自然语言处理

多页文档理解强化学习设计思路：DocR1奖励函数设计与数据构建思路传统GRPO适用于单图/单页任务，无法解决多页文档的两大关键问题：1、需从多页中筛选少量相关证据页；2、需平衡证据检索与答案生成的可靠性。EviGRPO是基于GRPO改进的强化学习框架，专门针对多页文档理解优化——先全局理解文档并定位相关证据页，再基于证据页细粒度推理生成答案，而非直接生成结果。

AI大佬的小弟

【小白第一课】大模型基础知识（1）---大模型到底是啥？邀诸君共赏ollama的官网页面，后期会进行讲解。之前关于Python基础的分享就结束了，可能好多小伙伴们都感觉内容有点少了，不要慌，我们后面还有关于Python的高级技术分享。一方面是由于一直讲文字内容有点枯燥，害怕大家学的不够投入，另一方面，也是想分享点其他的内容，让大家感受一下AI的魅力。

柯南小海盗

从“会聊天的AI”到“全能助手”：大语言模型科普大语言模型就是基于深度学习技术，通过大量的文本数据上训的参数量模型，学习人类语言的结构、规则和语义知识，从而实现自然语言的理解、处理与生成。简单来说，它就像一个“超级语言学霸”——通过阅读互联网上几乎所有公开文本，掌握了人类语言的底层逻辑，进而能完成问答、创作、翻译等多种任务。

运行调试大语言模型很多LLM是开源的，是可以自己下载模型，运行调试的。下载模型：https://www.modelscope.cn/models/Qwen/Qwen3-0.6B/files

大模型任我行

微软：小模型微调优化企业搜索📖标题：Fine-tuning Small Language Models as Efficient Enterprise Search Relevance Labelers 🌐来源：arXiv, 2601.03211v1

【Python自然语言处理】实战项目：词向量表示完整实现指南目录1. 项目概述2. 文本预处理模块的实现2.1 TextPreprocessor类的核心实现2.2 词性标注与命名实体识别的实现

开放知识图谱

论文浅尝 | 图上生成：将大语言模型视为智能体与知识图谱以解决不完整知识图谱问答（EMNLP2024）笔记整理：邹堉莹，东南大学硕士，研究方向为知识图谱与大语言模型相结合论文链接：https://arxiv.org/abs/2404.14741

8. 自然语言处理NLP -GPTGPT = Generative Pre-trained Transformer 中文名：生成式预训练变换器

谢的2元王国

小数据量样本 2500条之下且每条文本长度不超过35个字的时候多词汇平均向量外加word2vec的语义模型处理后再到特征向量中检索即可"E:\python project 1\.venv1\Scripts\python.exe" "E:\python project 1\多词汇相似语义学习\销售技巧提问.py" Building prefix dict from E:\python project 1\.venv1\Lib\site-packages\jieba\dict.txt ... Loading model from cache C:\Users\Lenovo\AppData\Local\Temp\jieba.cache Loa

The Prompt Report: A Systematic Survey of Prompt Engineering Techniques（文本部分）论文地址：提示词报告生成式人工智能（GenAI）系统正日益广泛地应用于各类行业与研究领域。开发者与终端用户通过提示词（prompting）及提示词工程（prompt engineering）与这类系统进行交互。尽管提示词工程已成为被广泛采用且研究深入的领域，但由于其兴起时间较晚，该领域存在术语冲突问题，且对于 “有效提示词的构成” 缺乏统一的本体论认知。本文通过构建提示技术分类体系并分析其应用场景，建立了对提示词工程的结构化认知。具体而言，我们提供了包含 33 个术语的详细词汇表、涵盖 58 种大型语言

7. 自然语言处理NLP - BertBERT = Bidirectional Encoder Representations from Transformers 中文翻译：双向编码器表示，来自Transformer。它是一个由 Google 在 2018 年提出的预训练语言模型，是 NLP 领域的“里程碑”式作品。你可以把它想象成一个“语言通才”——它先在海量文本上自学了语言规律，然后可以被“调教”去干各种任务，比如问答、情感分析、命名实体识别等等。 🎯 核心特点：

木头程序员

大模型边缘部署突破：动态推理技术与精度-延迟-能耗帕累托优化摘要：随着大模型在计算机视觉、自然语言处理等领域的性能持续突破，其在手机、物联网设备等边缘场景的部署需求日益迫切。然而，大模型庞大的参数量与超高的计算开销，与边缘设备有限的算力、存储和能耗预算形成尖锐矛盾。动态推理技术通过自适应剪枝、早期退出等核心方案，可根据输入数据复杂度动态调整计算量，实现精度、延迟、能耗的帕累托优化，成为破解这一困境的关键路径。本文系统解析大模型边缘动态推理的核心问题，深入探讨自适应剪枝、早期退出等关键技术的原理与实现方案，重点分析多目标优化中的指标权衡逻辑，并展望未来技术发展方向，

Science最新文章：大型语言模型时代的科学生产Scientific production in the era of large language models

有梦想有行动

大语言模型的前世今生这是一个从传统神经网络 → Transformer → BERT → 大语言模型（LLM）的技术演化过程。我下面按时间线讲清楚它们是怎么发现与发展起来的，以及每一步技术是如何铺垫下一步的。

【文献阅读】Pretraining Large Language Models with NVFP4NVIDIA2025 年 9 月 30 日如今，大语言模型（LLM）在众多领域都是强大的问题解决工具。正如业界广泛的研究和实验所示，随着模型规模、训练集规模和训练集质量的扩大，它们的性能持续提升。目前，训练一个前沿模型需要数十至数百尧浮点运算的算力，这意味着在时间、计算资源和能源方面的巨额投入。因此，提高预训练效率对于开发下一代性能更强大的大语言模型至关重要。虽然 8 位浮点（FP8）训练现已被广泛采用，但转向精度更窄的格式（如 4 位浮点（FP4））有望进一步提升计算速度和资源利用率。然而，这种精度级别

【文献阅读】BitNet Scaling 1-bit Transformers for Large Language Models微软研究院中国科学院大学清华大学https://aka.ms/GeneralAI大型语言模型规模的不断扩大给部署带来了挑战，同时高能耗也引发了对环境影响的担忧。在本研究中，我们提出了 BitNet—— 一种面向大型语言模型的可扩展且稳定的 1 位 Transformer 架构。具体而言，我们引入 BitLinear 作为 nn.Linear 层的即插即用替代方案，以便从零开始训练 1 位权重。语言建模任务的实验结果表明，与最先进的 8 位量化方法和 FP16 Transformer 基线模型相比，BitN

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：