七成都在跟逻辑漏洞、边界条件以及那些“明明昨天还能跑今天就不行了”的诡异 Bug 斗智斗勇。尤其是当业务逻辑变得错综复杂，或者需要维护几年前的遗留代码时，那种对着屏幕发呆、反复查阅文档却理不清头绪的挫败感，每个开发者都经历过。这时候，如果有一个能真正理解上下文、不仅能补全代码还能辅助思考的工具，简直就像是给大脑装了一个外挂。

【Plain Language Large Model】【大语言模型底层原理全解析：从Token生成到智能体演进】流食般投喂当我们熟练地调用 ChatGPT、DeepSeek 或千问的 API 时，可曾想过模型背后并非“思考”，而是在进行一场精密且疯狂的数学运算？这一系列课堂笔记，将带大家穿透黑盒，看清 LLM 从“说第一个字”到“进化为机器人”的完整旅程。

VLMeg：把 VLM 从奖励回归器变成成功检测器论文：Harnessing VLM in Embodied RL: From Reward Regressor to Success Detector via Exploration-Augmented Key-Observation Gating，作者来自中科院自动化所、国科大和智元（AGIBOT）。

隔窗听雨眠

小模型大分工：小语言模型如何重塑RAG系统的架构逻辑检索增强生成的技术叙事，长期被一个默认假设主导：生成环节必须交给尽可能大的模型。大模型拥有更强的语言组织能力、更广的世界知识和更好的指令遵循水平，似乎只有它才能把检索到的证据转化为流畅可信的回答。在这个假设下，RAG的优化方向几乎全部集中在检索侧：更好的分块、更准的向量、更强的重排序、更聪明的查询改写。生成侧则被视为一个黑箱，只要模型够大，输入足够的上下文，输出自然就好。

跟我学机器学习

拥有短期记忆的RAG Agent：记忆增强检索实战在上一节内容中详细介绍了短期记忆管理的3种方式，删除、修剪和总结。在本节内容中，我们将基于第4.10节的内容实现一个类似 ChatGPT 的 RAG 问答工具，做到每次回答完用户问题后都判断是否需要对历史消息进行一次总结，并同步将会话消息实时保存到数据库，使得每次启动程序时都能恢复历史会话。

云上工程笔记

2026年企业如何根据Token用量评估大模型服务成本？计费公式与预算模型指南企业评估大模型 API 成本，不能只看“每百万 Token 多少钱”。先拆清输入、输出、缓存、重试、工具调用和多模态消耗，再用真实业务量建立 Token 预算，才能判断一个模型到底是“单价低”还是“总成本低”。

【RAG开发】LangChain调用大语言模型现在市面上的模型多如牛毛，各种各样的模型不断出现，LangChain模型组件提供了与各种模型的集成，并为所有模型提供一个精简的统一接口。

Flash 大模型是什么，它是如何重构计算成本与智能能力的关系的Flash 是大模型的效率档，强调响应速度、吞吐量和使用成本。这个词没有统一的技术标准，既不等于小模型，也不等于关闭思考。Gemini Flash、DeepSeek V4.1-Flash、MiniMax M3.1 Flash，都在尝试用更少的资源完成任务，采用的办法却不相同。

《C++ 项目：手写大模型接入 SDK》云端 API 调用基础与 Apifox 调试实战🔥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》

模型微调学习（二）模型部署成功后，还需要通过性能测试评估模型的响应延迟、Token 生成速度、并发能力及吞吐量，判断其能否满足实际业务需求。

HybridAgent 拆解：在潜空间想，动手时才出字标准 Agent 的每一步思考都要写成文本 token：解码一次、再嵌回输入一次。HybridAgent 的做法是把中间推理搬进连续隐状态，只在需要调工具、需要人看、需要交付答案时才回到文本模式。论文（arXiv:2610.18861，2026-10-13）在 Qwen3-Base 4B/8B/14B 三个尺度、11 个基准上报告：平均 +10.4% 正确率、暴露 token 减少 35.5%–54.7%、推理加速 1.8×–2.6×、按作者自订的成本模型降低 2.7×–3.7×。

JAVA_AI人工智能项目实战

分布式大模型训练_学习笔记训练大模型的三重瓶颈（显存/算力/时间）决定了单卡不可行，分布式训练是唯一路径。整份材料围绕一条主线展开：

AI_Cloud_推荐

DeepSeek-V4-Pro 的 4.5 和 12：不是加价，是同名不同版本先对一组数。DeepSeek 官网，deepseek-v4-pro 这一行，高峰时段输入 1.32 美元/百万 tokens，输出 3.96，缓存命中 0.044。

JAVA_AI人工智能项目实战

强化学习与大模型对齐_学习笔记整份材料用一条线索贯穿：设计好的奖励信号 → 最大化长期回报 → 智能从奖励中涌现。五个部分依次展开：RL 入门（以围棋为锚）→ 大模型对齐问题（预训练鸿沟）→ RLHF 全流程（SFT/RM/PPO/DPO/RLAIF）→ DeepSeek-R1（GRPO 简化 PPO）→ 前沿展望（Superalignment）。核心洞察：对齐好的小模型可以超越未对齐的大模型（1.3B InstructGPT 胜过 175B GPT-3）。

Robo-COP 总结论文：Co-Evolving Robot Orchestrators and Policies through Deployment（Stanford & NVIDIA，arXiv 2610.09228）

紧跟先前的步伐

Go AI Agent 实战 02｜大语言模型（LLM）到底是怎么工作的本系列共 10 阶段，面向有 Go 后端基础的开发者，全程用 Go 手写实现。当前进度：阶段一大模型基础 · 第 2 课上一篇：AI 应用与传统后端的本质区别