自然语言处理

Xinference部署 Xorbits Inference (Xinference) 是一个开源平台，用于简化各种 AI 模型的运行和集成。借助 Xinference，您可以使用任何开源 LLM、嵌

检索增强生成 (RAG) 能让 大型语言模型 (LLM) 借助外部知识，提高回答的准确性和上下文理解能力。不过，RAG 并不总是那么可靠，在很多情况下会“翻车”，导致输出的内容不够准确或相关。这种问题

1. Test-Time Compute（测试时计算） 在深入了解 DeepSearch 和 DeepResearch 之前，我们得先搞明白一个概念：Test-Time Compute（测试时计算）。

在打造检索增强生成（RAG）应用时，选择合适的Embedding模型就像挑选合适的工具，直接影响到应用的表现和效果。​那么，面对众多的模型，我们该如何轻松找到最适合的那一款呢？​ MTEB简介 git

论文简介 Reasoning模型也进化到2.0了，这次居然学会用工具了！✨ 最近有个叫START的方法，让大模型也能学着用工具，比如自己调用代码解释器，来提升推理和解决问题的能力。 具体怎么实现的呢？

35/100 发布文章 加粗 斜体 标题 删除线 无序 有序 待办 引用 代码块 运行代码 资源绑定 图片 视频 表格 超链接 投票 导入 导出 保存 撤销 重做 历史 new 模版 使用富文本编辑器

从去年到现在，检索增强生成（RAG）这套玩法越来越火。简单来说，它就是让大型语言模型（LLM）结合外部数据，确保回答更准确、不胡说八道（减少“幻觉”）。这样一来，RAG 系统不仅能给出更靠谱的答案，还

Gemma是来自Google的一个轻量级模型系列，基于 Gemini 技术构建。2025年3月12日，也就是昨天，Google 发布了 Gemma 3，这是他们 Gemma 系列模型的新一代。Gemm

大模型强化学习简介 概念 人生中充满选择，每次选择就是一次决策，我们正是从一次次决策中，把自己带领到人生的下一段旅程中。在回忆往事时，我们会对生命中某些时刻的决策印象深刻：“唉，当初我要是去那家公司实

前言 最近我们通过一些新闻博客包括LLMs产品的推出，DeepSearch和DeepResearch这两个词不断的映入我们眼帘。 一个有趣的发现是，DeepSearch 和 DeepResearch

提升大型语言模型（LLM）的推理能力无疑是 2025 年最火热的话题之一，而且理由很充分。更强的推理能力意味着 LLM 可以处理更复杂的问题，让它在各种任务上表现得更出色，更贴近用户的实际需求。 最近

最近刷到一篇有意思的文章，讨论了大语言模型（LLM）对软件工程师影响的职级曲线。文章提出了一个观点：大语言模型对工程师的帮助并非均匀的，而是随着职级变化呈现出类似U型的曲线。 以工程师的职级差异视角出

大模型训练技术概述 LLM训练的三个阶段 训练大型语言模型不是一个单一的过程，相反，它是一个多层的训练过程组合，每个过程都有其独特的作用，并对模型的性能做出贡献。 阶段1：自我监督学习（Self-Su

📌 RAG 论文精选 RAG中半结构化数据的解析和向量化方法 检索信息中的噪音是如何影响大模型生成的？ 文档树：如何提升长上下文、非连续文档、跨文档主题时的检索效果 通过HyDE提升检索效果 CAG:

引言 Ilya Sutskever（前 OpenAI 联合创始人兼首席科学家）曾在在召开的 NeurIPS 会议上表示，大模型的预训练已经走到了尽头。 而 Noam Brown（OpenAI 研究员，

RAG 工作流程划分 首先，我们将 RAG 工作流程分为三个部分，以增强我们对 RAG 的理解，并优化每个部分以提高整体性能： 预检索 在预检索步骤中，需要准备LLM 原始训练数据集之外的新数据（也称

大模型时代下的注意力模型发展回顾：MHA、MQA、GQA、MLA、NSA、MoBA DeepSeek 发布了一篇新论文，提出了一种改进版的注意力机制 NSA，即Native Sparse Attent

一、研究背景与动机 在自然语言处理领域，长上下文建模对下一代大语言模型至关重要，其应用场景广泛，如深度推理、代码生成、多轮对话等。然而，标准注意力机制计算复杂度高，当处理长序列时，计算成本剧增，成为模

增强生成 (RAG) 是塑造应用生成式 AI 格局的关键技术。Lewis 等人在其开创性论文中提出了一个新概念面向知识密集型 NLP 任务的检索增强生成之后，RAG 迅速成为基石，提高了大型语言模型

📝 1. 输入上下文长度 DeepSeek-R1的输入上下文长度为128K。 DeepSeek-R1 从其基础模型 DeepSeek-V3-Base 继承了 128K 上下文长度。最初，DeepSee