大模型

Spring AI 2.1 ChatMemory 已过时用什么替代：迁移到 Session Memory 实战（JDBC 存储与会话压缩）导读：把 Spring AI 升到 2.1 之后，编译日志里会冒出一串"ChatMemory 已过时, 且标记为待删除"。替代品叫 Session Memory，2.1.0-RC1 刚带进来。我在临时项目里把迁移完整跑了一遍，这篇讲怎么改、改完数据存哪、多轮对话变长后怎么压缩，以及几个文档里不太显眼的坑。

虎鲸不是鱼

AI 自动化逆向（二十六）「已解出」和「已解析」是两回事本文是「AI 自动化逆向」系列第 26 篇。上一篇：数据表格式：一个恒等式覆盖 99% 的表；下一篇预告：一个地图格式族的三角关系。

软件工程3.0时代，大模型驱动测试实战指南目录作者简介适读人群主要内容目录本书特色专家推荐朱少民同济大学特聘教授、CCF杰出会员，曾任思科（中国）软件有限公司QA资深总监、多个IEEE 国际学术会议程序委员、《软件学报》《计算机学报》等审稿人。

虎鲸不是鱼

AI 自动化逆向（三十一）函数体不可读 ≠ 函数不可命名本文是「AI 自动化逆向」系列第 31 篇。上一篇：片段级恢复：单位是片段，不是函数；下一篇预告：一次布 60 个点：怎么知道丢了几次命中。

AI与大模型新闻日报 | 2026-10-25共 3 条新闻来源: IT 之家时间: 2026-10-24 14:41摘要: IT之家 10 月 24 日消息，据中国信通院，随着大模型技术的迅速迭代，词元（Token）服务成为从技术走向应用的关键点，我国日均词元调用量持续攀升，2026 年 6 月，国内词元日均消耗量约 500 万亿，是 2025 年 12 月的近 4 倍。产业中越来越多的 MaaS（Model as a Service，模型即服务）平台厂商通过公有云 API 方式供给大模型词元服务。然而用户对词元服务性能缺乏直观的判断依据，且面临选

RAG 检索面试十连问：召回率从 92% 掉到 61%，答案句被拦腰截断怎么排查你好，我是利威尔xu。这是「面试八股」系列的第二篇。上一篇我们拆了 Go GMP 调度器的 10 个高频追问；这一篇换赛道，聊 RAG 检索——站内热搜 TOP3 挂了一周的 RAG 词不是没道理的，这个方向现在面试出镜率极高，但绝大多数候选人的答案停在"向量数据库 + top-k"这一层，再往下问两句就露底。

天树星智源

J-Comm：不传文本传雅可比坐标，token 省下 74.8%J-Comm 这篇论文拆的正是这条链路。它先把「发送端怎么连续地想」和「接收端能收到什么」当成两个必须同时回答的问题，然后给出两半答案：发送端用一套无训练的几何重加权规则 GEAR 构造下一步的连续输入；接收端用 H+J 双通道，把消息拆成「用接收端自己的词表重建的输入向量」和「用 Jacobian 透镜读出的 token 坐标读数」。在 Qwen3-8B 到 Qwen3-4B 的主设定上，七个基准的平均分全部排在第一位，生成文本 token 比文本基线少 19.2% 到 74.8%。

虎鲸不是鱼

AI 自动化逆向（二十二）换行比峰值法：让 AI 自己发现图像的宽度本文是「AI 自动化逆向」系列第 22 篇。上一篇：同义反复的度量：AI 最容易糊弄你的地方；下一篇预告：magic 家族图谱：让 AI 定位「读取器在哪个模块里」。

大模型批量生成中的左填充 (left padding)与右填充 (right padding)：从生成正确性到 GRPO 的混合策略这一节首先明确 padding 要解决什么问题、通常怎么做。目标。仅解码器模型和编码器模型都按 batch 计算张量，而一个 batch 内各条序列长度往往不同。padding 的目标是把它们补齐到同一长度，使 batch 可以表示为一个规则张量。设第 iii 条序列长度为 LiL_iLi，batch 内最大长度为 Lmax⁡=max⁡iLi L_{\max}=\max_i L_i Lmax=imaxLi

虎鲸不是鱼

AI 自动化逆向（二十九）受保护区间的真实形状是「夹层」本文是「AI 自动化逆向」系列第 29 篇。上一篇：先量保护面，再决定要不要脱壳；下一篇预告：片段级恢复：单位是片段，不是函数。

UniDex-VLA：用人类第一视角视频，训出能跨 8 种灵巧手的 3D VLA论文把贡献拆成三块：UniDex-Dataset、FAAS + UniDex-VLA、UniDex-Cap + 人机共训。方法上，UniDex-VLA 基本是 π0 骨架 + Uni3D 点云 + FAAS；真正拉开差距的是人类视频 → 机器人可执行轨迹的数据管线，以及跨多种灵巧手的统一动作表示。

虎鲸不是鱼

AI 自动化逆向（二十五）数据表格式：一个恒等式覆盖 99% 的表本文是「AI 自动化逆向」系列第 25 篇。上一篇：遇到疑似二进制，先看头几十字节；下一篇预告：「已解出」和「已解析」是两回事。

AllData公司负责人

数据 + AI 一体化 I 机器学习中心（CubeStudio）实现目标识别可视化训练与弹性部署，让视觉模型快速投产►点击链接了解更新详情：演示体验、社群咨询、商务采购： https://docs.qq.com/doc/DVHlkSEtvVXVCdEFo

IJCV 2026｜从图片到视频，EMO-LLaMA如何增强大模型的面部表情识别能力？通用多模态大模型能够描述面部表情，但对眉眼、嘴角等局部变化的利用仍不充分。EMO-LLaMA围绕这一问题，将面部先验与通用视觉特征结合，并构建包含类别问答和对话描述的FERID指令数据，在同一框架中处理图片与视频。六个表情识别基准及相关消融显示，面部信息融合与指令微调能够改善部分识别指标，但不同数据集、类别与评价口径下的收益并不一致。本文依次介绍其研究背景、方法设计与实验结果。

百度OCR 2开源：KV缓存从47GB压到1.77GB2026 年 10 月 27 日，百度发布并开源 Unlimited OCR Works 2（文心 Unlimited OCR 2）。GitHub 仓库 baidu/Unlimited-OCR 的 Release 记录写明「2026/10/27 We release Unlimited OCR 2」，权重同步上到 Hugging Face，代码仓截至当日抓取为 2.89 万 star、MIT 许可。

Kimi K3.1 Pro 接口接入指南：模型选型、费用计算与零数据保留Kimi K3.1 Pro 提供标准版 kimi-k3.1-pro 和高速版 kimi-k3.1-pro-highspeed。两者的主要区别在输出速度和计费价格：官方说明高速版保持同等智能，输出速度约为标准版的 2—3 倍，但输入、输出及缓存写入价格也更高。

小七-七牛开发者

从 GLM 到 GPT，HarnessPro 如何用 RSI 降低 Agent 成本同样一个开发任务、同一个模型，不同的 Coding Agent 会因为它们的执行策略不同，而产生截然不同的结果。有的 Agent 能够快速定位问题，并完成修改；有的 Agent 会反复搜索文件、尝试各种修复方式，花费大量 Token 最终完成相同的任务。

还卿一钵无情泪

PEFT-Transformers、Unsloth、LLaMA-Factory 微调框架横向对比正常和标准内核有关中等取决于 LoRA 秩与 batch size较高需要自行编写训练脚本与 Hugging Face Transformers 生态完全兼容，支持 LoRA、QLoRA、Prefix Tuning 等多种方法

10000P国产算力破壁上线，算电协同与超智融合打破算力孤岛：高文院士图灵奖得主纵论世界算力网新纪元——读2026世界算力网大会实录2026 世界算力网大会（WCNC 2026）· 深圳 | 指导单位：中国工程院 | 主办单位：鹏城实验室、世界算力网联盟 | 核心嘉宾：高文院士、Jack Dongarra（图灵奖）、沈学民院士、Torsten Hoefler 等

Rerank 与混合检索：怎么让 RAG 从「能用」变成「好用」上两篇我把 RAG 的概念和最小闭环讲完了——第 21 篇说清「先查后答」，第 22 篇手搓了一个纯 Python 的 MiniRAG。那个 MiniRAG 确实能跑，但**「能跑」和「好用」之间还差着一截**。