<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[PLANTTHESON的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/PLANTTHESON</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; PLANTTHESON]]></copyright><item><title><![CDATA[PersonaVLM: Long-Term Personalized Multimodal LLMs]]></title><link>https://blog.csdn.net/PLANTTHESON/article/details/160361009</link><guid>https://blog.csdn.net/PLANTTHESON/article/details/160361009</guid><author>PLANTTHESON</author><pubDate>Wed, 22 Apr 2026 09:54:33 +0800</pubDate><description><![CDATA[多模态大语言模型（MLLM）已成为数百万用户的日常助手。但这类模型贴合用户个人偏好的生成能力仍然有限。现有方案大多只能依靠输入增强、输出对齐，实现静态、单轮的个性化，无法捕捉用户随时间不断变化的偏好与人格特质（见图1）。本文提出PersonaVLM，一套面向长期个性化的全新多模态智能体框架。记忆留存：从历史交互中主动抽取、归纳时序化多模态记忆，沉淀构建个人专属记忆库；记忆推理：多轮对话中检索并融合相关记忆，完成个性化逻辑推理；输出对齐。]]></description><category></category></item><item><title><![CDATA[A Review on Retrieval-Augmented Generation: Architectures, Research Challenges, and Emerging Frontie]]></title><link>https://blog.csdn.net/PLANTTHESON/article/details/160151896</link><guid>https://blog.csdn.net/PLANTTHESON/article/details/160151896</guid><author>PLANTTHESON</author><pubDate>Thu, 16 Apr 2026 09:56:33 +0800</pubDate><description><![CDATA[摘要 检索增强生成（RAG）通过集成外部知识检索来增强大语言模型（LLM）的能力，提升生成内容的依据性和时效性。相比传统LLM，RAG能显著改善事实准确性，但其效果高度依赖检索质量，且仍存在幻觉问题。近年来，Fusion-in-Decoder、Atlas等架构在检索精度和跨领域泛化方面取得进展，但关键挑战依然存在：检索噪声传播、领域自适应能力弱、延迟高，以及缺乏统一评估框架。本文聚焦RAG架构中检索设计与生成模型的耦合关系，分析代表性架构的演进，并探讨GraphRAG、Agentic RAG等新兴方向。文章]]></description><category></category></item><item><title><![CDATA[How AI Impacts Skill Formation]]></title><link>https://blog.csdn.net/PLANTTHESON/article/details/157909681</link><guid>https://blog.csdn.net/PLANTTHESON/article/details/157909681</guid><author>PLANTTHESON</author><pubDate>Tue, 10 Feb 2026 17:13:36 +0800</pubDate><description><![CDATA[人工智能辅助能为各专业领域带来显著的生产效率提升，对新手从业者的作用尤为明显。但此类辅助手段会如何影响有效监管人工智能所需技能的培养，目前尚无明确结论。新手在完成陌生任务时若过度依赖人工智能，其自身的技能习得过程或会因此受到不利影响。本研究通过随机对照实验，探究开发者在有无人工智能辅助的两种情况下，掌握一款全新异步编程库的学习效果。研究发现，使用人工智能辅助会损害开发者的概念理解、代码阅读与调试能力，且平均来看并未带来显著的效率提升。]]></description><category></category></item><item><title><![CDATA[Prompt Repetition Improves Non-Reasoning LLMs]]></title><link>https://blog.csdn.net/PLANTTHESON/article/details/157909271</link><guid>https://blog.csdn.net/PLANTTHESON/article/details/157909271</guid><author>PLANTTHESON</author><pubDate>Mon, 09 Feb 2026 18:06:07 +0800</pubDate><description><![CDATA[摘要：研究发现，在非推理场景下，重复输入提示词能显著提升主流大语言模型（如Gemini、GPT等）的性能，且不增加生成token数量或推理延迟。该方法通过将提示词重复一次，使每个token都能关注到其他所有token，解决了因果语言模型因单向注意力导致的顺序敏感问题。实验显示，该方法在70项测试中47项显著优于基线，尤其在自定义任务中准确率最高提升76个百分点。与现有提示优化技术不同，该方法无需增加生成长度或修改输出格式，可直接部署使用。研究为高效优化大语言模型性能提供了实用方案。 （150字）]]></description><category></category></item><item><title><![CDATA[LongLLMLingua: Accelerating and Enhancing LLMs in Long Context Scenarios via Prompt Compression]]></title><link>https://blog.csdn.net/PLANTTHESON/article/details/156589747</link><guid>https://blog.csdn.net/PLANTTHESON/article/details/156589747</guid><author>PLANTTHESON</author><pubDate>Wed, 14 Jan 2026 15:21:57 +0800</pubDate><description><![CDATA[LongLLMLingua：高效压缩长文本提示提升大语言模型性能 针对大语言模型处理长文本时的计算成本高、性能下降和位置偏差三大挑战，本文提出LongLLMLingua压缩方法。该方法通过问题感知的粗-细粒度渐进压缩提升关键信息密度，结合文档重排缓解位置偏差，并采用动态压缩率和子序列恢复策略优化信息完整性。实验表明，在NaturalQuestions等5个基准测试中，该方法可将输入token压缩至1/4，性能提升达21.4%，成本降低94%，推理速度加快1.4-2.6倍。核心创新在于利用小型语言模型捕捉问题]]></description><category></category></item><item><title><![CDATA[From Explicit CoT to Implicit CoT: Learning to Internalize CoT Step by Step]]></title><link>https://blog.csdn.net/PLANTTHESON/article/details/156855756</link><guid>https://blog.csdn.net/PLANTTHESON/article/details/156855756</guid><author>PLANTTHESON</author><pubDate>Wed, 14 Jan 2026 09:06:30 +0800</pubDate><description><![CDATA[当利用语言模型完成推理任务时，生成显式的思维链（CoT）中间步骤，往往是确保最终输出结果达到高精度的关键。本文探讨了能否通过训练让模型将这些思维链步骤内化。为此，我们提出一种简洁且高效的思维链内化方法：首先训练模型进行显式的思维链推理，之后逐步移除中间推理步骤并对模型进行微调。这一过程可使模型内化中间推理逻辑，从而在简化推理流程的同时保持高性能。我们的方法使 GPT-2 Small 模型解决9×99 \times 99×9乘法问题的准确率高达 99%，而传统训练方法下该模型甚至无法完成4×。]]></description><category></category></item><item><title><![CDATA[TO COT OR NOT TO COT? CHAIN-OF-THOUGHT HELPS MAINLY ON MATH AND SYMBOLIC REASONING]]></title><link>https://blog.csdn.net/PLANTTHESON/article/details/156574070</link><guid>https://blog.csdn.net/PLANTTHESON/article/details/156574070</guid><author>PLANTTHESON</author><pubDate>Wed, 07 Jan 2026 17:02:58 +0800</pubDate><description><![CDATA[本文通过系统性元分析和多模型实验，揭示了思维链(CoT)提示策略的适用边界。研究发现：1) CoT仅在数学、逻辑等符号运算任务中带来显著性能提升(如MMLU数据集中95%的增益来自含&quot;=&quot;的题目)，非符号类任务收益有限；2) CoT的优势主要源于优化符号执行过程，但其表现仍不及&quot;语言模型+专用符号求解器&quot;的组合方案。这表明CoT应选择性应用于符号类任务以节省推理成本，同时需突破传统提示范式，探索更高效的中间计算利用方式。]]></description><category></category></item><item><title><![CDATA[The Prompt Report: A Systematic Survey of Prompt Engineering Techniques（文本部分 ）]]></title><link>https://blog.csdn.net/PLANTTHESON/article/details/156602532</link><guid>https://blog.csdn.net/PLANTTHESON/article/details/156602532</guid><author>PLANTTHESON</author><pubDate>Tue, 06 Jan 2026 09:38:37 +0800</pubDate><description><![CDATA[生成式人工智能（GenAI）系统正日益广泛地应用于各类行业与研究领域。开发者与终端用户通过提示词（prompting）及提示词工程（prompt engineering）与这类系统进行交互。尽管提示词工程已成为被广泛采用且研究深入的领域，但由于其兴起时间较晚，该领域存在术语冲突问题，且对于 “有效提示词的构成” 缺乏统一的本体论认知。本文通过构建提示技术分类体系并分析其应用场景，建立了对提示词工程的结构化认知。]]></description><category></category></item><item><title><![CDATA[Navigate through Enigmatic Labyrinth A Survey of Chain of Thought Reasoning: Advances, Frontiers and]]></title><link>https://blog.csdn.net/PLANTTHESON/article/details/156561606</link><guid>https://blog.csdn.net/PLANTTHESON/article/details/156561606</guid><author>PLANTTHESON</author><pubDate>Sun, 04 Jan 2026 16:48:38 +0800</pubDate><description><![CDATA[背景层面：随着语言模型预训练规模扩大，“预训练+提示”已成为NLP领域主流范式，思维链推理是该范式下的重要新能力，依托上下文学习实现。概念区分：标准提示（少样本）：提示由「指令+问答对」组成，模型直接从“问题+提示”生成答案，公式（1）定义提示结构，公式（2）描述答案的逐字符生成概率（依赖前文字符）；]]></description><category></category></item><item><title><![CDATA[《Prompt Engineering》]]></title><link>https://blog.csdn.net/PLANTTHESON/article/details/156147138</link><guid>https://blog.csdn.net/PLANTTHESON/article/details/156147138</guid><author>PLANTTHESON</author><pubDate>Mon, 22 Dec 2025 11:52:59 +0800</pubDate><description><![CDATA[《Prompt Engineering白皮书》摘要（147字） 这份谷歌2025年发布的权威指南系统阐述了提示工程的核心技术。关键要点包括： 基础配置：掌握温度、Top-K/P等参数调节输出特性 10大技术体系： 基础技术：零样本/少样本提示、角色设定 进阶方法：思维链(CoT)提升推理，自一致性优化准确性 复杂决策：Tree of Thoughts实现多路径探索 最佳实践：需结合任务特性选择技术，如创意任务调高温度，逻辑任务用CoT+自验证。提示工程能显著提升LLM输出质量，无需专业ML背景即可掌握。]]></description><category></category></item><item><title><![CDATA[大语言模型是零样本推理器 Large Language Models are Zero-Shot Reasoners]]></title><link>https://blog.csdn.net/PLANTTHESON/article/details/155930680</link><guid>https://blog.csdn.net/PLANTTHESON/article/details/155930680</guid><author>PLANTTHESON</author><pubDate>Mon, 15 Dec 2025 10:46:39 +0800</pubDate><description><![CDATA[研究背景大模型是优秀的少样本学习器，思维链提示通过少样本分步样例，在算术/符号推理等系统2任务上取得SOTA，但被认为依赖少样本能力。核心创新提出：无需任何少样本样例，仅添加固定短句即可激活大模型的零样本推理能力。实验结论单一提示模板跨算术、符号、逻辑推理任务有效，在 text-davinci-002 和 PaLM-540B 上均实现大幅性能跃升；证明大模型预训练阶段已习得通用推理逻辑，简单提示即可解锁。研究价值提供了极简、高性能的零样本推理基线；]]></description><category></category></item><item><title><![CDATA[思维链：Chain-of-Thought Prompting Elicits Reasoning in Large Language Models]]></title><link>https://blog.csdn.net/PLANTTHESON/article/details/155711033</link><guid>https://blog.csdn.net/PLANTTHESON/article/details/155711033</guid><author>PLANTTHESON</author><pubDate>Fri, 12 Dec 2025 18:30:48 +0800</pubDate><description><![CDATA[这篇摘要的核心是提出并验证了“思维链提示”核心理念：通过要求语言模型在给出最终答案前，先一步步地展示其推理过程（即“思维链”），可以大幅提升其在复杂任务上的表现。关键方法：这是一种简单的提示工程方法，只需在给模型的提问示例中，包含几个展示完整推理步骤的范例即可。主要发现这种方法能让足够大的模型**“涌现”**出强大的推理能力。它在算术、常识和符号推理等多种任务上都有效。效果非常突出，举例来说，用此方法提示一个超大规模模型（PaLM 540B），在数学解题任务上达到了当时的最优水平。]]></description><category></category></item><item><title><![CDATA[大模型提示词工程系统学习资料]]></title><link>https://blog.csdn.net/PLANTTHESON/article/details/155710159</link><guid>https://blog.csdn.net/PLANTTHESON/article/details/155710159</guid><author>PLANTTHESON</author><pubDate>Mon, 08 Dec 2025 16:17:00 +0800</pubDate><description><![CDATA[大模型提示词工程系统学习指南 本资料系统介绍了提示词工程的核心理论与应用方法。主要内容包括： 基础理论：提示词工程本质是唤醒模型已有能力，而非教授新知识。 短提示词优势：复杂提示会增加任务熵，分散注意力，降低准确率。研究显示简单明确的提示更有效。 结构化方法：采用JSON/XML/DSL等结构化格式能显著提升任务确定性。 应用模式：重点介绍了抽取类、分类类和生成类三种典型任务模式。 稳定性机制：从数学角度解释提示词熵模型和注意力分散效应。 论文资源：按主题分类整理了20+篇权威论文，涵盖短提示有效性、结构化]]></description><category></category></item><item><title><![CDATA[什么是知识图谱]]></title><link>https://blog.csdn.net/PLANTTHESON/article/details/155441064</link><guid>https://blog.csdn.net/PLANTTHESON/article/details/155441064</guid><author>PLANTTHESON</author><pubDate>Tue, 02 Dec 2025 11:14:28 +0800</pubDate><description><![CDATA[知识图谱是一种结构化表征现实世界实体及其关系的技术框架。其核心要素包括节点（实体）、关系（连接）和组织原则（分类框架），通过图数据库实现高效存储和查询。相比传统关系数据库和RDF三元组存储，原生属性图数据库在建模灵活性、查询性能和开发效率方面具有明显优势。知识图谱广泛应用于搜索引擎优化、企业数据整合和生成式AI等领域，通过上下文关联提升信息检索准确性和AI响应质量。典型应用包括Google知识面板、电子商务推荐系统和GraphRAG技术等，展现出从简单分类到复杂业务场景的广泛适用性。]]></description><category></category></item><item><title><![CDATA[大模型注意力综述（1）Efficient Attention Mechanisms for Large Language Models: A Survey]]></title><link>https://blog.csdn.net/PLANTTHESON/article/details/153727943</link><guid>https://blog.csdn.net/PLANTTHESON/article/details/153727943</guid><author>PLANTTHESON</author><pubDate>Tue, 02 Dec 2025 08:30:00 +0800</pubDate><description><![CDATA[高效注意力机制综述：线性与稀疏方法助力长序列建模 本文系统梳理了Transformer架构中自注意力机制的优化方法，重点解决其二次复杂度带来的计算瓶颈。研究聚焦两大技术路线：线性注意力通过核近似、循环公式或快速权重实现线性复杂度；稀疏注意力则采用固定模式、块状路由或聚类策略减少计算量。文章详细分析了各类方法的算法原理、硬件适配性及其在大规模预训练模型中的应用，包括纯高效架构与混合设计。通过连接理论基础与部署实践，为构建可扩展的高效语言模型提供了系统化参考框架，推动长上下文处理技术的发展。]]></description><category></category></item><item><title><![CDATA[LLM API 格式与调用方式指南（超清晰版）]]></title><link>https://blog.csdn.net/PLANTTHESON/article/details/155442001</link><guid>https://blog.csdn.net/PLANTTHESON/article/details/155442001</guid><author>PLANTTHESON</author><pubDate>Mon, 01 Dec 2025 09:51:31 +0800</pubDate><description><![CDATA[特性描述消息格式messages 数组，含 role（system/user/assistant）多轮对话内置工具调用完整支持生态最强1. OpenAI 的 Chat API 已成为事实标准所有主流平台都要兼容它。2. 其他格式是为了不同需求（高吞吐、本地部署等）3. 企业内部系统一般都会支持 OpenAI 格式，让接入最轻松4. 你可以写一个统一适配器来兼容所有格式。]]></description><category></category></item><item><title><![CDATA[ragflow代码学习切片方式（1）docling_parser.py]]></title><link>https://blog.csdn.net/PLANTTHESON/article/details/154947608</link><guid>https://blog.csdn.net/PLANTTHESON/article/details/154947608</guid><author>PLANTTHESON</author><pubDate>Mon, 17 Nov 2025 18:02:36 +0800</pubDate><description><![CDATA[枚举就像是一个固定的选项菜单，只能选择其中定义好的值。边界框就是用一个矩形框出文档中某个元素的位置。定义了一个名为的类继承自，意味着它拥有父类的所有功能，并可以扩展或重写定义了一个名为__images__的实例方法self: 指向当前对象实例的引用fnm: 文件名或文件内容，可以是字符串路径或字节数据: 缩放因子，默认值为1（原大小）: 起始页码，默认从第0页开始: 结束页码，默认到第600页: 回调函数，用于进度通知等，默认为空：下划线开头表示这是内部方法。]]></description><category></category></item><item><title><![CDATA[操作系统 内存（5）虚拟内存机制]]></title><link>https://blog.csdn.net/PLANTTHESON/article/details/154613002</link><guid>https://blog.csdn.net/PLANTTHESON/article/details/154613002</guid><author>PLANTTHESON</author><pubDate>Sun, 09 Nov 2025 22:00:00 +0800</pubDate><description><![CDATA[本文摘要：虚拟内存机制通过按需调页和页面置换，允许程序使用超出物理内存的空间。当访问未加载的页时触发缺页中断，操作系统从磁盘调入所需页，若内存已满则按LRU或Clock算法置换旧页。TLB作为页表的高速缓存，可加速地址转换，减少内存访问开销，配合多级页表提升性能。虚拟内存实现了&quot;部分装入+动态调度&quot;的机制，使有限物理内存能运行更多程序。]]></description><category></category></item><item><title><![CDATA[操作系统 内存（4）了解内存管理的基本问题]]></title><link>https://blog.csdn.net/PLANTTHESON/article/details/154492374</link><guid>https://blog.csdn.net/PLANTTHESON/article/details/154492374</guid><author>PLANTTHESON</author><pubDate>Fri, 07 Nov 2025 14:00:00 +0800</pubDate><description><![CDATA[分页机制通过将虚拟和物理内存划分为固定大小的页/帧，解决了内存碎片问题。页表记录虚拟页到物理帧的映射关系，TLB缓存加速地址转换。分页消除了外部碎片但存在页内碎片。分段机制则基于程序逻辑划分不同区域（代码、数据、栈等），保留逻辑结构但会产生外部碎片。现代操作系统通常结合两者优势：先按逻辑分段，再对每个段进行分页管理，兼顾系统高效和程序逻辑清晰。这种设计既解决了内存碎片问题，又保持了程序的可理解性。]]></description><category></category></item><item><title><![CDATA[操作系统 内存（3）理解内存的基本概念]]></title><link>https://blog.csdn.net/PLANTTHESON/article/details/154430517</link><guid>https://blog.csdn.net/PLANTTHESON/article/details/154430517</guid><author>PLANTTHESON</author><pubDate>Thu, 06 Nov 2025 14:00:00 +0800</pubDate><description><![CDATA[早期计算机采用连续内存分配策略，主要包括单一连续分配、固定分区分配和动态分区分配三种方式。为解决碎片化和空间利用率问题，动态分区衍生出四种经典算法：首次适应算法（从低地址开始查找）、最佳适应算法（选择最小足够块）、最差适应算法（分割最大块）和循环首次适应算法（轮流查找）。这些算法在内存管理和碎片控制方面各有优缺点，需要根据实际场景权衡选择。理解这些基础分配机制是后续学习虚拟内存和分页技术的重要基础。]]></description><category></category></item></channel></rss>