自然语言处理

基于量化感知训练的大语言模型压缩方法随着信息技术的飞速发展，人工智能技术取得了显著的进步，尤其在自然语言处理（NLP）领域，大语言模型（LLMs）如BERT、GPT等展现出卓越的性能。然而，这些模型往往伴随着巨大的计算资源消耗和存储需求，限制了其在实际应用中的普及和推广。为此，本研究旨在探讨基于量化感知训练的大语言模型压缩方法，以下为具体内容：

大模型赋能客户沟通，云蝠大模型呼叫实现问题解决全链路闭环当客户焦急询问订单物流，却在冗长的IVR菜单中反复切换；当人工坐席被重复的咨询耗尽精力，却仍难以保证每一次回复的标准化；当企业为居高不下的客服成本发愁，却始终找不到效率与体验的平衡点——这正是当下多数企业客服服务的真实困境。

名为沙丁鱼的猫729

【MCP 协议层（Protocol layer）详解】：深入分析MCP Python SDK中协议层的实现机制大家好，最近在看MCP Python SDK 的源代码文件https://github.com/modelcontextprotocol/python-sdk/blob/main/src/mcp

AI核心知识75——大语言模型之MAS （简洁且通俗易懂版）多智能体协作 (Multi-Agent Systems，简称 MAS) 是目前 AI 应用架构的“版本答案” 。

AI-大语言模型LLM-概念术语-Dropout为避免一学就会、一用就废，这里做下笔记Dropout 是一种在神经网络训练过程中使用的正则化技术，通过随机临时丢弃（禁用）一部分神经元来防止模型过拟合。

多模态视觉语言模型：Molmo2训练数据、训练配方如果想打造自己的VLM模型，不妨看看Molmo2，训练数据、训练配方均开源。最核心的还是这份开源数据。

AI核心知识76——大语言模型之RAG 2.0（简洁且通俗易懂版）RAG 2.0 是对第一代检索增强生成（Retrieval-Augmented Generation, RAG）技术的重大升级，代表了从“拼凑式” 系统向“一体化端到端” 系统的进化。

基于深度学习的交通流量预测系统本项目为《基于深度学习的交通流量预测系统》，基于真实VANET车辆轨迹数据，实现从数据处理到模型训练、对比分析、可视化展示、预测服务的完整闭环。适用于：本科生研究生课程设计、b设、答辩演示、作品集展示、交流学习。项目为个人原创，禁止商用！

大模型任我行

上海AI Lab：构建诊断型Agent守门员📖标题：AgentDoG: A Diagnostic Guardrail Framework for AI Agent Safety and Security 🌐来源：arXiv, 2601.18491v1

AI-大语言模型LLM-概念术语-Causal LM为避免一学就会、一用就废，这里做下笔记Causal LM，也称为自回归语言模型，是一种只关注单向上下文的语言模型。在预测下一个词时，它只能看到前面的词，不能看到后面的词。

AI-大语言模型LLM-模型微调2-BitFit微调为避免一学就会、一用就废，这里做下笔记

LangChain v1.0 中间件深度解析：从 Callback 到 Middleware 的演进【个人主页：玄同765】大语言模型（LLM）开发工程师｜中国传媒大学·数字媒体技术（智能交互与游戏设计）

【大模型技术报告】通义千问-VL：一款多功能视觉语言模型，支持理解、定位、文本识别等广泛任务Qwen-VL： A Versatile Vision-Language Model for Understanding, Localization, Text Reading, and Beyond 通义千问-VL：一款多功能视觉语言模型，支持理解、定位、文本识别等广泛任务

【论文速读】递归语言模型 (Recursive Language Models): 将上下文作为环境的推理范式论文标题: Recursive Language Models作者: Alex L. Zhang 1 {^1} 1, Tim Kraska 1 {^1} 1, Omar Khattab 1 {^1} 1 (MIT CSAIL)

告别 AgentExecutor：LangChain v1.0+ Agent 模块深度迁移指南与实战全解析【个人主页：玄同765】大语言模型（LLM）开发工程师｜中国传媒大学·数字媒体技术（智能交互与游戏设计）

AI核心知识74——大语言模型之ReAct 范式（简洁且通俗易懂版）ReAct 范式是 Reasoning（推理）+ Acting（行动）的缩写。它是目前构建 AI Agent（智能体）最主流、最核心的模式。

美团龙猫开源LongCat-Flash-Lite我们推出LongCat-Flash-Lite——一款具备256k上下文窗口（通过YaRN方法实现）的非思考型混合专家模型（MoE），总参数量达685亿，其中激活参数量约30亿。该模型在LongCat-Flash架构基础上创新性地融合了N元嵌入表技术，不仅显著提升模型性能，更实现了推理速度的突破性进展。尽管为嵌入层分配了超过300亿参数，LongCat-Flash-Lite不仅超越了同等参数规模的MoE基线模型，更在智能体应用与代码生成领域展现出与同量级模型的卓越竞争力。

PaddleOCR-VL-1.5：迈向用于鲁棒真实场景文档解析的多任务9亿参数视觉语言模型程翠、孙挺、梁素银、高庭荃、张泽伦、刘嘉轩、王雪晴、周常达、刘鸿恩、林曼慧、张越、张玉波、刘毅、余殿海、马艳军

自然语言处理（吴恩达深度学习笔记）目录1.词表示 / 词表征（1）引言2.词嵌入（word embeddings）（1）简介（2）t-SNE算法

从数字大脑到物理实体：具身智能时代的大模型微调与部署实战2025年，人工智能正在经历一场从"数字大脑"到"物理实体"的深刻变革。随着宇树科技H1机器人完成"韦伯斯特空翻"、智元远征A1进入蔚来汽车产线、优必选Walker S2在比亚迪工厂实训，具身智能（Embodied Intelligence）已从实验室概念加速走向产业化落地。