语言模型标签_开源鸿蒙跨平台开发者社区

语言模型

React Native跨端项目的架构复盘：原生与JS通信的性能优化经验

减少跨桥，尽量Native。动画：用将计算推到Native层列表：用windowSize减少通信，用做批量更新数据处理：把图片解码、格式转换等CPU密集操作移到Native线程扩展性边界：RN的Bridge/JSI架构决定了复杂UI交互的高性能场景（如复杂的拖拽排序、实时绘图）仍不如原生。当产品体验要求接近原生级别时，需要考虑用原生模块（Native Module）替代纯JS实现关键路径。不要在R

星辰AI
2026-07-21 23:45:43

 3945

 19

#人工智能 #语言模型
2026 年跨平台开发全貌：Flutter、KMP、React Native 怎么选？

假设你需要开三家餐厅，分别开在东京、巴黎和纽约。一种做法是：在每个城市各建一个厨房，各请一支厨师团队，各买一套厨具。菜单可以因地制宜，完全本地化。缺点是成本翻三倍，三套人马协调困难。另一种做法是：建一个中央厨房（业务逻辑），统一采购、统一配方、统一品控。然后东京、巴黎、纽约各设一个「前厅」（用户界面），负责摆盘和上菜。中央厨房出品的菜，到各地只需要微调口味。第一种就是原生开发——iOS 用 Swi

流年似水～
2026-04-26 17:59:28

 1143

 11

#人工智能 #程序人生 #语言模型
Towards Lifelong Learning of Large Language Models: A Survey翻译

随着大语言模型 (LLM) 的应用扩展到各个领域，这些模型适应数据、任务和用户偏好的持续变化的能力变得至关重要。传统的训练方法依赖于静态数据集来训练 LLM，但越来越不足以应对现实世界信息的动态特性。终身学习（又称持续学习、增量学习），或 LLM 在其运行寿命内持续自适应学习的能力，通过整合新知识同时保留先前学习的信息来解决这一挑战，从而防止灾难性遗忘的问题。图 1 提供了终身学习的图示。本调查深

 nopSled
2025-02-11 04:25:28

 380

#语言模型 #人工智能 #自然语言处理
斯坦福大佬笔记曝光！带你彻底搞懂 Transformer 与 LLM 大语言模型

想象一下你在阅读一句话：“我今天下午在公园里看到一只可爱的泰迪熊在看书。”过去的模型（比如 RNN、LSTM）就像一个眼神不太好的人，从左到右一个词一个词地读，读到后面的词就可能忘了前面的细节，而且一次只能处理一个词，效率不高。处理长句子时，它可能只记得“看书”，但忘了是谁在看书（泰迪熊）。

我爱学AI
2025-06-03 16:14:39

 1134

 22

#transformer #语言模型 #人工智能 +1
掌握推理大模型？这几个学习关键别错过，从零基础到精通，理论与实践结合的最佳路径！

学习推理大模型（如GPT-4、PaLM、LLaMA等）需要结合深度学习、自然语言处理（NLP）和逻辑推理的知识。：掌握线性代数、概率统计、微积分（如梯度下降）、信息论（如交叉熵）。：熟练使用Python，学习PyTorch或TensorFlow框架。：理解经典算法（如动态规划、搜索算法）和机器学习基础（如监督学习、无监督学习）。学习传统模型（如线性回归、SVM、决策树）。掌握深度学习基础：神经网络

 程序员田总
2025-04-22 11:30:49

 1166

 21

#学习 #人工智能 #服务器 +2
AI新手必看：特征工程与数据预处理

本文深入探讨了人工智能和机器学习中特征工程与数据预处理的核心概念及其重要性。特征工程涉及从原始数据中提取、选择和转换特征，以优化模型性能，而数据预处理则包括数据清洗、标准化和编码等步骤，确保数据适合模型训练。文章详细介绍了特征提取、选择和转换的常用方法，以及数据清洗、标准化和编码的技术。此外，通过一个实战案例，展示了如何使用Python和Scikit-learn对鸢尾花数据集进行特征工程

 六月星辰梓
2025-05-19 14:34:11

 868

 10

#人工智能 #transformer #opencv +3
自然语言处理（25:（终章Attention 1.）Attention的结构)

上一章我们使用RNN生成了文本，又通过连接两个RNN，将一个时序数据转换为了另一个时序数据。我们将这个网络称为seq2seq，并用它成功求解了简单的加法问题。之后，我们对这个seq2seq进行了几处改进，几乎解决了这个简单的加法问题。本章我们将进一步探索seq2seq的可能性（以及RNN的可能性）。这里，Attention这一强大而优美的技术将登场。Attention毫无疑问是近年来深度学习领域最

 Flash Bomb368
2025-04-01 11:41:03

 795

 23

#自然语言处理 #人工智能 #语言模型
多模态大语言模型arxiv论文略读（九十）

➡️ 论文标题：Hybrid RAG-empowered Multi-modal LLM for Secure Data Management in Internet of Medical Things: A Diffusion-based Contract Approach➡️ 论文作者：Cheng Su, Jinbo Wen, Jiawen Kang, Yonghua Wang, Yuanji

Jamence
2025-05-23 08:49:38

 1386

 17

#语言模型 #人工智能 #自然语言处理 +1
从零开始讲LLM（大语言模型）原理-2.2Encoder-Decoder

在《Attention is All You Need》中，作者摒弃传统的 RNN、CNN 架构，仅依靠注意力机制构建出 Transformer 模型，引发了 NLP 领域的重大变革。Transformer 的核心组件为编码器（Encoder）和解码器（Decoder），二者均运用了注意力机制。后续基于 Transformer 发展的预训练语言模型，多通过对 Encoder - Decoder 部

 2201_75917362
2025-07-20 00:09:38

 1007

 9

#语言模型 #人工智能 #自然语言处理
【自然语言处理】基于长短期记忆实现的语言模型

本文介绍了长短期记忆网络（LSTM）的原理与实现。LSTM通过门控机制（遗忘门、输入门、输出门）和细胞状态设计，有效解决了传统RNN的梯度消失/爆炸问题，能够长期保留语义信息。文章详细推导了LSTM的数学公式，包括各门控计算和状态更新过程，并提供了完整的Python实现代码。该模型在文本序列处理中表现优异，能精准捕捉长期依赖关系。实验使用经济全球化文本作为语料库，通过词嵌入和批量训练构建语言模型，

2401_84149564
2025-08-31 01:35:23

 1093

 27

#自然语言处理 #语言模型 #人工智能 +4
智能语言模型十年演进（2015–2025）

摘要： 2015-2025年，智能语言模型从RNN/LSTM序列预测（参数百万级）跃迁至万亿级多模态VLA大模型（参数十万亿级），零样本泛化率从70%提升至99%以上。中国实现从技术跟随（2015年LSTM）到全球领跑（华为盘古、阿里通义千问等），推动模型能力从文本生成升级为实时多感官意图理解与行动。关键里程碑包括：2017年Transformer革命、2021年千亿参数MoE架构、2023年多模

 jzwspace
2026-01-06 10:10:03

 802

 17

#语言模型 #人工智能 #自然语言处理 +4
视觉大模型完全指南：从零开始学习的必收藏资源_12种常见AI视觉大模型的应用赋能！

本文综述了当前主流的视觉大模型技术，包括Griffon-G、Sa2VA、LLMDet等，涵盖图像分割、目标检测、视频理解等多个领域。这些模型通过创新的数据集构建（如CCMD-8M、GroundingCap-1M）、训练策略（如Paradigm Progressive Learning Pipeline）和架构设计（融合SAM2与LLaVA），有效解决了视觉-语言任务融合问题。重点介绍了各模型的核心

 程序员王饱饱
2026-02-06 19:47:55

 539

 3

#学习 #人工智能 #语言模型
人工智能应用- 语言理解：07.大语言模型

GPT 可以通过学习少量示例，推断出任务逻辑并给出正确答案。这种能力也被称为“上下文学习”（In-Context Learning, ICL）大语言模型的少样本学习。

陈天伟教授
2026-02-05 15:52:00

 376

 4

#人工智能 #语言模型 #深度学习
基于机器视觉的车道线检测与跟踪关键技术研究

本文提出了一种基于深度学习的车道线检测与跟踪系统，采用改进的UNET_SERESNEXT101模型和加权损失函数优化训练过程。通过多尺度特征融合和图像语义分割技术，系统在复杂交通场景中表现出良好的适应性。实验使用MyDataset数据集，结合DDP框架和ModelEMA等技术优化性能。结果表明，该系统在保证实时性的同时显著提升了检测准确率，为自动驾驶技术提供了可靠支持。未来研究将探索更多优化方向以

 qq_35873960
2025-08-15 18:46:20

 1367

 21

#机器学习 #sklearn #语言模型 +4
书生大模型基础岛第六关

使用 OpenCompass 评测 InternLM2.5-1.8B-Chat 模型在 ceval 数据集上的性能，记录复现过程并截图。使用 OpenCompass 评测浦语 API 记录复现过程并截图。（注意：写博客提交作业时切记删除自己的 api_key！

GSD_liu
2025-01-17 02:32:36

 277

 3

#语言模型
35岁程序员转行大模型：如何把握行业机遇与个人发展

对于一位35岁的程序员想要转行到大模型领域，这是一个很好的时机，因为人工智能和大模型技术正在快速发展，并且有着广泛的应用前景。基础知识学习数学基础：线性代数、概率论、统计学、微积分等。编程基础：熟练掌握Python编程语言，因为它是在大模型开发中最常用的编程语言。机器学习基础：了解监督学习、非监督学习、强化学习等基本概念。深度学习基础：熟悉神经网络、卷积神经网络（CNN）、循环神经网络（RNN）、

中年猿人
2025-01-22 14:46:52

 817

 22

#人工智能 #深度学习 #机器学习 +4
提示词工程与模板优化——释放大语言模型真正潜力

通过系统化的提示词设计方法和优化技巧，开发者能够充分发挥大语言模型的潜力，构建出更加智能、可靠的AI应用系统。提示词工程是一门需要持续实践和优化的艺术。在下一章中，我们将探讨Semantic Kernel的安全与过滤器机制，学习如何构建安全可靠的AI应用系统。，它通过精心设计的指令、上下文和约束条件，引导LLM生成符合预期的输出。优秀的提示词能够显著提升模型输出的相关性与准确率，同时降低推理成本。

dotNET跨平台
2026-01-23 07:55:30

 123

#语言模型 #java #人工智能 +2
论文阅读: Innate Reasoning is Not Enough: In-Context Learning Enhances Reasoning Large Language Models w

最近推理引入LLM，称为reasoning model或RLLM。RLLM的特点是，回答前先天生成CoT(innate CoT)，包含反思和自我纠正。目前的研究是，innate CoT能显著增强模型的推理能力。传统的CoT的研究，不好的few-shot CoT是会降低模型性能。另一方面，既然模型能够自己生成CoT，那么输入的promt中CoT还重要吗？对于一般CoT的研究，一开始是few-shot

yul1024
2025-04-10 19:06:37

 823

 8

#语言模型 #人工智能 #自然语言处理 +3
Chapter3 大语言模型

摘要本文介绍了大语言模型的核心技术，重点解析了Transformer架构及其关键组件。首先回顾了从N-gram到RNN、LSTM的语言模型发展历程，指出传统方法的局限性。然后详细阐述了Transformer的自注意力机制、多头注意力、前馈网络等核心模块的工作原理。文章还探讨了Decoder-only架构的自回归生成过程，以及提示工程中的采样参数(Temperature、Top-k、Top-p)对

 -randi-
2025-12-23 22:40:50

 638

 11

#语言模型 #人工智能 #自然语言处理
大模型部署实战：如何破解扩展性难题？

《大模型生产部署的扩展性挑战与解决方案》摘要：随着大模型在企业应用中的普及，扩展性问题成为从实验室到生产环境的关键障碍。文章通过电商智能客服系统崩溃等案例，揭示了GPU资源动态调度、百亿参数内存管理、分布式通信开销和成本控制等四大核心挑战。针对性地提出了模型瘦身(量化、剪枝)、弹性架构(Kubernetes动态扩展)和硬件优化(TensorRT-LLM)三套解决方案，并给出量化决策矩阵。建议企业结

 charles666666
2025-06-05 21:39:59

 729

 8

#人工智能 #大数据 #算法 +2
大模型Plan and Execute模式：全局规划vs单步思考的AI代理对决

文章介绍了Plan and Execute这种Agentic Reason Pattern，与ReAct单步计算相反，它先做全局规划再执行。工作原理包括创建计划、分解任务、顺序执行和结果评估。优势是更可靠、成本低、易监控且可与ReAct结合；局限性是灵活性较低、适应性不如Reflexion。这种模式通常使用强力LLM进行规划，执行可用较小模型。

猿类崛起@
2026-02-06 16:51:10

 513

 8

#人工智能 #产品经理 #语言模型 +1
.NET Core使用Semantic Kernel：接入本地deepseek-r1

访问Ollama官网的模型库（https://ollama.com/library/deepseek-r1），选择适合你硬件配置的DeepSeek模型版本。", "messages": [{ "role": "user", "content": "你好" }]}'访问Ollama官网（https://ollama.com），选择适合你操作系统的版本进行下载。安装完成后，在终端输入。你还可以在浏览器

 归-途
2025-02-22 11:37:00

 1350

 3

#语言模型 #机器学习
【大模型面试每日一题】Day 1：Self-Attention的并行计算优势

请解释Transformer中Self-Attention的计算过程，并说明为什么它在处理长序列时优于RNN？（考察概率：90%）

see you again836
2025-04-27 20:52:41

 1383

 32

#面试 #职场和发展 #人工智能 +1
【论文学习】ON-POLICY DISTILLATION OF LANGUAGE MODELS: LEARNING FROM SELF-GENERATED MISTAKES

符号含义pTp_TpT教师模型（Teacher）的概率分布pθSp_\theta^SpθS学生模型（Student）的概率分布，θ\thetaθ是可学习参数xxx输入序列yy1y2yLyyy1y2...yLy输出序列，共LyL_yLy个词元yny_{<n}yn第nnn个词元之前的所有词元（即前缀）VVV词汇表，共MMM个词元词元级散度定义（即衡量两个模型在序列yyyDpT∥pθSy

杏仁儿 , 
2026-03-05 10:46:20

 478

 11

#学习 #语言模型 #人工智能
【源力觉醒创作者计划】_ERNIE-4.5-21B-A3B-Base-Paddle VS DeepSeek 药物制造推理能力对比

摘要：本文对比了文心一言ERNIE-4.5和DeepSeek在模拟三国时期用柳树皮炼制消炎药的回答表现。文心一言提供简易操作流程（清洗、煎煮等7步），适合紧急情况；DeepSeek则给出科学精细方案，包含水杨苷提取原理、陶甑蒸馏工艺及剂量换算，但操作复杂耗时。第三方对比显示，文心一言胜在操作便捷性，适合快速救急；DeepSeek强在药理严谨性，适合条件充足时追求药效。两者均提示需注意用量安全，实

 红目香薰
2025-07-27 22:16:26

 4529

 12

#paddle #制造 #人工智能 +1
A Closer Look at Machine Unlearning for Large Language Models 提出新的评估体系+抗幻觉、防过度无知的遗忘策略

现有研究仅依赖 ROUGE评估遗忘效果，无法捕捉模型输出的多样性、语义一致性与事实正确性。论文提出3 个新增指标与2 个聚合指标。论文根据 “是否明确遗忘集的输出模板”，将现有遗忘方法分为untargeted and targeted两类，分别指出两类遗忘存在的问题，给出解决方案。

yyzuimei
2025-10-10 16:08:54

 982

 24

#语言模型 #人工智能 #自然语言处理
RWKV社区一月动态：11篇论文，第1期论文研讨会

RWKV G1c系列模型发布，元始智能与九天睿芯达成战略合作

 RWKV元始智能
2026-01-30 17:35:15

 1038

 19

#人工智能 #深度学习 #语言模型 +4
dify在windows环境中的部署，并集成deepseek模型（亲测）

即可进入dify页面，可通过修改docker-composed.yaml配置更改进入端口）克隆完成，在这个文件夹找到dify>docker，里面应该包含。进行克隆（哪个能用用哪个，因为http可能遇到网络问题，，也就是宿主机本机的默认地址窗口，直接输入。配制完成后，直接预览或者发布就可以使用了。右键在终端中打开当前目录，执行。（注意，由于现在完全没有修改。在官网下载docker。在自己创建的文件内

 ocean00008899
2025-03-13 16:29:50

 1132

 6

#语言模型 #人工智能 #自然语言处理
OpenAI point-E 项目部署/ github中.ipynb 文件的运行

代码给出多个.ipynb文件分别展示了image2pointcloud、text2pointcloud、pointcloud2mesh 的过程，并给出相关参数文件。以text2pointcloud.ipynb文件部署为例展示text文件生成点云的过程，生成的点云质量低但是对服务器需求低，生成速度快。(conda env) 项目目录>Jupyter Notebook。(conda env) 项目目录

 qq_45849742
2025-03-07 20:00:00

 561

 3

#github #jupyter #pytorch +2
掌握推理大模型？这几个学习关键别错过，从零基础到精通，理论与实践结合的最佳路径！

学习推理大模型（如GPT-4、PaLM、LLaMA等）需要结合深度学习、自然语言处理（NLP）和逻辑推理的知识。：掌握线性代数、概率统计、微积分（如梯度下降）、信息论（如交叉熵）。：熟练使用Python，学习PyTorch或TensorFlow框架。：理解经典算法（如动态规划、搜索算法）和机器学习基础（如监督学习、无监督学习）。学习传统模型（如线性回归、SVM、决策树）。掌握深度学习基础：神经网络

 程序员田总
2025-04-25 11:42:41

 703

 29

#学习 #语言模型 #服务器 +2