coting

无论是 BERT、GPT 还是 ViT，几乎都不用 Batch Normalization，而是清一色地用 Layer Normalization，这是为什么呢？

最近，Hugging Face 发布了一篇罕见的超长技术博客——超过 200 页的《Smol 训练手册》。

最近Kimi K2 Thinking 在国内外AI圈引起了不小的轰动，它以“思考（thinking tokens）+ 长序列工具调用” 为核心设计理念，并提出训练与推理策略。

统计回归分析是大数据时代的扫地僧，但线性回归（Linear Regression）和逻辑回归（Logistic Regression）这对名字高度相似的孪生兄弟，却在数学模型的江湖中有着天差地别的应用

面试官：你了解线性回归吗？它的损失函数是什么？ 看到这个问题你是不是不屑于回答，因为线性回归是机器学习里最基础的模型之一，但你现在想一下真的能很好的回答这个问题吗?

面试官：说一下什么是量化，为什么将大语言模型从 FP16 量化到 int8 甚至 int4，性能仍然能保持得很好？

在多模态浪潮加速的 2025 年，美团再次交出了一份令人惊艳的答卷。 继 LongCat-Flash-Chat 与 LongCat-Flash-Thinking 之后，LongCat 系列迎来了新成员

这道题其实是面试官想看你是否真的理解大模型安全对齐（Alignment）背后的优化逻辑。 我们都知道这两个词看起来都跟“让模型更听话”有关，但它们在原理、流程和优化目标上，差别非常关键。

Kimi最近提出了Kimi Linear，这是一种混合线性注意力（Hybrid Linear Attention）架构。