LLM

最近参加一次关于“机器学习理论前沿”的专题讲座，听到了徐宗本院士分享的一段经历，其中提到他在误差建模领域的重要贡献——徐-罗奇定理 这是我第一次系统听说这个定理，但听完后，有种“原来一直在用，却不知道

突然就想来个梳理，25年又过去了一半，当下，大模型最新、最热的概念有哪些？ 不妨一起来看看看👀 DeepSeek 模型蒸馏带来的颠覆 过去一年，大模型的体型越来越大，OpenAI、Google、Ant

在强化学习、图神经网络甚至大模型应用的各类论文中，TSP、CVRP 和 FFSP 这三组缩写几乎屡见不鲜。它们是组合优化问题中的经典基准测试集，广泛用于验证优化算法、神经策略甚至 AI 规划系统的性能

组合优化问题一直是工业界的经典难题。无论是旅行商问题（TSP），还是车辆路径规划（CVRP）和柔性车间调度（FFSP），一旦规模扩展，传统算法就会力不从心。 启发式搜索虽然仍在发挥作用，但面对高维度、

我们写代码的时候，到底最需要什么？ 自动补全？当然好，但不是关键 查文档？太慢，常常上下文不对 重构提示？理想状态是自动 refactor 而不是“建议 refactor” 但说到底，我们需要的是

短信，从曾经的日常对话，变成了今天只在收验证码、收通知时才偶尔想起的工具。我们不再用它聊天，但它却以另一种方式，继续默默留在了每一部手机里——像一条永不熄灭的应急通道，安静又顽强。 为什么传统短信衰落

最近，我跟团队落地了一个基于 Python 的 AI Web 应用项目，终于让我体会到，大模型与实际业务融合远比简单调用 API 更复杂，也更值得深究。 很多人觉得“大模型接入业务”不就是简单调用接口

我们搞 AI+ 系统，搞各种 AI 加持的自动化流程，搞大模型训练和对接，搞知识库融合、函数调用、RAG 检索、Agent 编排……搞到后来，有时候真觉得：越搞越荒诞。 为啥？ 因为你会发现，工

背景 每到月初、季末、年终，一项让人心累的工作总是如期而至——批量填表、批量制文档。 数十上百份，数据千头万绪，一边小心翼翼对着源数据，一边机械地复制粘贴，不仅枯燥，而且极容易出错。

现在的节奏你应该感受到了： 大模型能生成代码、部署脚本、CRUD 界面，甚至能帮你生成一整套微服务架构。看起来开发门槛变低了，但实际上，技术栈扩散的速度却越来越快。

DeepSeek-R1 宣布在亚马逊云科技 Bedrock 上全面上线，作为无服务器（Serverless）的完全托管服务。这意味着开发者和企业无需管理任何基础设施，就能通过一个 API 调用

你有没有一种感觉：这些模型生成的内容越来越“像人话”，但又不太像“有思想”？ 这不是错觉。。。。。。

生成式 AI 应用在落地过程中，内容安全永远是不可忽视的一环。尤其是当你用的是像 DeepSeek-R1 这种开源大模型，模型本身能力很强，但安全策略必须你自己兜底。 不管模型能力多强，拿到生产环境里

预训练最常见的误解： "把模型结构写好 → 填上 tokenizer → 用 huggingface 跑起来就算训练了。" —— 错。真要训练大模型，面对的不是“代码能不能跑”，而是。。。

为什么大多数智能体平台不能真正“干活”？核心问题是：缺乏可调用的工具与清晰的执行结构。本文带你从实际项目出发，构建一个真正能生成报告、自动发邮件的数字员工。

本篇分享：在移动云平台上模型完整部署流程，从代码上传、训练配置到推理服务与Web接入，全链路可复用，适合企业实战落地与个人模型上线参考。

本篇适合做llm训练项目前整理思路，介绍从怎么选学习率、设置 epoch 开始，到训练脚本怎么写、平台怎么配，再到用 LoRA 轻量化微调、做效果评估、导出模型部署。

如果你之前关注过亚马逊云科技的 AI 战略，你可能会记得，去年 re:Invent 大会上 Amazon CEO Andy Jassy 提出过三个关于 AI 应用落地的关键点：

记录一次”有趣的“大模型辅助离线环境配置的经历。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。

我发现，现在很多文章，越来越无法分辨是不是由大模型写的，或者其中占比是多少。 今天看到消息：GPT-4.5 被 73% 的人误认为人类，又被震惊了！ 别说写文章这种长篇大论了，以后聊天，也不知道对方是