- 博客(1499)
- 收藏
- 关注
RSS订阅
原创 DeepSeek本地部署+投喂数据训练AI教程！！
DeepSeek-R1，是深度求索（DeepSeek）研发的推理模型，本地部署后完全免费，无使用次数限制。DeepSeek-R1采用的大规模强化学习技术，尤其擅长数学、代码和自然语言推理等复杂任务。DeepSeek-R1系列模型（1.5b~671b）开源且免费，进一步降低了AI应用门槛，赋能开源社区发展。使用教程❶Win版安装教程（Ollama+AnythingLLM安装、DeepSeek模型下载）❷Mac版安装教程（Ollama+AnythingLLM安装、DeepSeek模型下载）
2025-02-05 13:49:42
150864
21
原创 【手把手教你】搭建私有大模型+私有知识库
就是把目前最流行的开源大模型部署到自己的电脑上，无需联网、也不用买会员，隐私可不会泄露，直接可以和AI聊天。就是你可以把你喜欢的资料统统喂给大模型，然后让AI查询你指定的材料，再来回复你的问题。若是在公司搭建这套组合，可以把公司的介绍、产品数据、销售数据等等都发给私有大模型，回复用户的信息就更有针对性。大模型搭建已经分享过了，就不在此赘述，直接进入主题，知识库搭建。AnthingLLM可以直接在其界面上对话，导入各种形式的资料。也可以把本地AI大模型和知识库做成接口API，在企业的其他应用里面去调用。
2024-12-09 17:49:19
4369
原创 Llama3微调教程：超简单，人人都可以打造属于自己的GPT！
本教程详细介绍了如何使用Unsloth和Google Colab环境对Llama 3进行微调。使用Colab基本上是无脑点击运行就好了。经过这个教程，我们发现微调模型主要有三个核心环节：数据准备，这一步决定了质量；模型训练，这一步硬件资源决定了时间；模型测试，因为我们初步体验，所以比较简略，后续可以进一步探讨。通过本教程，即使是AI领域的新手也能够掌握大模型的微调技术。Unsloth不仅降低了技术门槛，也为个人和小团队提供了强大的工具。如果还有问题，可以查看我的notebook或者进群讨论。
2024-05-29 17:45:59
11403
2
原创 『保姆级』大模型教程来了（从入门到实战）
在大模型的构建之下，AI自动化交互，将会决定世界的未来，谁的大模型更强大，将决定在遥远的未来的话语权，同时，大模型会成为AI基础设施。AI大模型，正在构建的颠覆力，为了更好的入局AI大模型，🔻 针对ChatGLM大模型，介绍ChatGLM模型微调。🔻 大模型的定义和特点，如预训练、微调、指令学习等。🔻 05 精读大模型-3论文、Instruct论文。🔻 04 GLM-130B训练营——论文泛读。🔻 05 GLM-130B训练营——论文精读。🔻 08 Alpaca训练营——论文精读。
2024-04-01 17:50:11
5730
原创 AI高薪秘籍：掌握“落地三件套“，轻松突破20K+薪资，建议收藏！
AI行业高薪核心技能在于掌握"落地三件套"：微调能力（P-Tuningv2/LoRA系列）、Agent开发（LangChain框架+知识图谱）和传统AI基础（PyTorch小模型训练部署）。微调让模型适配企业数据，Agent实现智能任务处理，传统AI技术则是工程师能力分水岭。这三项能力结合，方能进入AI应用开发核心圈层，获得20K+薪资。学习路径建议系统掌握大模型微调、智能体开发及传统AI技术，实现技术落地应用能力。
2025-11-24 18:41:05
379
原创 企业级RAG系统构建全攻略：从文档预处理到生成增强，打造高精度问答系统的必收藏干货
本文探讨了企业级RAG系统的构建难点与优化方案，指出虽然RAG技术框架简单，但要实现高质量效果却面临诸多挑战。文章从文档预处理、召回和生成三个核心环节展开分析：预处理阶段强调文档格式统一与内容提炼；召回环节需优化用户问题并采用多维度检索策略；生成环节则要对召回数据进行整理与压缩处理。最后指出这三个环节的协同优化是提升RAG系统性能的关键，并提供了大模型学习资源获取方式。
2025-11-24 18:38:16
499
原创 【收藏必备】LangChain框架详解：让AI听懂业务问题，连接企业数据
LangChain是一个Python开源框架，用于构建大模型驱动的应用程序。它集成了主流大模型、数据源和工具链，支持快速开发AI应用。核心组件包括基础库、认知框架、工作流管理和部署工具，可搭建客服知识库等场景。通过安装简单、调试部署便捷的特点，降低了大模型应用开发门槛，使开发者能专注于业务逻辑。文章还提供了学习资源，帮助掌握大模型技术，把握AI时代的就业机会。
2025-11-24 18:37:20
543
原创 从AI Agents到Agentic AI：技术演进、应用场景与收藏级解决方案
本文系统阐述了从AI Agents到Agentic AI的技术演进，对比了两者在定义、特性和应用场景上的差异。AI Agents是由大语言模型驱动的模块化系统，擅长特定任务自动化；而Agentic AI通过多智能体协作、动态任务分解等机制，解决了复杂多步骤任务的挑战。文章还分析了Agentic AI面临的技术难题及解决方案，如RAG增强、工具推理和记忆架构优化等，为相关领域的研究和应用提供了全面参考。最后探讨了AI时代下的就业机遇，指出掌握大模型技术对未来职业发展的重要性。
2025-11-24 18:36:19
649
原创 收藏备用！大模型学习别瞎忙：资源挑对，技能变现快人一步
很多人总觉得“我得把大模型原理吃透，才能变现”，但实际情况是，企业和客户需要的不是“能讲清Transformer原理的人”，而是“能解决问题的人”。哪怕你只会调用API，只要能做出满足需求的工具，就能赚到钱。对于新手来说，别被“技术门槛”吓住，先从免费资源学基础，再通过小项目练手，一步步积累案例和口碑。大模型的风口还在持续，现在开始学，只要选对资源、找对方法，用3-6个月实现技能变现，完全来得及。
2025-11-24 15:15:49
405
原创 小白也能懂！用 MCP 搭建高性能 AI Agent（附完整源码 + 收藏即用）
最后呢，会给大家一个小福利，课程视频中的所有素材，有搭建AI开发环境资料包，还有学习计划表，几十上百G素材、电子书和课件等等，只要你能想到的素材，我这里几乎都有。如果你也有类似的经历，一定要继续看下去！在做这套教程之前呢，我就曾放空大脑，以一个大模型小白的角度去重新解析它，采用基础知识和实战项目相结合的教学方式，历时3个月，终于完成了这样的课程，让你真正体会到什么是每一秒都在疯狂输出知识点。：如果外部资源的接口发生变化，只需在对应的 MCP Server 上进行修改，所有连接的 LLM 应用都能无缝适应。
2025-11-24 15:14:36
584
原创 【珍藏版】2025 AI Agent元年：从概念到开发实现，小白到程序员的进阶指南
随着人工智能技术加速演进，AI Agent（人工智能代理，常称智能体）正悄然渗透到企业运营与日常生活的各个角落，从大家熟悉的虚拟助手（如Siri、小爱同学、豆包），到企业侧IT基础设施运维、数字化管理协同，再到研发流程智能化，AI Agent广泛渗透。与大模型和用户通过提示词（prompt）进行交互的指令导向不同，AI Agent是具备环境感知、自主规划、进行决策与执行行动以实现目标的智能系统。AI Agent的强大功能，源自其精巧的架构设计。
2025-11-24 15:11:42
603
原创 AI大模型应用指南：10大核心能力×10大行业落地场景全解析（附成熟度评估）【深度收藏】
IDC 2024研究报告显示，AI大模型已形成10大核心能力（如文本/图像生成、智能决策等）和10大应用领域（金融、互联网、医疗等）。当前应用已从技术探索转向商业价值实现阶段，金融领域聚焦知识管理与智能客服，互联网行业侧重运营优化，医疗健康主要应用于辅助诊疗。报告指出，多模态、智能终端和汽车领域将成为未来落地热点，但技术准确性、数据安全仍是关键挑战。随着AI技术普及，Prompt工程师、大模型算法师等新兴岗位需求激增，建议从业者通过系统学习把握行业机遇。
2025-11-22 20:15:13
827
原创 企业AI系统性能优化：RAG到CAG缓存增强技术详解(附完整代码)
文章介绍了从传统RAG到CAG（缓存增强生成）的技术演进，针对企业AI系统中频繁重复查询静态知识（如规章制度）的问题。传统RAG每次查询都要检索数据库，导致响应慢（50-200ms）且成本高。CAG通过缓存机制存储常见查询结果，将响应时间降至5ms以下，同时减少数据库访问。文章包含完整代码实现，演示了智能缓存策略和更新机制，为企业AI应用提供了实用的性能优化方案。
2025-11-22 20:14:22
705
原创 当AI开始思考：程序员面临的职业危机与转型思考（建议收藏）
AI技术迅猛发展正深刻重塑职场格局，程序员群体首当其冲面临职业危机。文章指出AI已能完成大部分编程任务，未来将大规模取代技术岗位，且这种"思维替代"模式不同于传统工业革命。作者呼吁所有从业者需未雨绸缪，主动思考自身不可替代性，建议通过系统学习大模型技术把握转型机遇。文末提供了包含学习路线、实战项目等在内的大模型全套学习资源，帮助读者应对AI时代的职业挑战。
2025-11-22 20:13:20
456
原创 【收藏必看】98.7%性能提升！Anthropic提出AI Agent架构新范式：代码执行环境+MCP的革命性结合
Anthropic提出通过代码API替代直接工具调用的创新架构，解决MCP大规模工具连接的性能瓶颈。该方案将工具呈现为文件系统中的代码模块，实现五大优势：渐进式工具披露（按需加载）、高效数据处理（避免中间结果传递）、灵活控制流、隐私保护及技能演化。实测显示token使用率降低98.7%，响应速度提升10-50倍，成本减少98%以上，使AI Agent能连接数千工具而不会上下文溢出。这一架构转变从"直接调用工具"升级为"编写代码调用工具"，显著提升了系统效率和扩展性。
2025-11-22 20:12:17
637
原创 告别迷茫：普通人的大模型学习实战指南
刷了三个月大模型干货，却连简单的对话机器人都搭不出来；囤了十几G学习资料，面对‘Transformer’‘RAG’这些术语还是一头雾水。这样的学习困境，是很多人接触大模型时的真实写照。2025年，大模型已从技术圈“黑话”变成职场“刚需”，不仅程序员需要掌握，产品经理、运营、教师等岗位也开始要求具备基础的大模型应用能力。但多数人面临的不是“学不学”的问题，而是“怎么学才不白费力”——大模型学习的核心是“用中学”，而非死记硬背理论，这篇指南将帮你避开误区，高效入门。
2025-11-22 14:58:19
631
原创 【实战教程】DeepAgents 0.2新功能详解：大模型智能体开发进阶指南，建议收藏
当对话历史的 Tokens 用量过大时，自动压缩早期对话内容。
2025-11-22 14:57:08
673
原创 【必收藏】大模型微调真相：只教行为模式，不传授知识！90%的人都用错了
微调(Fine-tuning)主要教会大模型的是"行为模式"而非"事实知识"。它擅长调整表达习惯、引导特定风格、适应输入输出映射，适用于固定格式输出、稳定映射、垂直领域专家和解决提示工程极限四类场景。错误使用微调(如试图注入知识、增强推理、数据不足或简单任务)会浪费资源。正确使用应明确目标是模式而非知识，确保输入输出映射清晰，数据多样化，聚焦单一问题，知识需求应依赖RAG而非微调。
2025-11-21 17:25:35
903
原创 【收藏必备】LangChain多智能体系统架构设计：从Tool Calling到三层协作实战教程
本文详解了LangChain中多智能体系统的构建方法，重点介绍了Tool Calling协作模式。文章展示了如何创建三层架构：底层API工具、中间层子代理（如日历和邮件代理）和顶层Supervisor。通过将子代理包装成工具供Supervisor调用，实现了职责分离和高效协作。这种架构提高了系统的可扩展性和可维护性，能够处理复杂任务如"安排会议并发送邮件提醒"。文末提供了完整可执行的代码示例，便于读者实践应用。
2025-11-21 17:24:37
863
原创 收藏必备！GraphRAG深度解析：知识图谱如何让RAG从“搜索数据“跃升到“推理洞察“
GraphRAG：知识图谱增强的智能推理新范式 传统RAG技术在处理复杂关系和全局性分析时存在明显局限，难以捕捉数据间的隐性逻辑关联。GraphRAG创新性地引入知识图谱技术，通过将非结构化数据转化为结构化的节点和边，实现了三大突破：1）多跳推理能力打破数据孤岛；2）查询聚焦摘要技术实现全局分析；3）提供可解释的推理路径。尽管面临构建成本高、图谱维护难等技术挑战，GraphRAG代表了AI从简单检索向深度推理的重要演进方向，为金融、医疗等专业领域提供了更可靠的认知能力解决方案。该技术通过向量检索与图谱推理的
2025-11-21 17:23:27
228
原创 「收藏必备」一文搞懂知识蒸馏：从白盒到黑盒的完整指南 | 大模型压缩技术详解
知识蒸馏是将大模型（教师）知识迁移到小模型（学生）的技术，实现模型压缩同时保持高性能。分为白盒（访问内部参数）和黑盒（仅通过输入输出学习）。白盒方法包括MiniLLM、GKD等，通过优化KL散度解决空白区域问题；黑盒方法如TAPIR和Step-by-Step蒸馏，通过难度筛选和推理依据提升学生模型能力。该技术特别适用于资源受限场景，是提高大语言模型应用效率的重要手段。
2025-11-21 17:22:31
526
原创 零基础学大模型：从入门到实战的全攻略，收藏这篇就够了！
大模型技术的发展，正在打破“AI学习需要深厚技术积累”的壁垒，让普通人也能借助AI能力实现个人价值提升。零基础从来不是阻碍，反而能让你以更纯粹的应用视角切入，快速找到适合自己的学习路径。记住，大模型学习的核心不是掌握所有技术细节，而是建立“用AI解决问题”的思维模式。从今天开始，选一个最简单的工具（如文心一言），尝试用它生成第一份文案、整理第一份笔记，你就已经迈出了大模型学习的第一步。随着实践的深入，你会发现，那些曾经看似复杂的API调用、模型开发，都会在一次次项目实操中变得清晰易懂。
2025-11-21 14:48:36
976
原创 收藏必备：AI Agent与Agentic AI的27个关键区别，99%开发者都搞错了！
康奈尔大学论文揭示AI Agent与Agentic AI本质差异：AI Agent是执行者，专注单一任务；Agentic AI是决策者，能思考规划和多代理协作。文章对比两种技术的架构、应用场景、技术挑战及解决方案，帮助开发者根据需求选择合适技术路径，避免产品开发方向错误。
2025-11-21 14:47:42
886
原创 【收藏必看】深入解析RAG知识库Rank模型：从召回、精排到实战应用
本文系统介绍了RAG知识库中的Rank模型技术架构。主要内容包括：1）召回阶段快速筛选候选数据；2）精排阶段基于复杂算法进行精细排序；3）深度学习的Rank模型综合评估多维度相关性。这些技术构成RAG系统的核心模块，为实际应用提供理论基础。文末附有AI大模型学习资源推荐，包含路线图、书籍、视频和实战项目等全套资料，帮助读者掌握前沿技术。
2025-11-20 18:56:30
799
原创 检索、分类、RAG，一个比一个狠之大语言模型Embedding的终极三件套！
大语言模型文本编码是决定下游任务性能的关键环节。文章介绍了三种文本编码优化技术：1）直接使用预训练模型的隐藏状态，适合快速验证但精度不足；2）针对特定任务微调编码头，可显著提升分类和相似度任务表现；3）为RAG问答专门设计的双编码器微调，在检索场景表现最优。不同方法体现了成本与效果的权衡，选择合适的编码策略能大幅提升业务指标。随着AI技术发展，掌握大模型技能将成为高薪岗位的核心竞争力。
2025-11-20 18:55:45
571
原创 收藏必看：RAG技术详解：解决大模型幻觉、时效性、数据安全的完美方案
本文探讨了检索增强生成(RAG)技术如何有效解决大语言模型(LLM)在实际应用中的三大痛点：幻觉问题、知识时效性和数据安全。通过详细解析RAG架构并附上基于LangChain的实践案例(包括文档分割、向量化处理及本地LLM集成)，展示了该技术如何通过外部知识检索增强模型输出准确性。文章特别强调RAG相比微调的优势，指出其更适用于需要特定知识检索的场景，同时能保障企业数据安全。这种经济高效的方案为LLM在企业级应用提供了可靠路径。
2025-11-20 18:55:06
845
原创 【强烈收藏】三个月系统掌握AI大模型：从理论到实战的完整学习路径
文章提供了一个为期三个月的AI大模型系统学习计划，分为三个阶段：第一个月学习AI基础、Python编程、神经网络和NLP基础；第二个月深入Transformer架构、预训练微调范式和主流模型评估；第三个月进行实战应用，包括环境搭建、模型微调和前沿趋势探索。计划强调理论与实践结合，通过项目实践巩固所学知识，并提供了持续学习策略和资源推荐，帮助学习者系统构建AI大模型知识体系。
2025-11-20 18:53:01
859
原创 【收藏必看】智能问答系统质量评估：从“流程正确“到“结果可靠“的完整指南
智能问答系统质量评估需穿透"流程正确"表象，聚焦"结果准确"核心。评估应贯穿系统全生命周期，重点关注两大环节：文档召回（相关性、数量及"假性召回"风险）和生成结果（相关性、有效性、真实性）。系统需警惕三大陷阱：模型脱离参考的"幻觉"、答案数量不一致、语义重复问题。质量评估体系必须严格验证每个环节输出的准确性，而非仅满足流程完整性，才能真正构建可信可用的智能问答系统。（149字）
2025-11-20 18:50:26
726
原创 必学收藏：从Native RAG到Agentic RAG：大模型智能检索技术详解
让 LLM 作为“智能体（Agent）”充当控制器，结合一组工具（检索、查看元数据、读取片段等）执行“思考→行动→观察”的循环（Reason–Act–Observe）。在回答之前，按需多轮调用工具，逐步从“找到相关文件”走到“读取关键片段”，最后基于被读取的证据组织答案，并给出引用。好处：更强的适应性（可改写查询/追加搜索）、更深的证据利用（读到再答）、更可审计（引用具体来源）。方法决策机制搜索能力适应性实现复杂度传统 RAG固定流程单次检索低低。
2025-11-20 15:27:11
1037
原创 收藏必备：多模态大模型：医疗AI的超级革命，小白也能看懂的ChatGPT-4o医疗应用
多模态大语言模型（M-LLMs）能同时处理文本、图片、音频、视频等多种输入数据，实现“全场景AI助理”能力，而不仅仅是“文本AI”或“影像AI”。ChatGPT-4o、Google Gemini等为代表性产品，部分多模态能力已开放免费体验，但完整功能尚待大范围落地。多模态AI的全面应用，将推动医学从“碎片化自动化”迈向“智能互联全场景”。M-LLM不只是辅助工具，更有可能成为数字医疗新基建，为全球医疗体系带来指数级创新。
2025-11-20 15:24:28
945
原创 【收藏必看】Java开发者转型AI全攻略：从入门到实战，掌握AI开发核心技能
本文为Java开发者提供AI转型完整指南，包括明确转型方向（算法研究/应用开发/系统架构）、筑牢基础（数学/Python/算法）、掌握AI核心知识（机器学习/深度学习）、实战工具应用（Python框架/Java集成）、项目实践与持续学习。同时强调Java在AI领域的平台独立性、强大生态系统等优势，帮助Java工程师顺利转型AI领域。
2025-11-19 22:00:00
913
原创 90%转型大模型产品的踩坑真相：3步破局路线+收藏必备实战指南，避开技术思维陷阱
大模型PM转型三大误区与破解之道 摘要：文章指出当前大模型产品经理转型的三大误区：混淆PM类型侧重点、过度追求算法知识、误解技术底层要求。强调大模型应用PM的核心是业务理解力+AI应用能力，而非算法技术。通过三类大模型PM（基座/应用/平台）的对比分析，阐明大多数转型者应聚焦Agent应用方向。提出三步转型路径：现有岗位AI赋能、快速落地最小产品、构建方法论体系，并警示当前转型窗口期已过半，未来大模型技能将成基础能力。典型案例显示，聚焦业务场景的实战成果比钻研算法更能获得市场认可。
2025-11-19 18:06:12
678
原创 收藏必看！构建企业级智能体AI系统的完整参考架构指南：从单点到生态的转型
智能体AI架构的三层模型与核心原则 摘要：本文提出智能体AI的三层参考架构模型，包含基础层（数据与平台）、编排层（多智能体工作流）和自主层（自适应智能）。架构强调目标导向、可解释性和信任先于自主性等核心原则，通过模块化设计实现互操作性、可扩展性和治理合规。该架构将孤立智能体转化为可观察、可审计的企业级智能系统，在保持道德约束的同时实现从演示到生产价值的转变，为组织提供自适应且可信的AI基础设施。
2025-11-19 18:04:17
457
原创 AI开发=调接口？大错特错！资深面试官揭秘AI应用开发真谛（必收藏）
AI开发远非简单接口调用，需要掌握提示词工程、AI工程化、核心技术栈、框架工具和业务理解等多维能力。本文通过一场AI应用开发面试，揭示了开发者在生产环境需关注成本、稳定性、性能和准确性等关键因素。文章指出AI技术将成为程序员必备技能，并提供了开源项目资源，建议开发者不要仅满足功能实现，而要深入工程实践和业务优化，以适应AI无处不在的未来软件开发趋势。
2025-11-19 18:01:35
461
原创 收藏级干货：Java程序员必备，LangChain框架入门到实战，构建大语言模型应用
摘要：本文介绍了Java版LangChain(LangChain4j)框架，从LLM基础概念到核心组件使用。内容包括模型I/O、内存管理和检索增强生成（RAG），通过代码示例演示了提示模板构建、对话记忆实现和文档检索处理。该框架为Java开发者提供模块化工具，帮助构建基于大型语言模型的复杂应用，填补了Java生态中LLM开发工具的空白。
2025-11-19 17:55:37
659
原创 【必读收藏】未来5年程序员最赚钱的方向！AI大模型开发指南，年薪百万不是梦
毫不夸张地讲，对于程序员群体而言，未来5年最值得深耕的技术赛道，非AI大模型莫属。这一结论，早已被头部企业的布局和人才市场的动向给出了明确答案。👉 华为正以Agent为核心战略支点，全面渗透新业务体系，目前已有80%的新增业务系统融入AI智能体能力；👉 美团在新批次技术人才招聘中，50%的岗位明确将「大模型微调能力」或「AI应用开发经验」作为核心录用标准；👉 阿里、字节跳动、百度等互联网巨头的大模型相关岗位，同比增幅已达69%，其中核心技术岗的年薪突破百万早已不是个例。
2025-11-19 13:56:52
837
原创 【珍藏必备】RAG与GraphRAG全解析：大模型检索增强技术选择指南与实践
在大多数 RAG 系统中，“R”（即 Retrieval，检索）指的就是向量搜索。通过使用Embedding模型将用户查询和数据进行向量化，然后通过语义相似度提取出最相关的信息。这通常需要借助向量数据库实现。由于朴素RAG的非常适合为查询请求进行检索相关上下文，并将其作为LLM生成回答的依据。用于朴素RAG的数据集通常包括一系列“文本”字段，每条文本都生成一个嵌入向量，如下图所示：需要注意的是，这里的每条数据都是独立的，每条都有其可以表示为向量的语义意义。
2025-11-19 13:54:10
971
原创 【必藏】Doris+LangChain+MCP：零代码实现AI智能问数系统，自然语言查询数据库，附完整代码实现
本文介绍了如何通过Doris MCP+LangChain构建智能化AI问数系统，实现自然语言查询数据库。文章从传统查询模式的痛点切入，详细讲解了Apache Doris和LangChain的技术优势，并提供了从环境搭建到代码实现的完整方案。该系统能自动将自然语言转化为SQL查询，生成包含业务解读、关键数据和行动建议的智能分析结果，实现了"让数据会说话"的目标。通过简单的环境配置和代码实现，即可获得专业级的商业洞察能力，大幅降低数据查询门槛。
2025-11-18 19:07:19
555
原创 收藏级 | 从BERT到GLM：预训练语言模型如何重塑通用文本嵌入(GPTE)技术
文章综述了预训练语言模型(PLM)在通用文本嵌入(GPTE)中的核心作用，系统介绍了GPTE的架构、数据与模型。PLM通过嵌入抽取、长文本处理、训练策略优化等提供基础能力，并推动多模态、多语言、代码嵌入等高级应用。未来，嵌入模型将向"会推理、懂安全、能解耦"方向发展，而不仅是追求更高维度。数据合成+对比学习+大模型上下文窗口是当前性能提升的关键。
2025-11-18 19:05:26
391
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人