大模型

AI智能体研发 | 什么是OpenAI API协议一行命令，直连模型。没有 SDK，没有抽象层——你面对的是最原始的 HTTP 与 JSON，这正是 OpenAI API 协议的真正面貌。

小七-七牛开发者

Coding Agent 规则管理：CLAUDE.md、Skills、Hooks、Subagents 到底怎么选？Coding Agent 用久了，规则管理就会变成一个绕不开的问题：哪些内容该放进项目说明，哪些流程得按需调用，哪些动作必须由系统强制执行。

小七-七牛开发者

论文解读：DeepSeek DSpark 在真实高并发推理服务中，如何保证 Token 生成又好又快？刚刚过去的周末，DeepSeek 发布了一篇关于推理加速的新论文：《DSpark: Confidence-Scheduled Speculative Decoding with Semi-Autoregressive Generation》，内容聚焦在大模型推理服务中的一个具体问题：在真实高并发场景下，Speculative Decoding 如何既提升生成速度，又减少目标大模型的无效验证计算？

DeepSeek搞了个DSpark，AI直接进入“秒回时代”，你还在傻等？峰哥说：别让AI聊天，变成“等AI”前几天，一个朋友跟我吐槽——“峰哥，我现在用AI写周报，打个字它都要想半天，急得我差点把键盘吃了。”

15天学会AI应用开发（九）利用Chroma持久化向量数据Chroma是一个本地向量数据库，专门用来保存 RAG 知识库，并且快速检索相关内容。Chroma与FAISS之间的区别如下：

15天学会AI应用开发（八）使用向量数据库实现RAG功能向量化一段文本的时候，经常用到all-MiniLM-L6-v2，它是一个轻量级的文本嵌入Embedding模型，专门把文字转成数字向量，给RAG做语义检索用。

15天学会AI应用开发（七）有了大模型为什么还要引入RAG1、使用第三方的摘要库对文本摘要； 2、使用在线大模型对文本摘要； 3、使用离线大模型对文本摘要；以上对会话记录的各种处理操作，统称为AI应用的上下文管理，即让AI理解用户之前的意图。接下来将开启有关RAG部分的AI应用开发教程介绍。

vivo互联网技术

CVPR 2026 | 全新强化学习框架 BeautyGRPO：重塑真实人像本文入选 CVPR 2026 HighlightCVPR（IEEE/CVF Conference on Computer Vision and Pattern Recognition）IEEE 国际计算机视觉与模式识别会议，主要内容是计算机视觉与模式识别技术。

【LLM技术全景】大模型能力探秘：In-Context Learning与思维链（CoT）摘要：本文是《LLM技术全景：从Token到部署》系列第七篇。为什么大模型"看几个例子就能举一反三"，而无需任何参数更新？为什么只是加上"Let’s think step by step"，数学推理准确率就能翻倍？本文深度解析两大神秘能力——In-Context Learning（上下文学习）与Chain-of-Thought（思维链），拆解其工作机制，探讨涌现现象背后的规律，并给出实用的Prompt工程指南。

实战拆解｜三类RAG架构差异：朴素、进阶、多轮RAG落地选型指南很多AI产品、转行求职者、初级研发都有一个通病：只会笼统说“我做过RAG项目”，但不会选型、分不清架构层级。

【大模型】Gemma4在ROCm和vLLM部署Gemma 4 是 Google DeepMind 于 2026 年 4 月推出的一系列最新、最强的开源大模型。它的定位非常明确：以极高的"参数效率"为核心，将强大的 AI 能力从云端带到你的手机、电脑等本地设备上。

【GitHub】CL4R1T4S：AI 系统提示词的透明革命深度解析 GitHub 上近 4 万 Star 的 AI 系统提示词泄露项目——它如何撕开 AI 行为的"黑箱"，以及这对整个 AI 行业意味着什么。

【大模型相关】意图识别实现方案行业分析报告当前意图识别已经从传统的“关键词 / 规则 / 分类模型”演进到 LLM + 向量检索 + 工具路由 + 工作流编排的混合架构。

【强化学习】数学推导专题，20W字总结（十五）😊你好，我是小航，一个正在变秃、变强的文艺倾年。 🔔本文讲解【强化学习】数学推导专题，20W字总结（十五），期待与你一同探索、学习、进步，一起卷起来叭！

从嵌入、表征到潜空间：理解大模型向量世界的三种视角目录一、问题的真正难点：不是三个术语，而是三种视角二、嵌入：把离散世界变成连续坐标（一）嵌入的本质：从符号到几何

LoRA: Low-Rank Adaptation of Large Language Models论文链接：https://arxiv.org/pdf/2106.09685v1/1000大模型下游迁移微调是行业落地的关键环节，传统全参数微调存在参数量大、算力消耗高、权重分发不便、易发生原有知识覆盖等缺陷。Adapter、Prefix Tuning、Prompt Tuning 等一系列参数高效微调（Parameter-Efficient Fine-Tuning，PEFT）方案被陆续提出，其中低秩自适应（ Low-Rank Adaptation，LoRA）[1]方案凭借收敛速度快、推理无额外延迟、兼容性强

spring boot + langchain4j +milvus实现向量存储我在gitee上有整体的项目示例，有兴趣的可以拉下来看看：https://gitee.com/JR542784/langchain4j-test，如果不知道怎么部署milvus可以从我的主页走索milvus有相关的说明

UniScientist：30B开源科研大模型突破，重构AI自主研究范式UniPat AI 推出 30B 参数量开源科研大模型 UniScientist，突破科研大模型 “只写报告不做研究” 的行业痛点，以统一范式搭建通用科研智能，实现 “提出假设 - 收集证据 - 可复现推导 - 迭代验证” 的全流程科研闭环，性能匹敌甚至超越参数量大一个数量级的顶尖闭源模型，为 AI 科研落地提供关键参考。

AI大模型学习第十四天：Coze项目实战中的分治智慧前面几节课，我们学习了工作流、知识库、数据库、多模态这些“零件”。今天，我们要做一件更重要的事：把这些零件组装起来，解决一个真实的问题。