自然语言处理

HY-MT1.5-1.8B 支持多语言神经机器翻译；Med-Banana-50K 提供医学影像编辑基准数据6 个公共数据集：* Human faces 人脸数据集* SimpleQA 简明事实性问答评测数据集

狮子座明仔

MiMo-V2-Flash 深度解读：小米 309B 开源 MoE 模型如何用 15B 激活参数吊打 671B 巨头？一句话总结：小米 MiMo-V2-Flash 以 309B 总参数、15B 激活参数的极致稀疏 MoE 架构，配合创新的混合滑动窗口注意力（Hybrid SWA + Sink Bias）和多 Token 并行预测（MTP），以及突破性的多教师在线策略蒸馏（MOPD）后训练范式，在 SWE-bench Verified 上达到 73.4%，媲美 GPT-5 High，同时推理速度提升 2.6 倍，宣告了"小参数、大智慧"时代的全面到来。

使用Three.js创建交互式3D地球模型在现代Web开发中，3D图形可视化已经成为一个热门话题。Three.js作为最流行的3D库之一，为我们提供了强大的工具来创建引人入胜的3D场景。本文将详细介绍如何使用Three.js创建一个交互式的3D地球模型，并逐步优化其性能，最终实现一个带有国家名称标签的流畅3D地球。

资深web全栈开发

深度对比 LangChain 8 种文档分割方式：从逻辑底层到选型实战对 LangChain 常见的 8 种分割器进行多维度横向对比，明确每种工具的底层逻辑。在对比之前，请记住这三个衡量尺度：

Hyper Agent：企业级Agentic架构怎么实现？在AI技术深度重构企业数字化与自动化体系的进程中，Agentic Architecture正在从“前沿概念”快速演进为企业级系统架构的新范式。与偏重交互体验和单点能力的消费级Agent不同，企业级Agentic架构直接嵌入真实业务流程，连接核心系统、真实数据与组织责任，其成败不取决于模型是否“聪明”，而取决于是否“可控、可治理、可持续”。

TOON：为大语言模型优化的紧凑结构化数据格式TOON：为大语言模型优化的紧凑结构化数据格式在构建基于大语言模型（LLM）的应用时，我们常常需要在提示（prompt）中嵌入结构化数据。传统上，JSON 是最常用的选择，但它存在一个显著问题：冗余度高、token 消耗大。例如，在包含多个用户记录的数组中，每个对象都会重复字段名 “id”、“name”、“role”，这不仅浪费 token，还可能增加模型解析出错的概率。

【自然语言处理】应用06：针对序列级和词元级应用微调BERT【作者主页】Francek Chen 【专栏介绍】 ⌈ ⌈ ⌈PyTorch深度学习 ⌋ ⌋ ⌋ 深度学习 (DL, Deep Learning) 特指基于深层神经网络模型和方法的机器学习。它是在统计机器学习、人工神经网络等算法模型基础上，结合当代大数据和大算力的发展而发展出来的。深度学习最重要的技术特征是具有自动提取特征的能力。神经网络算法、算力和数据是开展深度学习的三要素。深度学习在计算机视觉、自然语言处理、多模态数据分析、科学探索等领域都取得了很多成果。本专栏介绍基于PyTorch的深度学习算法实现

【文献阅读】Pt2-Llm: Post-Training Ternarization For Large Language Models作者：¹ 上海交通大学、² 苏黎世联邦理工学院、³ 腾讯混元*（与ARB-LLM: Alternating Refined Binarizations for Large Language Models的作者有重叠）

weixin_43807749

CS336 Assignment 4 (data): Filtering Language Modeling Data 翻译和实现版本 1.0.4 CS336 课程组 2025 年春季本次作业中，你将获得过滤网络爬虫数据以构建语言模型训练数据的实践经验。

融资加持下的云蝠智能：大模型语音Agent重构企业通信新生态在人工智能技术从概念走向规模化应用的浪潮中，语音交互作为企业与客户连接的核心场景，正经历着从"人工主导"到"智能驱动"的颠覆性变革。2025年11月，深耕大模型语音客服领域的云蝠智能完成A+轮数千万人民币融资，由金沙江创业投资领投，再次印证了语音智能赛道的商业价值与发展潜力。从2018年成立至今，这家以"蝙蝠"为品牌象征的科技企业，凭借全栈自研技术与精准的场景定位，已成长为国内大模型语音Agent领域的标杆企业，其服务的3万余家终端企业覆盖地产、金融、电商、教育等多个行业，月均AI人机通话量高达4500万

如何使用 AutoModel 保存与加载自定义模型在原始BERT模型的基础上额外添加一些层，并把新架构的模型保存到本地。然后使用 AutoModel 加载模型，这样更方便一点。我们不需要在本地一直保存这个模型的自定义的网络结构的 python文件。

5. 自然语言处理NLP - Transformer🌟 想象一下：你正在读一本小说，突然看到一句话：“他把钥匙插进锁孔，门开了。” 你会立刻明白“钥匙”和“锁孔”是关联的，“门开”是因为“插钥匙”。这种“理解词与词之间的关系”的能力，就是 Transformer 要做的事儿。

【文献笔记】Mixture-of-Agents Enhances Large Language Model CapabilitiesMixture-of-Agents Enhances Large Language Model Capabilities

爱学习的张大

Language Models are Unsupervised Multitask Learners（翻译）问答、机器翻译、阅读理解和文本摘要等自然语言处理任务，通常是通过在特定任务数据集上进行监督学习来实现的。我们的研究表明，当语言模型在一个名为 WebText、包含数百万网页内容的新型数据集上完成训练后，无需任何显式监督，就能自主习得这类任务的处理能力。当给定一篇文档和若干问题作为输入条件时，该语言模型在 CoQA 数据集上生成的答案可达到 55 的 F1 值 —— 在未借助 12.7 万余条训练样本的情况下，其性能已持平甚至超越了 4 个基线系统中的 3 个。语言模型的容量是实现零样本任务迁移的关键所在，

数据分享者

对话对齐反馈数据集：12000+高质量人类-助手多轮对话用于RLHF模型训练与评估-人工智能-大语言模型对齐-人类反馈强化学习-训练符合人类期望的对话模型在人工智能领域，大语言模型的对齐问题一直是研究的核心挑战之一。为了使模型生成的内容更符合人类价值观、更安全可靠，研究者们提出了多种对齐技术，其中人类反馈强化学习（RLHF）是当前最有效的方法之一。RLHF需要高质量的人类反馈数据，包括对模型输出的比较、排序和评价。对话对齐反馈数据集正是为满足这一需求而构建的，它包含了大量经过人工标注的高质量对话样本，为RLHF模型的训练和评估提供了坚实的基础。

叫我：松哥

基于Flask框架开发的智能旅游推荐平台，采用复合推荐算法，支持管理员、导游、普通用户三种角色本系统是一款基于Flask框架开发的智能旅游推荐平台，采用复合推荐算法为用户提供个性化旅游建议。系统支持管理员、导游、普通用户三种角色，每个角色拥有独立的功能权限。管理员负责系统整体管理和数据分析；导游负责景点信息录入、旅游路线设计及关联规则分析；普通用户可浏览景点、预定路线、收藏评论、参与论坛交流，并获取智能推荐。系统使用SQLite数据库存储数据，通过Bootstrap 5实现响应式前端界面，利用ECharts进行数据可视化展示。

Langchain实现ReAct Agent多变量工具调用大语言模型（LLM）虽强，却有致命短板：传统方案是：RAG（检索增强生成）——先查知识库，再生成答案。但 RAG 仍有局限：它只能“读”，不能“做”。

大语言模型能够理解的11种文件格式在大语言模型广泛应用于 RAG、数据分析、自动化报告生成的今天，我们往往忽视了数据呈现格式对模型理解能力的影响。无论是 CSV、JSON、Markdown 还是 YAML，不同的结构化数据表示方式，不仅影响模型的理解准确率，还直接关系到推理成本。

gorgeous(๑>؂<๑）

【南京大学-李文斌-arXiv25】超高分辨率遥感多模态大语言模型基准测试文章：A Benchmark for Ultra-High-Resolution Remote Sensing MLLMs

【文献阅读】ARB-LLM: Alternating Refined Binarizations for Large Language Models❤️本内容仅供本人阅读、学习，如有侵权，联系即删❤️1 上海交通大学、2 苏黎世联邦理工学院、3 联想研究院