nlp

技术狂人168

（三）模型微调技术 20 题！LoRA/Q-LoRA/PPO/DPO 落地细节，面试说清微调全流程（实战篇）上篇多模态笔记发完，很多朋友说 “GPT-4V 的设计逻辑直接背，二面真的被问到了”—— 其实多模态之后，微调是面试的 “落地能力核心” ！大厂招大模型工程师，最看重 “能不能把模型调好用”，我带的 500 + 求职者里，能说清 Q-LoRA 微调 13B 模型踩坑的，三面通过率直接提升 70%。

橘色的狸花猫

简历与岗位要求相似度分析系统本系统是一个基于 NLP（自然语言处理）技术的简历与岗位匹配分析平台，采用 TF-IDF 算法提取关键词，结合余弦相似度计算文本相似度，按多维度加权评估简历与岗位的匹配程度。

混元世界模型1.5架构原理初探元旦好呀，新年的第一天祝大家新的一年顺顺利利，财源滚滚。 12月中旬，国内首个开放体验的实时世界模型 - 混元世界模型1.5（HY World 1.5）正式发布及开源！3D大模型乃至3D世界模型这块属于是小马的新草地，一发现这个消息小马就迫不及待地去体验了一番，不得不说效果真的很哇塞，交互世界和360度全景都好震撼。（漫游场景还没申请通过~~ 看起来也很挺）

Python 异常捕获与处理：从基础语法到工程化实践的万字深度指南核心目标：系统掌握 Python 异常的底层原理、语法细节、高级特性与生产级处理方案，避免 “吞异常”“乱捕获” 等致命错误

用AI来“造AI”！Nexent部署本地智能体的沉浸式体验目录一、极速体验二、轻量快速安装部署三、环境配置1.应用配置2.模型配置四、智能体再体验五、结语在打造属于我们自己的智能体之前，我们先体验一下来自ModelEngine官方的强大智能体——Nexent！体验地址：一个提示词，无限种可能。

Python 正则表达式：LLM 噪声语料的精准清洗（专栏：Python 从真零基础到纯文本 LLM 全栈实战・第 8 篇 | 字数：10000 字 | 零基础友好 | LLM 场景深度绑定 | 代码可运行）

表示/嵌入差异-5-皮尔森相关系数(Pearson Correlation Coefficient)皮尔森相关系数（简称PCC）用于量化两个连续变量 XXX 和 YYY 之间的线性相关程度，取值范围为 [−1,1][-1, 1][−1,1]：

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。