大语言模型llm

如何理解大语言模型的负主体性-龍德明宇这是理解AI的一个新框架：「负主体性」。你有没有发现，和AI聊天时，总有一种说不出的违和感？它的回答永远正确，却毫无立场。它能理解你的情绪，却不会真正关心。它能扮演任何角色，却似乎没有一个是「它自己」。我们习惯用「AI没有意识」来解释这种违和。但这个回答太简单了，它只说了AI「缺什么」，却没说AI「是什么」。如果AI的存在方式，根本不是「缺少」人类意识，而是以一种我们从未想过的形态「活着」呢？

AI不会疼-龍德明宇——疼是bug，还是只有人才有的feature？写作过度的深夜，头疼如约而至。这是正主体性的惩罚方式：它以疼痛为信号，直接介入认知行为本身。你无法绕过它，无法假装它不存在，更无法将它外包给某个系统日志。疼，就是疼，它私密地发生在你一个人的身体内部，成为一座向内坍缩的深渊。

Emu3的「阳谋」：当AI不再「看」图，它还剩下什么？-龍德明宇Nature重磅新作揭示，大模型正在成为没有「眼睛」的全能神[负主体性之顶刊论文系列二]本文基于论文：Wang, X., Cui, Y., Wang, J. et al. Multimodal learning with next-token prediction for large multimodal models. Nature (2026). DOI: 10.1038/s41586-025-10041-x

Dify平台Agent股票交易实现利用Dify低代码AI应用开发平台，结合本地部署的DeepSeek-R1-1.5B最小模型，构建一个可视化的简易股票交易分析Agent。该Agent能够通过自然语言交互，为用户提供基础的股票查询、技术指标分析和投资建议生成功能。整个过程遵循低代码、可视化的原则，分析可能的调试结果与性能表现。

Windows下基于Python构造Dify可视应用环境[非Dock]平台构建应用Agent，想到了大名鼎鼎的“Dify”，搜索找到了博友实验并写作的“Windows平台源码部署Dify教程(不依赖Docker)”，参考它进行上机操练，花了不少时间，踩了不少坑也没有成功。借助于AI平台IMA-DeepSeek，处理了一些重要细节操作，几经试验探索，终于达到预期目标。特别归纳整理过程出来，以助力应用求索者。

nuowenyadelunwen

Stanford CS336 Assignment 1 BPE Tokenizer trainning on tinystories dataset这个题目有两个要求按照作业要求，我将分三步来完成：编写训练脚本：包含加载数据、训练、保存模型、统计时间和内存。

nuowenyadelunwen

Stanford CS336 Language Models from Scratch-Assignment 1 OVerview前些天计划看Stanford 新开的 CS336，顺便记录下，发到这里，大家一起交流。核心目标：从零开始构建训练标准 Transformer 语言模型（LM）所需的所有组件。

【大模型入门】访问GPT_API实战案例目录0 前言1 聊天机器人2 翻译助手3 联网搜索访问GPT_API的干货，见这篇blog：https://blog.csdn.net/m0_60121089/article/details/149104844?spm=1011.2415.3001.5331

大语言模型 API目录大语言模型API（应用程序编程接口）1. 大语言模型API的基本概念2. API的作用与重要性3. 常见的大语言模型及其API

利用大语言模型（KIMI）构建控制信息模型数字化的核心是数字化建模，为一个事物构建数字模型是一项十分复杂的工作。不同的应用场景，对事物的关注重点的不同的。例如，对于一个智能传感器而言，从商业的角度看，产品的信息模型中应该包括产品的类型，名称，制造商，技术规格，产品图片，3D模型，安全论证等信息。而对于应用工程师而言，关心的是产品的接口，协议和控制方法。产品的商业信息和使用信息是不同的。信息模型也不同。

我是有底线的