自然语言处理

RPA 架构设计详解：大模型集成下，如何融合 NLP、OCR 处理非结构化数据本文详解 RPA 架构设计中集成大模型的三种范式，以及 NLP、OCR 融合处理非结构化数据的完整管线，并给出 AI 自动化搭建能力的评估清单与分阶段落地路线。全文围绕架构分层、大模型编排、非结构化数据抽取、执行层稳定性与交付运维五个维度展开，附实际项目经验。写这篇文章的起因很现实：上个月有个做财务共享的朋友找我吐槽，他们上一套自动化系统，光是处理供应商发来的五花八门的 PDF 发票、截图报销单、Excel 附件邮件，就搭进去两个人月。结构化数据好办，难的是这堆"长得都不一样"的非结构化数据。这其实是当

Lecture: Grammar for Picture Description两个最重要的时态是 simple present 和 present continuous。对动作使用 present continuous：a woman is holding a phone。

今年下半年

从零开始搭建一套大语言模型 + LangGraph 多智能体编排 + RAG 知识库检索** 的智能问答平台本文档仅针对 chat_py_server（后端）与 chat_py_front（前端）两个项目。本系统是一个基于大语言模型 + LangGraph 多智能体编排 + RAG 知识库检索的智能问答平台，面向企业招商/政策等业务场景。

第 1 篇：为什么不该再让 AI 画页面让 AI（Claude Code / Cursor / 豆包等）直接生成整个页面，常见的失败模式：根因一句话：AI 生成一个页面时，要同时决策三件事——样式、布局、逻辑。三个变量叠在一起，输出就不稳定。

529宝宝起名网

用 Python 实现名字寓意评分算法：基于 NLP 语义分析的名字内涵深度评估名字的寓意是起名的灵魂，一个好名字不仅要读音顺口、五行匹配，更要有美好的寓意和文化内涵。然而，传统的名字寓意评估大多依赖起名师的个人经验和文学素养，存在评估标准不统一、主观性强、效率低下等问题。同一个名字，不同的起名师可能给出完全不同的寓意评价；同一个字，在不同的语境下可能有完全不同的含义。

Python环境下中文分词实现与应用探索这篇文档对基于的中文分词技术以及其应用做了详细介绍, 包含了分词的原理, 方法, 还有实际代码实现, 作者意在为未来的开源中文搜索引擎赋予分词功能, 借由编程的趣味性促使开源社区发展, 文档主要划分成五个部分, 分别是分词模块, 包装模块, 应用程序接口, 模块, 中文分词身为自然语言处理的关键部分, 牵涉到字符串匹配, 理解以及统计等不同种类的分词算法, 中文分词是自然语言处理的根基, 特别是在环境下, 对于理解和解析中文文本极为关键。存在于文档里被提及的分词方法主要涵盖基于字符串匹配、基于理解以及基于

小道士写程序

自然语言处理NLP - 第11章从概率到回答：推理与提示词预填充（Prefill）处理输入Token并建立相关中间状态；解码（Decode）逐步生成新Token。首次响应时间通常受加载、排队、输入长度和预填充影响；后续输出速度更多反映解码阶段的性能。

差不多的周周

《MoChat：面向多转弯动作理解和描述的关节分组时空接地多通道大语言模型》论文核心部分详解论文原标题：MoChat: Joints-Grouped Spatio-Temporal Grounding Multimodal Large Language Model for Multi-Turn Motion Comprehension and Description

艾莉丝努力练剑

【AI大模型接入SDK】Ollama本地大语言模型部署🎬 艾莉丝的简介：需结合业务功能需求与本地硬件配置（显存、内存、算力），选择适配参数量与量化等级的模型。

机器人数据采集流程的工程实践：三条主流路线对比与选型分析具身智能领域的数据供给问题正在成为行业发展的关键瓶颈。与传统的计算机视觉或自然语言处理不同，机器人策略学习所需的操作数据在采集方式、数据格式、质量控制上都有显著差异。当前行业内已经形成了若干条相对成熟的采集路线，每条路线在成本结构、数据质量、适用场景上各有取舍。本文从工程实践角度出发，对机器人数据采集流程中的三条主流技术路线进行拆解，并给出选型层面的参考建议。

Lecture: The Certainty Continuum: From Absolute to Probable确定性连续体：从绝对到可能的范围确定性是一个量表。流利的英语使用者会根据他们实际掌握的证据多少来选择量表上的一个点，尤其是在解读照片或回应广泛的观点提示时。

蒸馏：从教师软概率到 response 监督的最小复现知识蒸馏指用教师模型提供的监督训练学生模型。教师可以交出完整输出概率，也可以只交出生成文本。前者让学生看见“第二可能答案”与最高分答案的差距，后者保存一条具体行为轨迹。学生容量较小、教师有偏差、迁移样本覆盖不足，都可能限制收益；参数少只是结构属性，效果仍须独立检验。

土星云SaturnCloud

VILA 视觉语言模型边缘部署实战一、引言随着多模态大模型的发展，让模型“看得懂图、听得懂视频”已成为 AI 落地的重要方向。VILA 是由 Efficient-Large-Model 实验室提出的视觉语言模型（VLM），它通过大规模交错图像-文本数据进行预训练，具备视频理解与多图像理解能力，尤其适合视频内容分析、多图像关系推理以及图像与文本信息的融合处理。本文基于开源示例工程 sophon-demo 中的 Vila 例程，以算法工程师的视角，从算法原理、应用场景、工程部署三个维度展开，介绍如何将 VILA1.5-3b 部署到土星云 SE

第 8 篇：与 AI 协作的工作流 + 完整案例把前面七篇串成一条可复用的工作流：你提需求 → AI 只返回 Schema → 贴进项目出页面。并给出两个完整案例和常见坑排查。

LlmCraft｜大模型工程实践

【PyTorch NLP实战】从零实现 LSTM 酒店评论情感分析（附完整代码逐行讲解）摘要：本文用一个不到 250 行的完整项目，带你走通 NLP 最经典的入门任务——文本情感分类。从中文分词、建词表、文本转数字序列，到 Embedding + LSTM 建模、训练、评估、预测，全流程逐行讲解。学完这篇，你就拥有了文本分类任务的通用骨架。

固定涉外场景台式翻译机选型与落地指南在海关办事窗口、涉外酒店前台或是产业园的门禁处，我们常能看到这样一幕：工作人员手里攥着一个小型手持翻译机，试图隔着柜台递给外商交流。设备电量告急的提示音时不时响起，客人得把脸凑到柜台前才能看清小小的屏幕，周围嘈杂的人声让收音变得断断续续。这种“临时凑合”的方案，不仅拉低了政务服务的严谨性，也让高端接待显得不够专业。

迁移学习怎么落地？Transformers 库微调实战关键词：迁移学习、Transfer Learning、Hugging Face Transformers、模型微调（fine-tuning）、预训练模型

第 6 篇：SchemaForm 渲染器核心实现写出本系列的心脏：一个能消费第 5 篇 Schema、自动渲染出表单的 SchemaForm.vue。约 200 行，复制进项目即可用。

Self-Adapting Language Models论文分享今天分享的论文是《Self-Adapting Language Models》原文链接：[2506.10943] Self-Adapting Language Models

熊猫钓鱼>_>

MiniMax 深度观察：不是又一个大模型，是AI生产效率的范式革新最近一年用过大大小小几十款大模型，MiniMax是最让我有"认知刷新"感的一个。很多人对它的第一印象还停留在"国产大模型"、“做语音起家”，但真正跑通了M3代码Agent、本地部署了H3视频模型之后我才发现：它走的从来不是"跟着OpenAI堆参数"的跟随路线，而是找到了一条"效率驱动智能"的全新路径——通过架构创新把推理成本压到极致，反过来支撑更大规模的训练和更激进的功能落地，最终形成了自己独有的商业和技术壁垒。