大语言模型

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。

强化学习与偏好学习基础：PPO，DPO，GRPO机器学习通常可以分为：监督学习、非监督学习和强化学习。强化学习（Reinforcement Learning, RL）是一类机器学习方法，核心思想是通过与环境的交互、试错探索，逐步优化策略，以最大化长期累计的奖励。不同于监督学习和无监督学习，强化学习不依赖大量的标注数据，而是通过智能体（agent）与环境的互动来自行学习。

AI你一生一世

当AI在数学中“失准”：一场关于形式化、直觉与工程取舍的深度复盘我是AI时代的无业游民，我游荡在现实与意念之间过去两年，大模型在自然语言、代码生成甚至竞赛级数学题上的表现让人产生了一种错觉：数学似乎是AI最容易攻克的堡垒之一。毕竟，数学语言精确、规则明确、答案可验证——这不正是机器最擅长的领域吗？

9.7GB AI 模型总下崩？我用 Python 写了个支持分段续传的多线程下载器（源码解析）关键词：Python、多线程、HTTP Range、断点续传、wxPython、PyInstaller

段一凡-华北理工大学

大模型与智能体在工业的应用~系列文章12：大模型 × 数字孪生 × 智能体的融合图景十二期一路走来，我们从"认知"讲到"原理"，从"提示词"讲到"RAG"，从"单智能体"讲到"多智能体"，从"接系统"讲到"可信"和"落地"。作为收官篇，我们该跳出"当下怎么用"，抬头看看未来往哪走。一个清晰的趋势正在浮现：大模型与数字孪生、工业互联网正在走向深度融合——智能体不再只是"问答助手"，而会成为"能感知、能推演、能决策的工业数字伙伴"。本期展望这条演进路径，谈"高炉大脑想象图景"，也给大家落下一句抓住时代风口的布局建议。

LangGraph-AI智能体开发框架 - LangGraph 入门案例1 : 智能快递配送系统目录一、智能快递配送系统Graph API 编码思路智能快递配送系统图讲解智能快递配送流程:二、编码编码流程