- 博客(154)
- 收藏
- 关注
RSS订阅原创 大模型的底层运算线性代数
深度学习的本质是用数学语言描述并处理真实世界中的信息，而线性代数正是这门语言的基石。它不仅提供了高效的数值计算工具，更在根本上定义了如何以可计算、可组合、可度量的方式表示和变换数据。
2025-08-18 21:43:10
1262
1
原创 深度学习必然用到的概率知识
深度学习作为一种数据驱动的预测技术，本质上是处理不确定性的，而。无论是软件测试领域的AI赋能，还是AI模型自身性能评测，都需要通过概率来描述数据、模型与现实世界之间的偶然与必然关系。
2025-08-18 21:41:41
741
原创 《AI大模型评测与智能测试》
第三篇“实践蓝图”（第6-7章）着眼于测试领域AI应用，重点介绍了RAG、AI Agent开发及构建端到端智能测试系统的方法。本书聚焦AI时代的“质量”核心，以“AI赋能测试”（AI For Testing）与“AI模型评测”（Testing For AI）为双轮驱动。内容不仅深入剖析如何科学度量AI大模型的内在质量，还系统讲解如何利用AI赋能传统软件测试，帮助读者贯通从模型原理、评测到应用开发的全链路知识。
2025-08-01 12:14:35
574
原创 智能体开发的6个核心经验，价值百万
构建Manus智能体的经验教训包括：1.KV缓存避免重复计算；2.掩码技术实现动态工具调用；3.使用文件系统扩展上下文；4.通过复述任务操控注意力；5.让错误留在上下文中；6.加入少量随机变化。下文将深入拆解底层原理。
2025-07-25 20:07:50
981
原创 AI图像编辑能力评测的8大测评集
在图像编辑领域，近期涌现了多款的数据集。这类数据集通常包含和（如修改要求、风格变换或增强提示等），模型需据此生成，并配套来衡量生成图像对文本要求的满足程度和图像质量。
2025-07-25 20:07:00
1120
原创 多智能体协同工作实例拆解
多 Agent 本质上是在大模型的指导下，多个 Agent 共同协作完成用户的任务。本文用一个实例分析 supervisor 架构下的多 Agent 设计。
2025-07-20 16:07:29
1246
原创 智能体长短期记忆最佳实践
通过的组合，LangGraph 让我们能够编排复杂、可恢复、可解释、可协作的 Agent 工作流。实现上下文工程的写入上下文。
2025-07-20 16:05:40
1004
原创 智能体上下文压缩-裁剪和摘要
model=summarization_model, # 可以用更便宜的模型max_summary_tokens=128, # 每次新增的摘要 token 上限# 新增此键用于保存先前的摘要信息，以避免每次 LLM 调用都重新摘要📊 摘要策略可利用 langmem 库的 SummarizationNode。当对话达到 max_tokens 时，它会自动对较早的消息生成摘要。当历史 + 新请求 > 384 token，就把“过界”的部分喂给⇒ 产出摘要块 ⇒ 用摘要块 + 最新消息继续。
2025-07-19 19:43:13
1225
原创 智能体上下文选择-记忆工具知识
选择上下文是智能体架构中的核心机制，旨在根据任务动态筛选最有价值的信息进入上下文窗口，提升推理质量与效率。实现从状态、记忆、工具、知识等提取关键上下文，有效控制大语言模型的“注意力焦点”。
2025-07-19 19:42:21
1020
原创 图示+例子 深入理解 前向反向传播
详细解析神经网络中的前向传播、反向传播以及计算图的原理与应用，帮助你更好地理解深度学习模型是如何优化和学习的。
2025-07-16 21:58:05
1000
原创 AI大模型输出 解码加速剖析 如何效率翻倍
先把最费内存的注意力“碎块+就地算” (Flash)，再把历史缓存“分页+目录” (Paged)，最后把用户请求“灵活拼车” (Batch)。三件小事一起做，就把大模型推理从“显存搬砖工”变成“高速流水线”。
2025-07-02 22:22:18
796
原创 6阶段实现最强RAG 模块化检索增强 实践指南
通过RAG检索增强生成，补充大模型的能力，是当前AI应用热点方向，带你一次读懂的实践要点，帮AI应用系统开发者快速落地 🔥。
2025-06-30 22:00:50
897
原创 开源版gpt4o 多模态MiniGPT-4 实现原理详解
MiniGPT-4是开源的GPT-4的平民版。本文用带你快速掌握多模态大模型MiniGPT-4的模型架构、训练秘诀、实战亮点与改进方向。
2025-06-28 10:26:28
1139
原创 大模型训练 参数量-运算量-显存 如何分析计算
带你亲手算一笔账，从参数量、运算量、训练时间到显存开销，彻底搞懂训练一个大模型究竟需要多少“硬通货”。
2025-06-26 06:18:10
848
原创 大模型训练数据 做好质量控制 三个关键处理
训练好模型前，先修好数据管道！本文带你用，把互联网“大杂烩”打造成可口的模型营养餐用于大模型的预训练，效果立竿见影🔥。
2025-06-26 06:16:37
937
原创 Qwen3 Embedding 结构-加载-训练 看透模型设计哲学
作为整个句子的代表。对于因果语言模型（Causal LM）来说，这非常合理，因为模型在预测最后一个token时，其隐藏状态已经编码了前面所有文本的精华信息。这就像读完一整篇文章后，脑子里形成的那个最终总结，信息量最大！🚀fill:#333;color:#333;color:#333;fill:none;输出与应用核心计算流程(modules.json)输入与预处理Token IDs处理后Token IDs序列Token向量单句向量最终Embedding最终向量余弦相似度计算。
2025-06-20 21:19:23
1728
原创 超级马里奥游戏带你拆解最火的强化学习PPO
本文将用超级马里奥游戏，带你一步步拆解当前最火的强化学习算法——PPO，看看它是如何把一个什么都不会的AI，调教成顶级游戏高手的。
2025-06-18 21:02:15
860
原创 Python 中不那么 Pythonic的实用技巧
虽然 Python 有一套强大的设计哲学（体现在“Python之禅”中），但总有一些情况需要我们“打破规则”来解决特定问题。。
2025-06-18 11:28:02
781
原创 思维链底层逻辑，换个Prompt性能飙升50%
本文带你揭开思维链（CoT）的底层逻辑，告诉你如何通过“编程”式 Prompt，将 LLM 的推理能力压榨到极致。🚀。
2025-06-17 19:01:33
878
原创 用DeepSeek做量化赚钱：策略、实操与避坑
本文用通俗语言拆解其核心交易模型、完整落地流程与常见陷阱，并讲透背后的AI驱动原理，助你用更少的时间跑出更高的收益。高频套利则侧重统计学：ADF 检验可判断两个价格序列是否“有磁力”（协整），一旦被拉远即期待“橡皮筋”弹回。组合，让从“小白”到专业量化团队都能用同一工具。AI 不会替你承担市场风险，但能帮你快速、准确地完成数据处理与策略执行，把。AI 不会替你承担市场风险，但能帮你快速、准确地完成数据处理与策略执行，把。：DeepSeek 同时解析文字、代码与数据，像“全栈分析师”。
2025-06-15 10:38:07
770
原创 AI服务器怎么测试最大并发用户数 附完整代码
💡 依次以2 4 8个并发进行测试的图片💡 依次以2 4 8个并发进行测试的log具体压测代码已经开源在github和gitee 搜索AI_pressuretest即可压测核心目标是 “在单位时间内，以尽可能小的资源消耗，模拟出海量的、符合业务场景的请求”。压测工具通过创建“虚拟用户”来模拟真实用户。生成这些虚拟用户主要有两种模式：A. 基于线程模型B. 基于事件驱动/异步I/O模型并发数本身是一个没有意义的孤立数字。有意义的说法是：“在P99响应时间低于500ms，且错误率低于0.1%的前提下，系统能
2025-06-12 20:57:57
662
原创 打造超轻量的仿chatgpt的AI聊天应用
使用纯 HTML、CSS 和 JavaScript实现了一个类似 ChatGPT 的聊天界面。支持 Markdown 渲染（AI 回复）、代码高亮、图片上传和预览、全局搜索、对话切换等。左侧边栏：显示历史对话列表，可以新建对话。主聊天区：显示用户与 AI 的消息流。顶部工具栏：包含侧边栏开关、模型选择器和全局搜索功能。底部输入区：用户可以在此输入文本、上传图片，并发送。项目开源地址 https://github.com/jiaxin576/LightAIChat。
2025-06-11 20:56:25
1121
原创 Correlations氛围测试：文本或图像的相似度热图
它的本质是将两个嵌入向量集合之间的**余弦相似度矩阵（Cosine Similarity Matrix）**渲染为一个热图，并提供丰富的交互功能让你“用肉眼判断”相似性结构。通过构造两个矩阵（原文向量 A 和摘要向量 B），计算它们所有可能组合的语义相似度（余弦值），形成一个矩阵 S，并将其可视化为热图。该步骤是把原始内容（文本或图像）分块后，使用 Jina API 生成向量（embedding），保存为。文件，计算两组向量之间的余弦相似度矩阵，启动本地服务器呈现可交互热图。个摘要向量的余弦相似度。
2025-05-31 20:01:49
922
原创 让大模型看得见自己的推理 — KnowTrace结构化知识追踪
把检索-推理“改造”成 动态知识图构建任务，再让 LLM 只关注这张不断精炼的小图 —— 这就是显式知识追踪的核心价值。
2025-05-31 20:00:53
986
原创 RLHF奖励模型的训练
本文介绍了强化学习人类反馈（RLHF）中的奖励模型实现方法。首先解释了目标函数公式，包含对比损失和模仿学习损失两部分：对比损失使正例得分高于负例，模仿学习损失维持语言生成能力。接着通过代码分析展示了基于LLaMA的奖励模型实现，包括模型结构、正负例打分函数、损失计算方法。该模型通过联合优化奖励打分和文本生成能力，在保留强化学习能力的同时确保生成质量。典型应用包括OpenAI的GPT训练流程中的奖励模型训练阶段。
2025-05-31 19:59:44
800
原创 web反检测脚本stealth.js
下载 puppeteer-extra-plugin-stealth 仓库里的文件夹，提取里面所有（之后可以打包成 stealth.min.js，给 Playwright 用）。
2025-04-27 09:26:25
661
原创 AI大模型和人脑的区别
1.LLM如Transformer架构是一种由人工“神经元”组成的层级网络：输入的文本被切分为标记（token）序列，每个token先映射为向量表示（词嵌入）输入模型。不同脑区在功能上各有分工，例如视觉处理主要在枕叶视觉皮层，听觉在颞叶听觉皮层，语言和决策涉及额叶等，各脑区之间通过神经网络协同工作，构建层次化、关联性的概念表示，从而实现整体认知。突触可塑性是大脑学习和记忆的关键机制：当某些神经连接反复激活时，突触传递效率会增强（或减弱），这便记录下新的记忆或知识。
2025-04-23 21:28:22
591
原创 AI软硬件创新案例
AI算法方面，单项功能如心律失常AI检测、睡眠分期算法等已有临床验证产品，但将多模态数据融合并结合大模型进行综合分析，目前尚处于研发前沿。一方面，不同品牌设备各自为政，标准不统一，导致用户需要安装多个App来控制，体验支离破碎。首先，在互联性上，由于兼容主流标准和协议，用户不再受制于单一品牌，能把家中各种设备纳入一个平台统一控制。其次，在智能程度上，传统方案多为被动响应（用户手机远程开灯等），而本方案中的AI助理具备。一方面，健康监测仍是用户最关心的方向，另一方面，AI技术正迅速融入可穿戴领域。
2025-04-23 21:27:34
761
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人