自然语言处理

Layer Normalization 全解析：LLMs 训练稳定的核心密码在大语言模型（LLMs）的训练与落地过程中，“梯度消失 / 爆炸”“训练不稳定”“深层模型难收敛” 是高频痛点。而 Layer Normalization（层归一化，简称 LN）及其变体（RMS Norm、Deep Norm），正是解决这些问题的核心技术 —— 它们通过标准化网络层的输入分布，让模型参数更新更平稳、收敛更快，同时适配 NLP 任务中变长序列的特性。

来两个炸鸡腿

【Datawhale组队学习202601】Base-NLP task06 大模型训练与量化提示：这里可以添加本文要记录的大概内容：例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。

大语言模型实战（十八）——基于langchain1.0 构建传统 RAG Agent：从文档到知识库的完整之旅在大模型应用中，检索增强生成（RAG，Retrieval-Augmented Generation）是一种强大的技术，它通过将外部知识库与大模型结合，使得模型能够基于真实数据生成更准确的回答。本文将详细讲解如何使用 LangChain + LangGraph + DashScope + Milvus 的技术栈，从零开始构建一个完整的传统 RAG Agent。

AI核心知识69——大语言模型之SSM （简洁且通俗易懂版）状态空间模型 (State Space Model，简称 SSM) 是目前 AI 架构领域最热门的“潜力股”。

大语言模型实战（十七）——GraphRAG（图谱检索增强生成）介绍检索增强生成（Retrieval-Augmented Generation）技术是一种结合了检索和生成两个阶段的自然语言处理技术，它由 Facebook AI 团队在 2020 年提出。这种方法的核心思想是利用大规模的预训练语言模型生成技术，并结合信息检索的策略，以改善回答的准确性和相关性。

SQLAlchemy 模型定义完全指南：从基础到进阶的 ORM 实战【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67——大语言模型之NTP （简洁且通俗易懂版）在大语言模型（LLM）中，NTP 是 Next Token Prediction（下一个 Token 预测）的缩写。

大模型生成 Token 的原理：从文本到模型理解的 “翻译官”【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）

简单说说参考文献引用（1）首先是要不要交叉引用 1.学校的格式要求明确提出使用交叉引用→用交叉引用 2.脚注/尾注/注释→使用对应的脚注/尾注/注释 3.其他→不用交叉引用，选择文献管理工具（endnote、zotero、note express、知网研学、适配latex的BIBTEX等等）或者在文献数据库（知网/艳芳/百度学术/谷歌学术/web of science等等）选择需要的格式导出，粘贴（2）关于参考文献部分的查重和是否交叉引用无关，参考文献不参与查重。怎么可以被识别为参考文献而不被标红？→将“参考文献”这四

阿里巴巴与四十个小矮人

国科大2025秋自然语言处理基础与大模型期末一、标注题----一段文字-----1、用斜线对这段文字分词2、标出这段文字里的命名实体，说明其类型3、----一句话----- 画出这句话的短语结构树

油泼辣子多加

【信创】华为昇腾NLP算法训练Python >= 3.9PyTorch 2.2.1（Ascend 镜像）：TransformersNumPy, pandas, scikit-learn

赋创小助手

Maia 200 技术拆解：微软云端 AI 推理加速器的设计取舍微软近期正式推出新一代 AI 加速器 Microsoft Azure Maia 200。作为 Maia GPU 系列的第二代产品，这款芯片从一开始就被明确定位为面向 AI 模型推理的专用加速器，而非通用训练 GPU。在官方披露的信息中，微软将 Maia 200 称为“史上部署的最高效推理系统”，并多次强调其在性能、能效以及可持续性方面的综合优势。

AI核心知识68——大语言模型之NSP （简洁且通俗易懂版）下一状态预测 (NSP，Next State Prediction) 是从大语言模型 (LLM) 向世界模型 (World Model) 进化时的一个核心概念。

海绵宝宝de派小星

NLP核心任务（分词、词性标注、命名实体识别等）自然语言处理（Natural Language Processing，简称NLP）是人工智能领域最具挑战性的方向之一。它的目标是让计算机能够理解、处理和生成人类语言。与图像处理不同，语言是高度抽象和结构化的，充满了歧义、隐喻和上下文依赖。在本文中，我们将深入探讨NLP的核心任务，这些任务是构建更复杂NLP应用的基础。

狮子座明仔

Plan-and-Act：让AI智能体学会“先想后做“📖 论文标题：Plan-and-Act: Improving Planning of Agents for Long-Horizon Tasks 👥 作者：Lutfi Eren Erdogan, Zhengyuan Yang, Linjie Li, Shuohang Wang, Ahmed Awadallah, Chenguang Zhu, Liangke Gui, Lijuan Wang 🏫 机构：Microsoft 📅 发表：arXiv 2503.09572 🔗 论文链接：https://a

多机器人环境监测中的异质性，用于解决时间冲突任务在多机器人系统执行持续性任务时，若需中断处理紧急的时效性任务，常面临性能平衡的挑战。本研究以区域巡逻与异常无线电信号定位的双重任务场景为例，探讨这一平衡问题。

图文跨模态融合基础 2 ：LLM工程总览1.回顾LLM原理2. LLM工程化挑战2.1. 自然语言（NLP）歧义2.2. 成本和延迟2.3. 提示、微调、替代方案

武汉唯众智创

基于大语言模型的自助式 AI 心理咨询系统1.1 时代背景：传统心理咨询的痛点与 AI 技术的破局在快节奏、高压力的现代社会，心理健康问题日益凸显，焦虑、抑郁等情绪障碍困扰着众多人群。据世界卫生组织（WHO）数据，全球约有 10 亿人正遭受精神健康问题的折磨，每 40 秒就有一人因自杀离世。在中国，抑郁症患者超 9500 万，青少年抑郁检出率达 24.6%。这些数字背后，是对心理健康服务的迫切需求。

大语言模型（LLM）以deepseek举例：通过类比，学习LLM改进于Transformer的一些方法MoE 是一种稀疏激活的神经网络架构设计。在现代大语言模型（LLM）中，MoE 被用于在不显著增加计算成本的前提下大幅提升模型容量。这里和之前用的Feed Forward Net（FFN）对比一下：在 Transformer 中，每个 FFN 层通常由两个线性变换 + 激活函数组成，这两个全连接的参数量在大模型下太大了假如有2048的参数量，几乎有204820482的参数量（忽略b），忒多了所有 token 都要

嵌入模型和大语言模型的关系「嵌入模型（ONNXMiniLM_L6_V2/bert-base-chinese/nomic-embed-text）」和「大语言模型（qwen:1.5b/deepseek-r1）」的本质区别 ——嵌入模型只有「编码能力」（文本→向量），无推理 / 生成能力；而 qwen:1.5b/deepseek-r1 是具备「推理、对话、生成能力」的大语言模型（LLM），两者在 RAG（检索增强生成）等场景中是「分工协作」的关系，下面用通俗的语言拆解清楚：