自然语言处理

阿维的博客日记

什么是unigram语言模型Unigram 语言模型（一元文法模型）是自然语言处理（NLP）中最简单、最基础的统计语言模型（N-gramN\text{-gram}N-gram 模型中 N=1N=1N=1 的特例）。

自然语言处理在法律文书生成中的应用：以离婚协议为例的多工具功能对比注意：本文仅作技术分享与工具功能对比，不构成任何法律意见。离婚协议书涉及重大财产分割、子女抚养等法律权益，AI 生成内容仅为草稿/参考模板，签署前请务必咨询专业律师审核。

慧都小妮子

C# 实现AI合同审查：从读取、风险标注到批量签发合同审查是企业采购、人事、法务中高频却重复的工作：从 Word、PDF 中提取签约方、有效期、付款条件与违约条款，再逐条比对企业标准。传统做法要么人工逐页通读，要么为每个模板编写字段映射代码，难以应对格式各异、数量波动的合同流入。本文以供应商协议审查为例，演示如何借助 Spire.Agent.Office 在 .NET 中用自然语言指令完成合同读取、风险标注与摘要生成，并对比三种自动化方案与能力边界。

阿标在干嘛

3种主流NLP模型在招标信息匹配中的效果实测你是否曾面对海量的招标公告，感到无所适从？传统的关键词过滤，要么漏掉重要商机（低召回），要么推送大量无关信息（低精度）。

DeepSeek Harness初体验：入门、安装与自定义插件本文讲两件事：怎么装 DeepSeek Harness（dsh），以及怎么写一个自定义插件（从极简到可用）。案例代码在 tmp/cordis-tutorial/，三个案例全程无需 API key。

线下销售复盘难落地，AI 会话设备能帮上啥忙2026年看销售会话分析设备工具，技术判断不能停在“能不能转写”。成熟方案通常要覆盖硬件采集、ASR、大模型语义理解、业务场景和管理应用，最后把一线会话沉淀为质检、客户洞察、成交归因和员工复盘。

阶段 1：一次模型调用对应代码：stage01_model.py ｜理解"模型服务端只产生事件流，不循环"这件事。把多次请求串成闭环的永远是本地代码——这是理解整个 Agent 架构的第一块基石。

Deepseek Agent Harness教程(二) | DeepSeek Harness 设计思路你写了一个能跑的Agent，感觉没什么难的。直到你要换模型厂商、加监控、做审批、处理并发冲突——那20行循环开始向你索命。这篇文章拆解DeepSeek Harness的设计，看它如何用20万行代码回答两个最致命的问题。

摘要、研究背景、文献综述AI风险高，怎么优化？很多学生检测论文AI率时，会发现一个规律：正文还好，摘要、研究背景、文献综述反而特别容易出现AI风险。

浅谈JiuwenSwarm安装重要提醒：安装完成并不代表直接可用，需要先完成模型配置。请参考配置信息进行模型配置适用于 Windows 和 macOS 用户，希望开箱即用、不想自行配置 Python / Node.js 环境。从 gitcode Release 下载对应平台的安装包即可。从 Release 页面下载。

寥落半伤感

codex接入deepseek+VLM视觉语言模型教程一、Codex接入deepseek：deepseek官方教程：1、运行前请确保已安装Codex CLI或ChatGPT桌面端，并至少运行过一次（即 ~/.codex 目录已存在）

测开小菜鸟

从AI概念到LLM评估：全面解析大型语言模型的能力与评价摘要：人工智能领域术语繁多、层级复杂，初学者往往难以理清 AI、机器学习、深度学习与大语言模型之间的关系。本文首先通过“AI 概念金字塔”厘清这四个核心概念的技术演进脉络，然后系统拆解大语言模型的三个能力层次（基础功能、智能能力、安全与伦理），最后从准确性、有用性、无害性、一致性四个维度构建评价体系，辅以具体示例，帮助读者快速建立对大模型的完整认知框架。

网络工程小王

【HCIE-AI】4.NLP 核心任务与技术演进学习笔记NLP 的任务可以归纳为四大类：文本分类、序列标注、信息抽取、文本生成。几乎所有实际应用（搜索引擎、客服机器人、翻译、写作助手）都是这四类的组合。

AI人工智能+

通用表格识别：实现从非结构化图像到高保真数据的转换，提升业务流程自动化水平在人工智能落地应用的深水区，文档智能处理正成为连接物理世界与数字世界的核心枢纽。然而，面对形态各异、结构复杂的表格数据，传统OCR技术往往止步于文字提取，难以还原其内在的逻辑关联。通过融合深度学习与语义理解，一种端到端的通用表格识别技术应运而生。本文将深入拆解其背后的技术架构，探讨如何实现从图像像素到高保真结构化数据的精准跃迁。

小王不叫小王叭

Blip2：使用冻结图像编码器和大型语言模型的Bootstrapping图像预训练-2301code：https://github.com/salesforce/LAVIS/tree/main/projects/blip2

给AI装上“眼睛”：一文讲透视觉语言模型（VLM）这些能力的背后，是一种正在改变AI交互方式的技术——视觉语言模型（Vision-Language Model，简称VLM）。

AI漫剧制作全流程技术拆解：从NLP剧本解析到一致性角色生成做AIGC实验室建设这块的同行应该有体感——市面上大部分方案本质上就是"高配电脑+一堆AI软件"的拼凑。今天从技术角度拆解漫映AI平台（www.m-ying.com）的漫剧制作全流程核心模块。全流程管线

AI人工智能+

智能文档抽取系统通过“视觉感知+大模型认知“双引擎架构，实现非结构化文档的自动化处理现如今绝大多数企业、政务机构、医疗机构的业务数据，都存储在合同、票据、证照、表单、病历、流水单等非结构化文档当中。传统人工录入、手动摘抄关键字段的处理模式，耗时久、出错率高、难以应对海量版式杂乱的文件。一种基于计算机视觉、OCR 识别与大语言模型融合算法的智能文档抽取系统，打通 “图像识别‑版面解析‑语义理解‑结构化输出” 全链路，把繁杂的纸质、电子文档自动拆解成标准化可用业务数据，解决各行各业非结构化文档的数据提取难题。

江畔柳前堤

HBM：大语言模型时代的「算力血液」——从内存墙到带宽革命的深度拆解作者按：2026年，全球半导体市场规模逼近1.7万亿美元，其中内存板块同比增长298%。但出货量仅多了8%，均价暴涨268%。这组数字背后，是一个被彻底改写的产业逻辑——HBM（High Bandwidth Memory，高带宽内存）从GPU的"配角"跃升为AI基础设施的"命脉"。本文试图从第一性原理出发，系统梳理HBM在LLM领域的技术本质、核心作用、演进路径与产业格局。

10 分钟实战：用 0.6B 本地模型生成中文网页（WanlyFrontend + 编译器全流程）之前两篇文章介绍了 Xiaothink-T17-RWKV5-MLA-Frontend（≈0.6B 中文前端生成模型）的测评成绩与架构原理。这篇文章进入实战：从零开始，10 分钟跑通"中文提示词 → WF 代码 → 编译 HTML"全流程，在本地用一张消费级显卡生成一个完整网页。