nlp

年终复盘2.0：NLP自动萃取经验教训，构建可执行策略库每年12月，科技公司纷纷启动年终复盘。然而，IDC《2024企业知识管理报告》揭示了一个残酷现实：87%的复盘最终止步于PPT归档。管理者面对成百上千条员工反馈，只能凭直觉提炼“加强协作”“提升效率”等模糊结论。更严峻的是，麦肯锡同期研究指出，76%的企业将问题错误归因于“执行力不足”，却忽略了流程设计、工具缺失等真实根因。

weixin_43749777

读书笔记：Context Engineering 2.0 （上）阅读论文“Context Engineering 2.0:The Context of Context Engineering”的一个初步笔记。

【生物医学NLP信息抽取：药物识别、基因识别与化学物质实体识别教程与应用】github地址:https://github.com/xy200303/bioner访问地址: https://librairy.github.io/bio-ner/.

Python 数据类型：LLM 语料与 API 参数的底层处理逻辑专栏：Python 从真零基础到纯文本 LLM 全栈实战・第 2 篇 | 字数：9600 字左右| 零基础友好・全函数覆盖・LLM 实战绑定

Python 真零基础入门：从 “什么是编程” 到 LLM Prompt 模板生成你可能听过 “编程”“代码”，但不知道它们到底是什么 —— 其实编程就是「人类用计算机能懂的 “极简语言”，给计算机写 “任务清单”」。

C嘎嘎嵌入式开发

语言学：自然语言处理 (NLP) 的底层逻辑自然语言处理（NLP）是人工智能皇冠上的明珠，而语言学则是这顶皇冠的基石。如果说深度学习提供了“算力”和“算法”，那么语言学则提供了“数据逻辑”和“解构规则”。

【基于 Scikit-learn 本地数据集的垂直领域词云生成】在自然语言处理（NLP）的探索性数据分析（EDA）阶段，词云（Word Cloud）依然是快速直观地展示语料库特征分布、捕捉高频关键词的有效手段。

词汇/表达差异-8-Token Overlap（词元重叠度）首先明确**词元（Token）**的概念：词元是文本经过分词/切分后得到的最小语义单元，可分为：Token Overlap的核心思想是：两个文本的相似程度，取决于它们之间共同词元的数量（或占比）。根据计算方式的不同，可分为集合型重叠度和频率型重叠度两类，其中集合型是基础。

13 Transformers - 使用Pipelien处理自然语言处理NLP 任务是最常见的类型之一，因为文本是我们进行交流的自然方式。为了让文本变成模型识别的格式，需要对其进行分词。这意味着将一段文本分成单独的单词或子词（tokens），然后将这些tokens转换为数字。因此，可以将一段文本表示为一系列数字，一旦有了一系列的数字，就可以将其输入到模型中以解决各种 NLP 任务！

经典论文精读第一期：DeepSeek-R1-Zero ——RL奇迹论文地址：https://arxiv.org/pdf/2501.12948通常我们训练 LLM 的范式流程是：Pretrain -> SFT (教会格式/指令) -> RLHF (对齐人类偏好)。

git学习仓库就是一个目录（文件夹），这个目录里面的所有文件都可以被git管理起来，共三种工作区域共四种文件状态

C嘎嘎嵌入式开发

NLP 入门：从原理到实战的个人经验总结自然语言处理（NLP）这两年因为 ChatGPT 火得一塌糊涂，但抛开热度，它本质上就做两件事：教计算机听懂人话，以及让计算机像人一样说话。

AI核心知识60——大语言模型之NLP（简洁且通俗易懂版）自然语言处理 (Natural Language Processing，简称 NLP) 是人工智能（AI）皇冠上最璀璨的一颗明珠。

ms-swift在训练时遇到的部分问题及解决方案虽然查找model.safetensors.index.json可以发现此参数确实存在，但当我的模型进行GRPO训练时就是会爆这个错误。模型先进行了SFT训练，再进行的GRPO训练，直接进行GRPO训练没问题。

GRPO参数详解actor_rollout.ref.rollout.n对于每个提示，采样 n 次。默认值为 1。对于 GRPO，请将其设置为大于 1 的值以进行分组采样。

来两个炸鸡腿

DW动手学大模型应用全栈开发 - (1)大模型应用开发应知必会动手学大模型应用全栈开发 - (1)大模型应用开发应知必会2021年9月，源1.0大模型发布，它采用76层的Transformer Decoder结构，使用5T数据训练，拥有2457亿参数量，超越OpenAI研发的GPT-3，成为全球最大规模的AI巨量模型，表现出了出色的中文理解与创作能力。

探索对称双向半桥LLC谐振变换器双向运行仿真模型对称双向半桥LLC谐振变换器双向运行仿真模型。模型采用闭环PI控制，频率控制方法。输出效果好，效率高。如展示图所示。 matlab/simulink

平凡之路无尽路

智能体设计模式：构建智能系统的实践指南欢迎来到《智能体设计模式：构建智能系统的实践指南》。本质上，智能体化系统是一种计算实体，旨在感知其环境（包括数字环境和潜在的物理环境），基于这些感知和一组预定义或习得的目标做出明智决策，并自主执行行动以实现这些目标。与遵循严格的分步指令的传统软件不同，智能体具有一定程度的灵活性和主动性。

平凡之路无尽路

google11月agent发展白皮书智能体是语言模型的自然演进，在软件领域实现了实用化落地。从预测性人工智能到自主智能体人工智能正在发生变革。多年来，行业焦点一直集中在擅长被动、离散任务的模型上：回答问题、翻译文本或根据提示生成图像。这种模式虽功能强大，但每一步都需要人类持续指导。如今，我们正见证一场范式转移——从仅能预测或生成内容的人工智能，迈向具备自主问题解决与任务执行能力的新型软件。