探索大语言模型（LLM）

大模型应用与硬件怎么选？看这几张表就够了。不同系列的显卡，适合的人群和做的事不一样，看下面的表就清楚啦。

过去十年，人工智能领域最震撼的变革之一，是模型参数量从百万级飙升至万亿级。从GPT-3的1750亿参数到GPT-4的神秘规模，再到谷歌Gemini的“多模态巨兽”，参数量仿佛成了AI能力的代名词

EvalScope 是由阿里巴巴魔搭社区（ModelScope）开发的开源模型评估与性能基准测试框架，专注于为大语言模型（LLM）、多模态模型及其他 AI 模型提供系统化的评估解决方案。

在大模型落地实践中，微调（Fine-tuning）是连接通用预训练能力与特定任务需求的关键环节。通过微调，我们能让在海量数据上预训练的模型“适配” 具体业务场景。本文将系统梳理六种主流微调方式

在人工智能技术飞速发展的当下，通用大模型无疑是最受关注的领域之一。它凭借强大的能力打破了传统 AI 模型的局限，为各行业的智能化升级提供了全新可能。

之前的文章中已经介绍了ollama在Windows环境下和Linux环境下的安装，在本篇中将重点介绍Ollama的常用配置

Open-WebUI 是一款专为大模型设计的开源可视化交互工具，它通过类 ChatGPT 的直观界面，让用户无需代码即可管理、调试和调用本地或云端的大语言模型（LLMs）

Ollama 是一个开源的本地化大模型运行平台，支持用户直接在个人计算机上部署、管理和交互大型语言模型（LLMs），无需依赖云端服务。而且其混合推理的特性也使得CPU和GPU的算力能够充分被使用

在信息爆炸的时代，如何从海量的文本数据中快速准确地提取出有价值的信息，成为了众多领域面临的共同挑战。

本文将系统解析大语言模型的核心术语，涵盖模型规模、训练方法、优化技术、部署实践及前沿研究方向，为从业者构建完整的知识结构。

本文将从基座模型、推理模型、Instruct模型三个核心维度，深度对比DeepSeek V3、DeepSeek R1、QwQ、Qwen2.5与Qwen3，揭示它们的底层技术差异与适用场景。

词袋法（Bag of Words, BoW）是自然语言处理（NLP）中最基础的文本向量化方法之一。它通过统计文本中词汇的出现频率，将非结构化的文本转换为结构化的数值向量，为后续的机器学习任务

SiliconFlow（硅基流动）是专注于生成式AI的计算基础设施平台，提供大模型推理引擎（SiliconLLM）、文生图/视频加速库（OneDiff）及模型云服务平台

Qwen3发布后4小时内GitHub获1.7万星标，刷新开源大模型热度纪录。本篇文章将以transformers调用的方式快速进行Qwen3调用。

当语言模型学会“自己教自己” 在人工智能领域，语言模型（如GPT、BERT）的崛起彻底改变了自然语言处理（NLP）的格局。

自监督学习：从数据内在规律中解锁AI的“自学”密码 在人工智能领域，自监督学习（Self-supervised Learning）正掀起一场革命。

前言 在人工智能技术快速发展的当下，大语言模型（LLMs）的应用不断拓展，ReAct和Function Calling作为优化模型输出的重要技术，各自展现出独特优势。

在自然语言处理（NLP）的发展历程中，Transformer 和 BERT 无疑是具有里程碑意义的技术。它们的出现，彻底改变了 NLP 领域的研究和应用格局。

循环神经网络之所以得名，是因为它在处理序列数据时，隐藏层的节点之间存在循环连接。这意味着网络能够记住之前时间步的信息，并利用这些信息来处理当前的输入。