youcans的博客

DeepSeek团队提出了一种创新的多模态推理框架“用视觉基元思考”（Thinking with Visual Primitives），通过将点和边界框作为最小思维单元嵌入推理过程，解决传统多模态大模型（MLLMs）在空间推理任务中的指代鸿沟问题。该模型基于高效的DeepSeek-V4-Flash架构，结合自研DeepSeek-ViT，实现了7056倍的视觉令牌压缩，显著提升了推理效率。

CLIP（Contrastive Language-Image Pretraining）是OpenAI提出的多模态预训练模型，通过对比学习实现图像与文本的语义对齐。该模型利用海量网络图文数据（4亿对）进行自监督训练，摆脱了对人工标注数据的依赖，构建了统一的视觉-语言语义空间。CLIP的核心创新在于：1）采用双编码器架构（图像+文本）和对比损失函数；2）实现零样本跨模态迁移能力，可直接通过自然语言指令完成分类等任务。

DeepSeek 发布实验性模型 V3.2-Exp，引入DeepSeek稀疏注意力（DSA），显著提升长文本处理效率。本文详细介绍 DeepSeek-V3.2-Exp 技术报告，并提供本地部署方案的技术实现。

DeepSeek-OCR 是一种基于光学二维映射的文本压缩模型，旨在高效处理长文本内容。本文精读翻译 DeepSeek-OCR 技术报告，介绍 项目下载和使用方法。

Dino U-Net 通过融合 DINOv3 的高保真特征与 U-Net 结构，在多种医学图像分割任务中实现精度与效率的双重突破，验证了大模型特征在医学领域的强大迁移潜力。本文介绍 Dino U-Net 论文原理与方法，详细讲解 Dino U-Net 项目下载、配置和使用方法

DINOv3是Meta推出的新一代通用视觉基础模型，通过自监督学习在17亿张无标注图像上训练70亿参数模型，实现了跨任务的SOTA性能。本文全文精译 DINOv3 技术报告

百川智能推出 Baichuan-M2-32B 医疗增强推理模型，专注于解决真实世界中的各类医疗推理任务。该模型通过对真实医疗问题进行领域微调，在保持卓越通用能力的同时，实现了医疗性能的突破性提升。本文详细解读该团队的技术论文Baichuan-M2：大语言模型在医疗领域的动态验证框架。

Baichuan-M2 是百川智能推出的医疗大模型，尤其擅长急诊转诊、医患沟通等核心医疗场景。该模型支持4比特量化单卡部署，在真实医疗应用中展现出卓越的临床思维、安全性和本土化优势。本文详细介绍 模型技术报告，给出快速使用方法。

2025年 9月 1日，美团正式发布 LongCat-Flash-Chat（龙猫）大模型。本文由 youcans@xidian 对 美团 LongCat 团队（ongcat-team@meituan.com）技术报告 【LongCat-Flash Technical Report 】进行摘编和翻译。

DeepSeek-Prover-V2 是由 DeepSeek 团队开发的开源大型语言模型，专注于形式化数学定理证明，尤其在 Lean 4 平台上的表现达到行业领先水平。该模型通过结合非形式化推理与形式化验证，实现了数学直觉与符号逻辑的双向对齐，标志着AI在数学推理领域的重大突破。

OpenAI 官方最新发布技术报告《构建智能体 Agent 实用指南》，明确Agent 的核心特征在于独立执行工作流。报告定义了什么是 智能体，从模型选择、工具设计、指令编写，到复杂的编排模式和安全护栏，给出了具体建议。

何恺明、Yann LeCun 等发表论文 “Transformers without Normalization”，提出即使不使用归一化层的 Transformer 模型，也就能达到相同甚至更好的性能！

GPT-4o 的图像生成，具有精准呈现文本、严格遵循指令、巧妙运用4o 内置知识库与对话上下文的特点。本文详细介绍 GPT-4o 的图像生成，并全文翻译官方技术报告 “Addendum to GPT-4o System Card: Native image generation”。

2025年 3月1，谷歌推出最新多模态大模型 Gemma-3。这是一组轻量级、最先进的开源模型，可以直接在手机、PC、工作站上快速运行。本文详细介绍 Gemma-3 技术报告。

Zotero 作为一款免费开源的文献管理工具，具有强大的功能和灵活的扩展性，特别是可以集成 Deepseek 进行 AI辅助文献阅读。本文针对新手，从安装与配置开始，详细介绍如何利用 Zotero 及其插件打造高效的文献阅读与研究环境。

GPT-4V（ision）可以用于医疗应用吗？上海交通大学 Chaoyi Wu 等发布研究报告【GPT-4V用于多模态医学诊断的案例研究】。本研究旨在评估OpenAI最新模型GPT-4V(vision)的性能，特别是在多模态模式医学诊断领域。探索了 GPT-4V 在多种临床任务中的能力，包括成像模式和解剖识别、疾病诊断、报告生成、疾病定位。

DeepSeek R1 推理大模型的发布颠覆了我们的认知。本文介绍从 DeepSeek LLM、DeepSeek MoE、DeepSeek V2、DeepSeek V3 到 DeepSeek R1 的发展历程。本系列将逐篇解读 DeepSeek 论文和模型。

论文介绍了DeepSeek LLMs，这是一系列在2万亿标记的英语和中文大型数据集上从头开始训练的开源模型。本文深入解释了超参数选择、扩展定律以及做过的各种微调尝试。校准了先前工作中的扩展定律，并提出了新的最优模型/数据扩展-缩放分配策略。

论文提出了MoE语言模型的DeepSeekMoE架构，目的是实现终极的专家专业化(expert specialization)。通过细粒度的专家分割和共享专家隔离，DeepSeekMoE相比主流的MoE架构实现了显著更高的专家专业化和性能。

DeepSeek-V2 是一个混合专家（MoE）语言模型，采用多头潜在注意力（MLA）和 DeepSeek 混合专家 （MoE） 的创新架构，在资源利用和性能之间达到很好的平衡。DeepSeek-V2 支持 128K 长度的上下文，具有强大的性能，经济训练和高效推理的特点。

DeepSeek-V3是一款强大的混合专家（MoE）语言模型，总参数量为6710亿，在性能上超越了其他开源模型，并达到了与领先闭源模型相当的水平。DeepSeek-V3不仅采用多头潜在注意力MLA和深度探索MoE架构，还开创了无辅助损失的负载均衡策略。

本文由 youcans@xidian 对论文 DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning 进行摘编和翻译。该论文版权属于原文期刊和作者，本译文只供研究学习使用。

本系列前文已经逐篇介绍了从 DeepSeek LLM、DeepSeek MoE、DeepSeek V2、DeepSeek V3 到 DeepSeek R1 的内容。本文围绕 DeepSeek 系列论文和模型的发展历程，从基础架构探索、混合专家（MoE）优化、高效推理突破、强化学习驱动 四个阶段 进行总结和分析，

2025年 2月，DeepSeek 发布最新论文提出一种新的注意力机制 NSA，用于超快长上下文训练和推断的本地可训练的稀疏注意力机制，还具有与硬件对齐的特点。NSA 融合动态分层稀疏策略，结合粗粒度token压缩和细粒度token选择，兼顾全局上下文感知与局部精度，改进了传统稀疏注意力设计。

DeepSeek-AI 发表论文 "Inference-Time Scaling for Generalist Reward Modeling（推理时扩展的通用奖励模型）"，提出了一种 "自原则批判调优（SPCT）" 技术，使奖励模型在推理阶段能够动态扩展计算资源。本研究表明 “推理时扩展” 在通用 RM 中的有效性，性能超越训练时扩展。

DeepSeek-Coder-V2是由DeepSeek团队于2024年6月发布的开源混合专家（MoE）代码大模型，旨在突破闭源模型在代码智能领域的障碍。本文详细介绍DeepSeek-Coder-V2模型的技术报告，并给出使用示例。

本文介绍 DeepSeek 论文"洞察 DeepSeek-V3：扩展挑战和对 AI 架构硬件的思考"。本文深入分析了DeepSeek-V3/R1模型架构及其AI基础设施，重点阐述了多项关键创新

2023 年 9 月，微软在 CVPR2023 发表论文「 多模态基础模型：从专家到通用助手 」（Multimodal Foundation Models: From Specialists to General-Purpose Assistants） 。本文全面综述了多模态基础模型的分类和演化，这些模型展示了视觉和视觉语言能力，并重点关注了从专家向通用助手的过渡。

微软在 CVPR2023 发表论文「 多模态基础模型：从专家到通用助手 」（Multimodal Foundation Models: From Specialists to General-Purpose Assistants） 。本文全面综述了多模态基础模型的分类和演化，这些模型展示了视觉和视觉语言能力，并重点关注了从专家向通用助手的过渡。

2023 年，微软在 CVPR2023 发表论文「 多模态基础模型：从专家到通用助手 」（Multimodal Foundation Models: From Specialists to General-Purpose Assistants） 。本文全面综述了多模态基础模型的分类和演化，这些模型展示了视觉和视觉语言能力，并重点关注了从专家向通用助手的过渡。

2023 年，微软在 CVPR2023 发表论文「 多模态基础模型：从专家到通用助手 」（Multimodal Foundation Models: From Specialists to General-Purpose Assistants） 。本文全面综述了多模态基础模型的分类和演化，这些模型展示了视觉和视觉语言能力，并重点关注了从专家向通用助手的过渡。

2023 年 6 月，微软在 CVPR2023 发表论文「 多模态基础模型：从专家到通用助手 」（Multimodal Foundation Models: From Specialists to General-Purpose Assistants） 。本文全面综述了多模态基础模型的分类和演化，这些模型展示了视觉和视觉语言能力，并重点关注了从专家向通用助手的过渡。

2023 年 6 月，微软在 CVPR2023 发表论文「 多模态基础模型：从专家到通用助手 」（Multimodal Foundation Models: From Specialists to General-Purpose Assistants） 。本文全面综述了多模态基础模型的分类和演化，这些模型展示了视觉和视觉语言能力，并重点关注了从专家向通用助手的过渡。本节还包括全书的 568 篇参考文献。

Meta开源Llama 3大模型，并发布92页重磅技术报告，全面揭秘其背后的技术细节，涵盖数据、训练、多模态等多个方面。

『Finetuning Large Language Models』是DeepLearning.AI出品的免费课程，版权属于DeepLearning.AI(https://www.deeplearning.ai/)。本文是对该课程内容的翻译整理，只作为教育用途，不作为任何商业用途。

【GPT-4 】官方[研究进展]、[技术报告]全面解读。综合性能，图像输入，私人定制，事实判断的局限性，风险与应对，模型训练过程，用户政策和价格，API 使用。GPT-4 是 OpenAI 在深度学习领域的最新里程碑。GPT-4 是一个大型多模态模型，可以接受图像和文本输入，发出文本输出。虽然 GPT-4在许多现实世界场景中的能力仍然不如人类，但在各种专业和学术基准上已经表现出人类水平的性能。

『ChatGPT Prompt Engineering for Developers』是 吴恩达/DeepLearning.AI 为开发者准备的提示工程课程。本文对该课程内容的完整翻译和整理，完整 PDF 版已上传到 GitHub，详见内文。

本文详细解读：微软研究院最新发布的 「 人工智能的火花：GPT-4 的早期实验 」，本文公开了对 GPT-4 进行的全面测试。GPT-4 除了掌握语言之外， 无需任何特殊提示就可以解决跨越数学、编程、视觉、医学、法律、心理学等领域的新颖而困难的任务。GPT-4 可以被视为 通用人工智能（AGI）的早期版本。

微软研究院在 arXiv上发布了论文【Sparks of Artificial General Intelligence: Early experiments with GPT-4】，公开了对 GPT-4 进行的全面测试。 本系列介绍该文的主要内容，本文为第2部分： 多模态与跨学科的组合（Multimodal and interdisciplinary composition）

微软研究院最新发布「 GPT-4 的早期实验 」 ，公布了对 GPT-4 进行的全面测试。本文介绍第三部分：GPT4 的编程能力。GPT-4 可以处理广泛的编程任务，从编程挑战到现实世界的应用，从低级汇编到高级框架，从简单的数据结构到复杂的程序。GPT-4 还可以对代码执行进行推理，模拟指令的效果，并用自然语言解释结果。GPT-4 甚至可以执行伪代码，这需要解释在任何编程语言中都无效的非正式和模糊的表达。