这篇把面试重点（RAG/Agent/微调是核心）、算法题套路、甚至谈薪技巧全拆了，附「面试复盘表」，小白也能照做。

想象一下，一个AI模型，不只是会“看”，还会“说”，更能在“看”与“说”之间自由切换，甚至还能“变魔法”！这不再是科幻片里的情节，而是阿里巴巴AIDC-AI团队带来的最新惊喜——Ovis-U1-3B

😅 开篇吐槽：本来准备自己手写这篇技术分享，但突然意识到一个问题——我的整个网站都是用AI编程工具写的，核心代码也是AI帮忙优化的，那我这篇文章干嘛要自己写？索性也让AI来帮忙，毕竟"工具人"和"工具

vLLM 搭配 OpenAI API：优雅地解决参数兼容性问题，你只需要一个extra_body参数！

我的公众号的后台接入了 AI 机器人，每天都有人在后台私信查找 OCR 相关的开源项目。 今天一网打尽，直接转发、收藏这篇文章就好了，指定全网找不到更全的了。

详细介绍了基于大模型的生成式检索，从 Lexical based 方向深入探究大模型生成式检索的应用，从 SemanticID based 方向深入探究大模型生成式检索的应用。

RAG分块策略：主流方法（递归、jina-seg）+前沿推荐（Meta-chunking、Late chunking、SLM-SFT） 大多数常用的数据分块方法（chunking）都是基于规则的，采用

大家好啊!今天咱们来聊聊怎么给大语言模型"调教"一下，让它在文本分类这个任务上玩得更溜。具体来说，我们要用Qwen1.5这个模型来做文章。别看这活儿听着高大上，其实做起来也没那么难。

LORA(Low-Rank Adaptation)是一种高效的模型微调技术,它可以通过在预训练模型上添加额外的低秩权重矩阵来微调模型,从而仅需更新很少的参数即可获得良好的微调性能。