大语言模型

快速上手大模型推理vllmLiteMoE 是一个小型 MoE 推理引擎，约 1600 行 Python。它负责 forward、KV 和生成循环，专家、Attention 和路由算子直接调用 vLLM。

后端转 Agent 岗面试怎么答：8 个高频问题与应答口径这篇是工具型整理，不聊趋势，只给能直接照着说的答法。每个问题按四段拆：问题是什么，常见的错误答法，正确口径，以及面试官大概率会追问到哪。

weixin_46846685

从“看懂”到“做到”：视觉-语言-动作模型如何让机器人真正执行指令“把桌上的红色杯子拿起来，放进水槽。”这句话对人类来说几乎是本能。但对机器人而言，它同时要求三件事：看懂桌上的杯子、理解“红色”“水槽”这些语义概念、规划并执行一系列关节运动。传统机器人系统把这三件事拆成独立的模块——感知模块负责检测物体，规划模块负责生成路径，控制模块负责执行动作。每个模块各自优化，但模块之间的接口成了信息损失的瓶颈。

5.27 分钟干完后端和全部测试：一场三小时笔试的五个失分点，四个不在代码上一场三小时的笔试，功能全跑通，代码实现放在同批里算合格偏上，租户隔离、幂等、8 路并发、流式导出、事务边界都做了。结果没过。

杭州华望MBSE

AI将载着MBSE驶向哪里？从前台工具转向工程语义与验证层基于模型的系统工程（MBSE）是一种以模型组织需求、架构、接口、行为与验证关系的工程方法。随着大语言模型具备需求抽取、模型片段生成和文档编制能力之后，人工建模在MBSE流程中所占用的时间和人力正逐步减少。当模型生成的成本显著下降后，MBSE是否仍然具有价值？

AI人工智能+

智能文档抽取系统通过“OCR+大模型”双引擎，实现从图像到结构化数据的精准转化，突破传统OCR仅识别文字的局限你有没有过这样的经历——手里攥着一沓合同、发票、申请表，翻来覆去只为找到某个关键数字？或者见过窗口工作人员对着扫描件，一个字一个字地往系统里敲？

一文读懂Kimi K3.1 Pro核心基础知识欢迎大家关注Rocky的知乎：Rocky Ding 《三年面试五年模拟》AIGC/LLM/AI Agent算法工程师/开发工程师求职面试秘籍独家资源：【三年面试五年模拟】WeThinkIn/AIGC-Interview-Book，欢迎大家Star～

Android无障碍自动化死循环全解：从动态角标伪匹配到单向状态机防御实战前言：在借助 AI 编程助手开发移动端 Android 无障碍自动化服务（AccessibilityService）或轻量状态检测工具时，真机“狂按返回键”、“界面疯狂晃动”以及“死循环闪退”是困扰开发者的恶性故障。大模型生成的代码习惯性依赖 findAccessibilityNodeInfosByText("微信") 等可见文本判据，却忽视了真实宿主环境中动态未读角标（如微信(494)）导致的文本漂移，进而诱发连续错误的物理回退风暴。本文基于真实移动端无障碍自动化工程的深度排错实战，剖析动态角标击穿

比特币 Core 取消 AI 易发现漏洞的保密期比特币核心项目（Bitcoin Core）本周四合并了一项安全政策修订：对于大语言模型（LLM）能轻易重新发现的漏洞，不再执行长达数月的保密期，而是立即向所有仍在维护的主版本回移修复、尽快发布点版本，并同步公开安全公告。

两个入口答案不一致先别调模型：6 行入口口径对账表（附脚本）企业知识库上线之后，有一类反馈很稳定：用户说系统答错了，发来截图；把那句话原样拿到网页端问一遍，答案是对的。

爱听歌的周童鞋

MIT 6.5940 | TinyML 与高效 AI 计算 | Fall 2026 | 笔记 | Lecture 12：Transformer and LLM学习 MIT 韩松教授讲授的 MIT 6.5940: Tiny ML and Efficient AI Computing 课程，本篇文章记录第十二讲：Transformer 和 LLM 的学习内容，和大家一起分享交流😄

MoE 与推测解码（Speculative Decoding）加速：为什么慢、什么时候慢、怎么让它不慢？学术交流群：922230617目录0. 引言0.1 基础0.1.1 算法机制0.1.2 工程实现0.1.3 模型架构

西班牙团队开源 AI 评分平台 EvaluAI：加评分标准反而更不准，但更稳定批改开放式试题一直是高等教育最难啃的瓶颈之一。选择题可以秒级机评，但论文、证明题和算法设计题依赖人工判断，而人工判断慢、贵且不一致。西班牙埃斯特雷马杜拉大学团队近日开源了 EvaluAI——一个用大语言模型批改自由文本作业、生成反馈并交由教师审核的平台，论文发表于期刊 SoftwareX，采用 Apache-2.0 许可证，部署在用户自有基础设施上，而非锁定在商业云服务中。

【随笔】RAG重排怎样挑证据：先扩大候选，再把相关片段排到前面上一文把RAG的问题拆成了检索证据和回答忠实性。接下来处理一个常见失败：正确文档已经被检索出来，却排在后面，最终拼给模型的前几段没有包含它。

我有酒两杯

从一条样本看懂 Kev：数据、模型、训练与推理Kev 用语言模型读取状态、问题和候选项，再为每个候选项计算概率。本文沿一条退款记录，解释它如何进入数据集、变成 token、产生损失，最后作为 API 请求返回决策。

AI 对话助手如何实现动态交互？一文讲清 AG-UI、SSE、组件与工具调用用户在同一个聊天窗口里描述目标；助手缺信息时展示选择卡，拿到答案后继续查询；需要写入业务系统时，展示操作摘要并等待用户确认。

Transformer中的注意力机制(Attention)李沐《动手学深度学习》注意力机制【论文精读】Transformer：Attention Is All You Need Transformer 的架构原理

Go 后端转 AI：非科班怎么补？一张 3 列路线表（可保存）前几天一位读者给我留言，说他不是科班出身，做 Go 后端一年多，现在想往 AI 上靠，最怕别人问的一句话是「你这些是按什么标准练的」。

AI你一生一世

GPT-6 Astra 深度拆解：当推理模型开始为“长任务”重新设计我是AI时代的无业游民，我游荡在现实与意念之间过去一年，团队里最常出现的一种事故不是模型答错，而是模型“答对了前半段，然后在后半段崩掉”。典型场景：让模型重构一个跨 12 个文件的鉴权模块，它前 8 步干净利落，第 9 步开始凭空捏造一个不存在的中间件，第 11 步把之前的改动全部覆盖。你盯着 diff，只能整段回滚。

大模型技术全景(十八)：RAG 检索增强生成与知识时效性问题📚 本文收录于「流浪」的系列专栏🏠 博客主页：流浪｜ 📝 原创首发于 CSDN篇十七把幻觉的根因拆成了三层，「知识缺、知识旧」那一层留给工程去治，治它的主流架构就是 RAG。但企业真正卡住的地方往往不是模型不够聪明，而是知识在自己手里、模型碰不到。本篇讲 RAG 是什么、为什么非它不可、哪些场景已经跑出了可核实的数字。