艾醒

在大模型求职面试的赛道上，模型微调和模型蒸馏是绕不开的核心技术考点。这两项技术，一个聚焦模型能力的精细打磨，一个着眼于知识迁移与效率优化，深刻影响着大模型在实际场景中的表现。

在大模型技术岗位面试里，“何时用微调技术，何时用 RAG 技术” 是高频考点。这不仅考察对两种技术的理解，更看能否结合场景权衡运用，下面结合要点深入分析

在自然语言处理（NLP）工程实践中Tokenizer的作用是将文本变成模型能够读懂的输入，今天我们就从参数视角拆解 Tokenizer，搞懂它的工作逻辑，以及如何根据任务灵活配置。

在使用huggingface中的模型时很多情况下会因为网络原因无法访问，导致模型的下载失败。为了应对这种问题，最便捷的方式是下载相应的模型后使用本地调用的方式

该文章详细介绍了使用服务器训练模型时，通过 Xshell、Xmanager 和 PyCharm 连接服务器的配置步骤。

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