- 博客(1711)
- 收藏
- 关注
RSS订阅
原创 【点击领取】点击领取AI大模型2025最新学习资料、视频教程、学习路线，存下吧很难找全的！
按惯例，先说下我基本情况。我是95年的，计算机专业普通本科毕业。在一个二线城市，毕业后因为自身能力问题、认知水平问题，再加上运气不好，换过多份工作，每份工作都干不长。导致我30岁时，还一事无成，也几乎没有积累到什么经验技术、行业知识等。甚至还一度去开过网约车，送过外卖。最后还是干了老本行—程序员。作为程序猿，我也有想法转行做AI领域，之前也做过类似的开发，但是我没有算法岗的经验，对比一下刚毕业的学生，动不动就是985硕士或者博士，也没有发表过任何论文，没有做过审任何厉害开源的AI领域的项目，有的只是我对
2025-07-15 17:40:19
1088
1
原创 RAG、Agent与本体工程：企业AI落地的三大关键要素
【AI创业者的血泪顿悟：企业AI落地的灵魂是"本体工程"】 一位AI创业者自述从RAG到Agent的踩坑经历：最初迷信RAG技术，却发现其本质是"高级搜索+随机生成"，导致AI把财务问题回答成食堂菜单；转向Agent框架后，数字员工却陷入无限循环的"表演式工作"。直到遇见行业老炮才明白：当前AI应用的最大瓶颈不是模型能力，而是缺乏对企业业务概念的"本体化"理解。 文章揭示了Palantir成功的核心方法论——通过"本体
2025-08-23 12:00:00
416
原创 学习上下文工程邪修版，万字详解啥是“上下文处理（Context Processing）”
本文系统介绍了大语言模型中的"上下文处理"技术，主要解决四大核心问题：处理超长上下文、多模态信息融合、结构化数据整合以及构建自优化机制。文章详细阐述了长上下文处理的架构创新（如Mamba、LongNet等）、多模态整合技术（CLIP、Q-Former等）、知识图谱与结构化数据的处理方法，以及通过元学习和记忆增强实现的自我优化框架。作者指出这些技术正在推动AI从被动执行转向自主进化，并强调在技术浪潮中持续学习的重要性。最后提供了包含104G学习资源的AI大模型入门礼包，涵盖从基础到进阶的全
2025-08-23 09:00:00
311
原创 一图看懂传统 RAG 与 Agentic RAG 实战差异：哪个更适合你？
本文对比了传统RAG与AgenticRAG两种检索增强生成技术。传统RAG采用线性"检索-生成"流程，结构简单但处理复杂查询能力有限。AgenticRAG引入智能体概念，通过查询重写、工具选择、循环迭代等机制实现更智能的决策过程，能处理多跳推理和复杂任务，但系统复杂度更高。文章指出，随着AI应用复杂度提升，AgenticRAG代表了RAG技术的发展趋势，它将LLM从被动生成器转变为能主动思考执行的智能体。文末还提供了AI大模型学习资源包信息。
2025-08-22 17:29:04
457
原创 RAG（检索增强）当主要的问题以及评估方法
RAG（检索增强生成）系统虽能提升大模型回答的准确性，但仍面临"垃圾进垃圾出"问题，主要体现在检索不精准、上下文构建不当、生成质量差和评估困难四方面。业界通过智能切分、查询重写、混合搜索、重排等技术优化检索，采用上下文压缩和图RAG改进上下文构建，并通过指令微调提升生成质量。同时涌现出LangChain、LlamaIndex等开源框架和RAGAs等评估工具，为构建高效RAG系统提供支持。
2025-08-22 17:21:12
332
原创 Java程序员转型大模型应用开发：掌握这12步就够了！
Java开发者AI转型指南 面对AI技术浪潮，Java开发者具备独特转型优势：严谨的工程化思维、企业级开发经验和分布式系统能力。本文提出渐进式转型路径，建议从AI赋能Java开发入手，逐步掌握Python、大模型原理等核心技能。关键是将Java工程经验迁移至AI项目，如设计模式应用、性能优化思维等。推荐分阶段学习计划，包含数学基础、大模型专项能力和实战项目路线（智能文档处理→知识问答系统→分布式微调平台）。转型过程中需避免"全栈式学习"误区，建议聚焦AI工程化方向，把握"保Ja
2025-08-22 16:47:31
524
原创 DeepSeek-V3.1 深入解析：四大新亮点与一个被忽略的信号
就在刚刚，DeepSeek 正式发布其最新版本 DeepSeek-V3.1 模型。一种模型，两种体验。DeepSeek-V3.1 的核心创新在于混合推理能力。用户可以通过「深度思考」按钮在思考模式和非思考模式之间自由切换。
2025-08-22 16:16:12
703
原创 从BERT到Qwen3：Embedding技术的八点总结
《通用文本嵌入技术综述：从PLM基础能力到多模态扩展》 摘要：本文系统梳理了基于预训练语言模型(PLM)的通用文本嵌入(GPTE)技术发展。核心架构采用Bi-Encoder+对比学习范式，通过CLS/Mean等池化方法从BERT、T5等PLM中提取特征。研究揭示：1)模型规模与性能正相关，但解码器架构需更多参数；2)数据合成、对比学习和长上下文窗口是性能提升关键；3)技术正向多模态(图文/视频检索)、多语言(跨语种零样本检索)和代码嵌入(UniXcoder等)扩展。未来趋势聚焦推理能力增强、安全性和特征解耦
2025-08-22 16:08:06
440
原创 智能体（Agent）全景拆解：揭秘核心模块、技术实现与业务落地
AI智能体正成为下一代技术革命的核心，通过"大脑(LLM)+身体(工具)+记忆(知识库)+目标(任务)"的架构，实现从被动问答到主动执行的跨越。文章详细拆解了智能体的四大核心模块：感知理解、规划决策、工具调用和执行反馈，并提供了从0到1构建智能体的技术架构和业务落地指南。典型案例显示，在政务、金融、电商等领域，智能体已显著提升效率。未来将向多Agent协作、具身智能等方向发展。文章还附赠AI大模型学习资源包，帮助从业者掌握这项变革性技术。
2025-08-22 15:48:08
294
原创 智慧医疗“健康大脑”实践指南：医疗AI在医疗健康服务中的应用
摘要：智慧医疗"健康大脑"依托智能计算中枢，正推动医疗模式从"病后治疗"向"风险预测+全程管理"转型。文章系统分析了其三大核心功能(风险预测、健康管理、决策支持)，指出当前面临的数据孤岛、基层适配不足、政策技术协同欠缺等挑战，并提出建立统一数据标准、优化基层应用、实现三维联动等发展路径。研究强调通过构建"以健康为中心"的医疗生态系统，可有效促进医防融合，为全生命周期健康管理提供新范式。
2025-08-22 15:41:41
670
原创 AI大模型应用开发入门指南：从小白到大神的全面攻略，大模型开发零基础到精通，非常详细收藏我这一篇就好了！
本文介绍了AI大模型应用开发的核心技术，包括LLM、RAG、Agent、Prompt等关键概念。重点解析了大模型的工作原理：通过API交互，基于Messages参数实现对话"记忆"功能，但本质上每次请求都是无状态的。文章详细阐述了RAG（检索增强生成）技术的工作流程和挑战，以及Tools参数如何让大模型调用外部工具。此外，还介绍了ReAct（推理+行动）模式的行为逻辑，并通过数学计算案例展示了Agent框架的运作方式。这些技术共同构成了AI大模型应用开发的基础体系。
2025-08-21 10:54:53
847
原创 大模型应用开发全指南：一篇超详细的流程解析，非常详细收藏这一篇就够了！
摘要 本文系统介绍了大模型应用开发的整体流程和方法。作者指出，大模型开发的核心在于通过API调用和Prompt Engineering来发挥模型的文本理解与生成能力，而非直接修改模型结构。开发流程包括：确定目标、设计功能、搭建架构（推荐LangChain框架）、构建向量数据库、Prompt工程优化、验证迭代、前后端开发（推荐Gradio/Streamlit）及持续体验优化。与传统AI开发相比，大模型开发更注重工程实现而非模型训练，通过Prompt链路替代子模型训练，显著降低了开发门槛。文章最后提供了大模型学
2025-08-21 10:51:00
705
原创 专业解读：DeepSeek R2技术让AI读长文速度提升11倍
DeepSeek与北京大学联合研发的"原生稀疏注意力"（NSA）技术获得ACL 2024最佳论文奖。该技术突破性地将稀疏注意力机制应用于完整训练流程，在保持模型性能的同时实现11倍推理加速。NSA通过模仿人类阅读策略（压缩摘要、精选重点、滑动窗口），有效解决大模型处理长文本时计算量暴增的问题。测试显示，搭载NSA的27B模型在多项基准测试中超越全注意力模型，并在64k长文本中实现100%信息检索准确率。这项技术已通过完整预训练验证，预计将应用于DeepSeek下一代大模型，显著提升长文本
2025-08-21 10:45:12
497
原创 深入解析MoE模型：一篇超全面的指南，非常详细收藏我这一篇就够了
本文系统介绍了混合专家模型(MoE)技术的核心原理、发展历程及在AI大模型领域的应用价值。MoE通过条件计算机制将庞大神经网络分解为多个专家子网络，配合门控系统实现稀疏激活，在保持模型容量的同时大幅降低计算成本。文章详细剖析了MoE的三大核心组件、训练挑战及优化技术，并对比了其与稠密模型的性能优势。随着MoE技术从NLP向视觉和多模态领域扩展，开源框架和推理引擎的完善使其成为构建万亿参数模型的关键技术。文末还提供了大模型学习的全套资源包，助力AI从业者掌握这一前沿技术。
2025-08-21 10:31:43
472
原创 大模型提示词编写与优化：超级详细教程，让你的模型更出色
要编写并优化大模型提示词，关键在于清晰明确地定义任务目标、提供充足的上下文信息、设定具体的输出期望（如格式、风格、角色扮演），并通过迭代优化逐步改进提示效果。针对特定任务（如写作、编程、数据分析），需结合任务特性设计提示词，例如分步引导、提供关键参数、明确问题与期望等。本教程将详细阐述这些原则与技巧，并提供大量实战案例。
2025-08-21 10:28:01
711
原创 LLM微调框架大比拼：4款顶级选择
【150字摘要】大模型微调工具推荐：Unsloth适合个人快速实验（2倍提速，80%显存节省）；Axolotl提供YAML全流程管理；LlamaFactory支持零代码GUI操作；DeepSpeed专攻万亿级参数训练。附赠104G大模型学习资源包（含视频教程/路线图/电子书/面试题），由清华博士团队整理，适合零基础转行或技术提升。智泊AI提供"理论+实战"培养体系，覆盖数据清洗到模型部署全流程。资源免费领取，助力AI职业发展。
2025-08-21 10:20:10
702
原创 2025年，身边遍地都是失业的中年人！
2025年。北京。或者上海。或者任何一个你叫得上名字的所谓新一线城市。天气好的下午，别去写字楼。要去咖啡馆。尤其是那种开在园区里, 设计得像个北欧客厅, 一杯美式卖你38块钱的地方。你会看到奇观。遍地都是中年男人。
2025-08-21 10:17:00
754
原创 大模型部署新趋势：从 Ollama 到 vLLM 的必然之路
【大模型框架选择指南：Ollama与vLLM深度对比】 本文详细对比了两种主流LLM框架的核心差异与应用场景： 核心定位 Ollama：轻量级本地工具，适合快速原型开发与隐私敏感场景 vLLM：高性能推理引擎，专为生产级高吞吐量场景优化 关键差异 • 性能：vLLM的PagedAttention技术将内存浪费控制在4%以下，吞吐量可达Ollama的3.23倍 • 扩展性：vLLM支持多GPU并行，而Ollama仅适合单机部署 • 适用场景：Ollama适合个人开发者，vLLM适合企业级应用 决策建议 选择O
2025-08-21 10:15:02
910
原创 专业解析：AI智能体在客服质检中的应用与创新
这是一款面向客服场景的智能对话分析工具，通过四阶段自动化流程实现高效质检：1.数据预处理（文件名标准化、内容清洗与结构化）；2.并行分析（摘要生成/问题分类/情感评估三模块并行）；3.结果聚合（统一数据格式）；4.可视化交互（支持上传/进度追踪/多维展示）。工具采用批处理架构，支持4任务并发，结合大模型技术实现智能分析，最后通过代码节点整合输出结构化报告。文末附赠104G大模型学习资源包，涵盖视频教程、技术文档及实战项目。
2025-08-21 10:01:24
621
原创 破局高薪焦虑！大模型应用开发「黄金赛道」入门系统指南：从代码白痴到项目主宰的认知逆袭
摘要：大模型技术革命正在重塑程序员职业格局，传统开发岗位薪资增幅放缓，而AI应用人才缺口达30万。本文系统拆解大模型应用开发的进阶路径：从基础认知到核心技术（Prompt工程、RAG架构等），再到实战项目锤炼。建议开发者建立系统思维、专注垂直领域，通过项目认证和社区贡献实现职业跃迁。文末提供104G大模型学习资源包，涵盖视频课程、技术文档等，助力转型AI开发。
2025-08-20 15:36:04
1010
原创 最后提醒一下大模型面试肚子里没墨水的人，大模型面试面经｜入职字节大模型岗面试分享（附答案）非常详细收藏我这一篇就够了
本文介绍了Transformer和BERT模型的关键技术点。首先阐述了Self-Attention机制的计算公式及其设计原理，包括scaling的作用、Layer Norm的优势等。其次分析了BERT特有的技术：position embedding的作用、三个embedding相加的合理性、WordPiece分词的优势等。最后探讨了多头注意力的设计考量，解释了其增强模型表达能力的作用。全文通过问题和解答的形式，深入浅出地解析了这些深度学习模型的核心设计思想。
2025-08-20 15:29:40
809
原创 北京大学：走进人工智能2.0｜附53页PDF文件下载
本课程系统梳理人工智能发展历程，聚焦大模型技术原理与产业应用。提供AI通识知识、技术指南及人才能力培养方案，包含视频教程、电子书籍、面试题解等104G学习资源包，适合各类学习者。由专家团队整理，涵盖理论到实践的全方位内容，帮助提升技能实现职业转型。免费获取完整学习资料。
2025-08-20 15:13:42
824
原创 2025年RAG实践手册：构建知识库和问答系统的实战指南｜附132页PDF文件下载
在人工智能技术日新月异的今天，越来越多的人希望能够拥有属于自己的智能助手，提升工作效率、优化知识管理，甚至打造个人品牌。《RAG Handbook》正是为此而生。本书将系统性地介绍如何从零开始，基于RAG（Retrieval‑Augmented Generation，检索增强生成）技术，构建一个能够理解和利用个人知识库的智能聊天机器人，并将其无缝集成到你自己的网站或应用中。
2025-08-20 14:47:51
838
原创 一文读懂：人工智能（AI）产业链，非常详细收藏我这一篇就够了！
人工智能（AI）产业链已形成完整的上中下游生态体系，上游提供算力硬件和数据资源，中游聚焦算法模型开发，下游实现多场景应用落地。全球AI市场规模预计2025年突破2.3万亿元，中美领跑市场。当前发展呈现三大趋势：算力需求持续攀升推动硬件创新，端侧AI设备加速普及，人形机器人等新兴应用即将迎来商业化爆发。随着大模型技术突破，AI正深度渗透各行业，成为推动产业升级的核心驱动力。为应对人才缺口，业内已建立系统化培养体系，涵盖从技术理论到产业实践的完整学习路径。
2025-08-20 14:43:44
836
原创 12张动图全面剖析MCP/RAG/Agent/Cache/Fine-tuning/Prompt/GraphRAG核心技术，一网打尽
本文通过12张动图系统解析了AI大模型核心技术，涵盖MCP、RAG、Agent等关键概念。主要内容包括：1）LLM训练四阶段（预训练到推理微调）；2）三种推理提示技巧；3）模型蒸馏技术；4）监督与强化微调区别；5）Transformer与MoE架构对比；6）传统RAG与智能体RAG的差异；7）5种AI智能体设计模式；8）图RAG解决传统RAG的局限性；9）KV缓存加速推理技术。文章还附带大模型学习资源包，包含视频教程、路线图等技术资料，适合不同基础的学习者。
2025-08-20 14:20:58
637
原创 智能化医院科教管理新时代：AI驱动的高效系统
智能AI医院科教管理系统最近一段时间没有更新了，今天我们继续基于医疗行业在智能科教信息化方面的产品设计，给大家再来继续探讨一下。在医疗健康产业数字化转型的浪潮中，人工智能技术正在深刻重构医院科研与教育管理模式。随着医学领域的快速发展，医学教育与科研的需求不断增长，对医院科教工作提出了更高的要求。作为医疗领域的产品经理，我们面临着前所未有的机遇与挑战：如何将前沿AI技术与临床科研、医学教育、医院管理深度融合？如何构建真正满足医护人员需求、提升科研效率、优化资源配置的智能系统？
2025-08-20 14:16:26
978
原创 提示词、提示词工程与上下文工程：一篇文章带你全面了解
本文系统介绍了AI提示词工程和上下文工程的技术演进与应用方法。从基础的单次提示词交互，到结构化优化的提示词工程，再到多维度信息管理的上下文工程，展现了AI交互技术的迭代发展。文章提供了两种实用提示词模板（常规任务和复杂任务），并推荐了PromptPilot、LangSmith等工具进行提示词优化和版本管理。同时介绍了"魔法词"技巧和上下文工程的三套协同方案（分层设计、动态调整、模块化模板）。文末还提供了由业内专家整理的104G大模型学习资源包，包含视频教程、学习路线、技术文档等，适合不同
2025-08-20 14:02:30
547
原创 AI产品经理面试高级指南：20个问题及解题技巧、注意事项深度解析，非常详细收藏这一篇就够了
本文为AI产品经理面试备考指南，包含20道高频真题（涵盖项目经验、数据处理、算法理解、伦理问题等），并提供了STAR/CAR结构化答题技巧。强调面试前需进行设备检查、案例准备和模拟训练，回答时需注意逻辑清晰、案例多样。文末附赠104G大模型学习资源包（含视频教程、路线图、电子书及面试题解），由资深从业者与专家联合整理，适合不同基础的学习者，助力转行AI领域。
2025-08-19 21:27:17
1181
原创 AI大模型面试面经｜AI大模型面试八股含答案，大模型零基础入门到精通非常详细
本文总结了Transformer和BERT模型的核心知识点。重点包括：1）Self-Attention机制及其缩放原理，解释了为什么需要对QK进行scaling以防止梯度消失；2）LayerNorm与BN的对比分析，说明NLP中采用LayerNorm的合理性；3）BERT的三个embedding相加原理；4）多头注意力的优势及实现方式；5）WordPiece/BPE分词方法的作用，避免OOV问题同时平衡词表大小。文章还讨论了位置编码的必要性、QKV设计的考虑因素等技术细节，为理解大模型的核心机制提供了系统性
2025-08-19 21:19:22
894
原创 深入解析Agent路由（Router）：模式、平台与最佳实践的专业解读
在 AI 进入“全民 Agent”时代后，越来越多的应用不再依赖单一大模型，而是通过多个专职代理（Agent）协同工作，去完成复杂任务。比如一个电商智能客服场景，用户输入“我忘了登录密码，还想查询信用卡账单”，背后可能需要登录助手、信用卡助手、知识库检索助手多个代理协同处理。问题来了：到底该把用户请求路由给哪个代理？ 如果路由错了，不仅会让系统答非所问，还会增加调用成本，甚至引发用户对 AI 系统的“信任崩塌”。这就是 AI Agent路由（AI Agent Routing） 的核心价值所在。
2025-08-19 21:05:53
848
原创 谷歌AI Agent白皮书从入门到精通：企业级AI智能体落地的三大核心逻辑，全面提升技能
本文系统解读了AI智能体从实验室走向实际应用的关键路径。首先阐述了AI智能体的三大核心架构（模型、工具、编排层），然后提出了完整的运营方法论（AgentOps），重点解决工具管理、步骤追溯和持续优化三大问题。文章详细介绍了评估AI智能体的三个维度（基础能力、做事步骤、评分机制），并深入探讨了多智能体协同模式及其在科研领域的成功案例。最后指出AI智能体落地应用的三大关键要素：体系化运营、多维评估和协同合作，为AI技术从理论走向实践提供了系统化的实施框架。
2025-08-19 20:55:45
645
原创 RAG多轮会话优化：从查询重写到高级策略，如何实现高效对话？
本文探讨了如何优化RAG系统的多轮会话能力，提出查询重写（Query Rewriting）作为核心策略。通过将当前问题与对话历史结合生成独立完整的新问题，有效解决上下文依赖问题。文章以LlamaIndex和LangChain框架为例，展示了具体实现方案，包括CondenseQuestionChatEngine和ConversationalRetrievalChain的应用。此外还介绍了进阶优化策略，如上下文管理、查询扩展、混合搜索等。最后强调，查询重写是提升RAG系统对话能力的基础技术，结合更高级的技术手段
2025-08-19 20:53:07
553
原创 人机协作：开启智能新时代！揭秘基于人机协作的AI策略
文章摘要：本文探讨了AI智能体的发展现状与局限性，指出当前智能体系统虽能执行复杂任务，但仍面临模型幻觉、执行偏差等问题。文章提出"人在环路"(HITL)干预策略，建议将人类深度整合到智能体生命周期中，包括共同规划、执行、合规等环节。同时介绍了智能体AI的参考架构、风险管理框架，并强调需要针对不同场景设计专门的UI/UX支持人机协作。最后指出，有效的人机协作策略是推动企业级智能体应用落地的关键。
2025-08-19 20:24:18
874
原创 医疗AI领域的突破！DiagGym推出首个开源虚拟临床环境，开启智能诊断新篇章
【AI大模型医疗诊断新突破】研究团队推出首个开源虚拟临床训练平台DiagGym，通过强化学习训练7B-14B参数规模的DiagAgent诊断模型。该平台模拟真实诊疗流程，支持多轮交互式诊断决策，在MIMIC-IV数据集测试中，DiagAgent-14B诊断准确率达86.73%，较现有最优模型提升15.12%。创新性体现在：1）高保真电子病历模拟系统；2）闭环强化学习训练框架；3）动态检查推荐机制。所有模型已在HuggingFace开源，为医疗AI发展提供安全可靠的训练环境。
2025-08-19 19:47:40
945
原创 大模型时代来临！招聘市场疯狂，AI人才成为最热门的职业
AI大模型技术迎来爆发期：GPT-5发布领跑全球，国产模型占据开源榜前十中的六席。行业掀起人才争夺战，华为等企业开出70-154万年薪争抢AI人才，超1000家企业发布相关岗位。大模型全栈工程师成为稀缺高薪职业，需掌握Agent、RAG等前沿技术。为助力转型，某机构推出免费2小时直播课程，涵盖大模型技术原理、微调实战及商业化应用案例解析，并提供大厂内推机会和104G学习资源包，由清华博士团队研发，包含视频教程、面试题库等完整学习体系。
2025-08-19 17:57:42
501
原创 大模型的训练数据解决方案！非常详细收藏我这一篇就够了【2025最新】
本文探讨了大模型训练数据的关键要素及处理方法。研究表明，数据质量比数量更重要，微软实验显示高质量小数据集训练的模型性能可超越大规模模型。文章详细介绍了三类数据预处理方法：质量过滤（分类器/启发式）、冗余去除和隐私消除，并分析了标注数据在微调中的作用。同时列举了当前主流公开数据集（如ALIGN、CommonCrawl等），并强调自动化处理和多模态数据对齐的重要性。文末附赠大模型学习资源包，包含视频教程、技术文档和实战项目，适合不同基础的学习者提升技能。
2025-08-19 17:52:10
854
原创 通俗易懂！动画演绎Transformer工作原理，秒懂复杂算法
摘要：本文详细解析了Transformer的工作原理及其在GPT模型中的应用。Transformer通过四阶段处理流程（Embedding向量化、Attention注意力机制、MLPs多层感知机、Unembedding输出）实现高效信息处理。其中，Embedding将文本转化为向量表示，Attention机制建立语义关联，MLPs进行非线性特征提取，最终通过Softmax输出概率分布。文章还介绍了Transformer在多模态数据处理中的优势，并附带了大模型学习资源包的信息，包含视频教程、技术文档等资料，适
2025-08-19 17:43:14
536
原创 2025年，大模型继续称霸！
《2025大模型技术趋势：从万亿参数到安全对齐》摘要 本文梳理了6篇前沿大模型研究论文，揭示2025年AI发展的关键技术方向：1）BOND算法通过Best-of-N蒸馏实现高效对齐；2）Q-Misalign攻击揭示量化模型安全隐患；3）Mask-DPO提升LLM事实准确性；4）RMB基准暴露奖励模型泛化缺陷；5）ISE技术通过指令嵌入增强安全性；6）TODO算法改进三元偏好对齐。研究显示，大模型发展正从参数竞赛转向安全、对齐、轻量化等深层次优化，同时配套提供了104G大模型学习资源包，涵盖提示工程、RAG等
2025-08-19 17:30:47
757
原创 大模型学习，到底该怎么做？过来人无保留分享，一篇解决你的所有困惑！
《从零到亿：大模型技术全栈学习指南》作者自述2019年入行AI领域的经历，当时国内仍以传统NLP技术为主。随着Transformer架构的突破，作者系统整理了大模型技术体系，推出8章完整学习路径：1)基础理论(词向量、Transformer等)；2)训练推理技术；3)微调与蒸馏；4)评估方法；5)优化技术；6)主流模型解析；7)分布式训练；8)面试题库。该指南涵盖从理论到实践的完整知识体系，配套104G学习资源包，适合各阶段学习者，旨在帮助更多人把握AI时代机遇。
2025-07-30 14:08:52
929
原创 【腾讯二面】高频考点：BF16和FP16的区别，深度解析助你通关！
浮点数由符号位、指数位和尾数位组成，不同格式（如FP16、BF16、FP32）在范围和精度上各有特点。BF16因与FP32兼容、计算高效且训练稳定，成为AI大模型训练的首选。为帮助学习AI技术，提供包含104G从入门到进阶的免费学习资源包，涵盖教程、路线图、电子书和实战项目，适合各类学习者提升技能或转行。
2025-07-30 14:06:05
786
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人