语言模型

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

ReMoT：运动对比三元组强化学习——解决视觉语言模型的时空一致性缺陷来源: CVPR 2026 (IEEE/CVF Conference on Computer Vision and Pattern Recognition) arXiv: 2603.00461 作者: Cong Wan, Zeyu Guo, Jiangyang Li, Songlin Dong, Yifan Bai, Lin Peng, Zhiheng Ma, Yihong Gong 机构: 西安交通大学、深圳理工大学、阿里巴巴达摩院基座模型: Qwen3-VL-4B-Thinking 数据集: ReM

Windows RX6500XT(gfx1034) Ollama AMD ROCm 完整安装教程我的显卡：RX 6500XT = gfx1034，官方Ollama不原生支持，需使用社区魔改ollama-for-amd + 对应gfx1034 ROCmLibs + HIP SDK 5.7系列，全程严格保证版本三统一：

Prompt工程设计实践：从基础模板到场景化策略本文基于2026年6月实践整理。Prompt工程的关键不是收集模板，是理解不同场景下的设计策略。梳理6个核心策略及对应模板。

Test-Time Scaling 与推理时计算：搜索、验证器、反思和自一致性系列：AI 论文盘点 / 技术趋势第二轮：2026 AI 系统与 Agent 基础设施专题日期：2026-07-03 适合读者：研究生、LLM/Agent 研究者、模型应用与推理系统工程师检索日期：2026-07-03

人工智能 AI 大语言模型多模态 — 从 API 调用到 Agent 实战服务器: 华为云 FlexusX ecs-d2c2-0001 (8vCPU/16GiB, Ubuntu 24.04) Python: 3.12.3 | Flask: 3.1.3 | Markdown: 3.10.2 实验总数: 26 个 | 实战环境: 真实服务器上机执行

什么是 Hermes 大模型？Hermes 不是从头训练的基础模型，而是基于现有的强大基础模型（如 Meta 的 Llama 2、Mistral 等），通过指令微调得到的一系列对话模型。你可以把它理解成：

拆解大语言模型：从词向量到注意力机制的内部运行原理当你向 ChatGPT 输入一句话，它在零点几秒内就能续写出流畅、连贯甚至富有洞察力的文字。这背后没有任何人类工程师编写的「逐步指令」，只有一张由数千亿参数构成的神经网络。本文尝试用尽量少的数学，把这张网络内部真正发生的事情讲清楚。

大语言模型+物联网：LLM理解物理世界当LLM学会了"看"传感器数据、"听"设备告警、“说"控制指令，物联网就从"自动化"进化到了"智能化”。这不是科幻，而是正在发生的技术融合。