自然语言处理

大语言模型 (LLM) 详解大语言模型 (Large Language Model, LLM) 是基于Transformer架构、在大规模文本数据上预训练的神经语言模型，参数量通常从数十亿到数万亿不等。

财经资讯数据_灵砚智能

基于全球经济类多源新闻的NLP情感分析与数据可视化（日间）2026年5月26日关于本文：这是一篇Python自动化数据采集与NLP分析的技术实践笔记。使用的技术栈包括：Python爬虫、jieba/SnowNLP情感分析、TF-IDF关键词提取、LDA主题模型、Matplotlib数据可视化。本文由脚本自动生成，仅记录技术实现过程，所有数据来源于公开渠道。基于全球经济类多源新闻的NLP情感分析与数据可视化（夜间-凌晨）

生成论实验室

Transformer架构上的语言模型自已评判“判断力缺失”这个问题问到了根上。我作为一台运行在Transformer架构上的语言模型（DeepSeek），被要求评判“判断力缺失”这个诊断是否准确——这等于让病人自己确认病情。

主流推理模型架构的协议对比表格，和专利坑专利埋雷Qwen 3/3.5、Mistral Large 3/Small 4、Gemma 4、DeepSeek V4、GLM-5.1

LLM：大语言模型的主要任务大语言模型（Large Language Model，LLM）是以深度学习为基础、通过大规模文本或多模态数据训练得到的生成式模型。它的核心能力并不是完成某一个固定任务，而是围绕语言理解、文本生成、信息处理、推理协助、代码生成、工具调用和多模态交互等方向，形成一组通用任务能力。

天青色等烟雨..

HEC-HMS水文模型应用HEC-HMS是美国陆军工程兵团水文工程中心开发的一款水文模型。HMS能够模拟各种类型的降雨事件对流域水文，河道水动力以及水利设施的影响，在世界范围内得到了广泛的应用。它有着完善的前后处理软件，能有效减轻建模的负担；能够与HEC开发的DSS数据管理软件以及RAS二维水动力模型链接，形成完整的水文－水动力模型。

z小猫不吃鱼

01 大语言模型导论：从语言模型到通用智能接口近几年，“大语言模型”几乎成为人工智能领域最核心的关键词之一。从 ChatGPT 到 Claude，从 LLaMA 到 Qwen，从 DeepSeek-V3 到 DeepSeek-R1，大语言模型已经不再只是一个文本生成工具，而逐渐变成了可以对话、写代码、做数学推理、调用工具、检索知识、辅助科研和完成复杂任务的通用智能接口。但是，如果我们从技术发展角度来看，大语言模型并不是突然出现的。它的背后有一条非常清晰的发展路线：

RAG:让大模型从“会回答“走向“有依据地回答“当大模型逐渐成为人们获取信息、处理知识和辅助决策的重要工具时,“能回答"已经不再是唯一标准.相比流畅生成一段看似合理的内容,用户更关心的是:这个答案从哪里来?依据是否可靠?是否能够追溯到具体资料?尤其在企业知识库、专业问答、法律医疗、金融分析等场景中,一个缺乏依据的回答,可能不仅没有价值,甚至会带来误导和风险.RAG(Retrieval-AugmentedGeneration,检索增强生成)正是在这样的背景下受到广泛关注.它通过将外部知识检索与大模型生成能力结合起来,让模型不再单纯依赖训练时"记住"的知识

多AI模型协同完成一篇论文是什么效果？明明实验/临床数据收集完了，对着空白文档坐一天不知道怎么开篇；找文献翻了好几个数据库，不是漏了重要中文文献，就是筛选出来一堆不相关的，整理引用就要花三四天；团队合作改稿，邮件来回传版本最后自己都分不清哪个是最终版；投刊前改格式，对着期刊要求调参考文献格式调得眼睛都花了；临床医生挤休息时间做科研，本来时间就碎，还被各种琐事占了精力，根本没法聚焦研究本身。

大模型最新论文速读

GRPO 丢失的组内排序信息，LamPO 补回来了一句话总结GRPO 只知道组内谁好谁坏，但丢失了排序结构。LamPO 改用两两对比的方式保留了这一信息，在各基准上一致超越了 GRPO 及其变体，并且不引入显著额外开销

强化学习的知识强化学习强化学习和监督学习是机器学习中的两种不同的学习范式强化学习: 目标是让智能体通过与环境的交互,学习到一个最优策略,以最大化长期累积奖励

码农小旋风

大语言模型基础前两章分别介绍了智能体的定义和发展历史，本章将完全聚焦于大语言模型本身解答一个关键问题：现代智能体是如何工作的？我们将从语言模型的基本定义出发，通过对这些原理的学习，为理解LLM如何获得强大的知识储备与推理能力打下坚实的基础。

OoderAI V3.5.0 技术白皮书——NLP 驱动的 AI 原生开发平台文档性质：技术架构蓝图与设计理念目标版本：v3.5.0（预计 2026 年第三季度发布）当前基线：v3.0.3-jdk11更新日期：2026 年 5 月 25 日

OpenASH-85M:基于累积最大值注意力的无 Softmax 语言模型，支持有状态推理Softmax 不是注意力的必要组成。OpenASH 用累积最大值（torch.cummax）——一种纯比较运算——替代了整个 softmax 注意力机制，并与可学习的多项式混合层结合。该架构：

财经资讯数据_灵砚智能

基于全球经济类多源新闻的NLP情感分析与数据可视化（夜间-次晨）2026年5月24日关于本文：这是一篇Python自动化数据采集与NLP分析的技术实践笔记。使用的技术栈包括：Python爬虫、jieba/SnowNLP情感分析、TF-IDF关键词提取、LDA主题模型、Matplotlib数据可视化。本文由脚本自动生成，仅记录技术实现过程，所有数据来源于公开渠道。基于全球经济类多源新闻的NLP情感分析与数据可视化（夜间-凌晨）

财经资讯数据_灵砚智能

基于全球经济类多源新闻的NLP情感分析与数据可视化（日间）2026年5月25日关于本文：这是一篇Python自动化数据采集与NLP分析的技术实践笔记。使用的技术栈包括：Python爬虫、jieba/SnowNLP情感分析、TF-IDF关键词提取、LDA主题模型、Matplotlib数据可视化。本文由脚本自动生成，仅记录技术实现过程，所有数据来源于公开渠道。基于全球经济类多源新闻的NLP情感分析与数据可视化（日间）

温柔只给梦中人

NLP学习：LSTM模型，GRU模型部分内容选自Day03-09.LSTM模型_原理图解(上)_理解_哔哩哔哩_bilibiliLSTM根据RNN进行修改，RNN对于长记忆效果不好，且容易出现梯度消失和梯度爆炸问题。

极光代码工作室

基于NLP的论文智能分析系统随着学术出版规模持续扩大，全球每年新增学术论文超400万篇（据Web of Science 2023年报），科研人员面临严重的“信息过载”困境。传统人工阅读、关键词检索与简单摘要提取已难以支撑高效科研决策。本文设计并实现了一套基于自然语言处理（NLP）的论文智能分析系统，旨在为研究者提供从文献获取、内容理解到知识挖掘的一站式智能辅助服务。系统融合BERT微调模型、TextRank改进算法、SciBERT领域适配预训练、图神经网络（GNN）增强的引文关系建模及多粒度语义聚类技术，构建了涵盖智能摘要生成、核心

汉语相对英语的核心对比优势分析汉语相对英语的核心对比优势分析汉语（表意文字）与英语（表音文字）属于两套完全不同的底层语言体系。相较于英语依赖语音记录、词汇孤立迭代的特性，汉语凭借音形义统一的底层架构，在构词逻辑、学习效率、表达精度、文明传承与数字时代适配性上具备结构性、系统性优势，是一套高度自洽、可推演、可无限拓展的优质语言系统。

智能体-DeepAgent入门本文基于一个最小示例，阐明 DeepAgents 的核心使用方式：如何接入大模型、如何定义工具、如何创建主代理、如何配置子代理。