大模型笔记摘录

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 100+累计阅读 32平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄3年

关注

原创 2026-05-12 18:50:31 32 阅读 AI 写同款· GEO 优化 ›

思源笔记与Ollama本地大模型集成：六大核心玩法与配置指南大语言模型（LLM）通过模拟人类语言模式，实现了对文本的理解与生成，其核心原理基于Transformer架构的海量参数训练。这一技术为知识管理与内容创作带来了革命性价值，能够自动化处理信息、激发创意并提升效率。在个人知识管理（PKM）和笔记软件场景中，本地部署的私有模型解决了数据隐私与可控性痛点。本文聚焦于将Ollama本地大模型与思源笔记深度集成，详细解析了从环境搭建、参数调优到六大核心应用场景的完整实践路径，涵盖了**块级内容智能处理**与**双链图谱智能问答**等关键玩法，为构建安全、高效的智能知识工阅读详情

NumPy Ndarray 对象 | 菜鸟教程这里有写ndarrary

(84 封私信 / 32 条消息) 从零开始学self：Python中的self关键字解析 - 知乎 self和method，写了@的用法

Python 面向对象 | 菜鸟教程 Python3 面向对象 | 菜鸟教程

NumPy 教程 | 菜鸟教程

(84 封私信) Python—KNN分类算法（详解） - 知乎 (84 封私信) 最通俗的话解释KNN，KMeans算法 - 知乎

收录于

当前文章被以下社区和专栏收录：

标签

#python #numpy #人工智能

MATLAB机械臂建模实战：标准D-H法与改进D-H法到底选哪个？（附代码对比）本文深入解析MATLAB中机械臂建模的标准D-H法与改进D-H法的本质区别，提供详细的代码对比和可视化结果。通过实际案例，帮助读者根据应用场景选择合适方法，并避免常见建模陷阱。特别关注Link函数和SerialLink工具的使用技巧，提升机械臂建模效率。阅读详情

相关推荐

绕开华为通道，获取解锁码解锁BootLoader

刷机有风险，操作需谨慎，如果因为各种因素导致手机变砖无法开机，本教程概不负责，望悉知前言这篇文章的大多内容是根据我自己找的一篇文章《绕开华为通道，获取解锁码解锁BootLoader》来编写的,里面的大部分内容是文章的原内容。下面的都是我参考文章中做了一些小部分的修改，增加了我华为P8手机的一些操作，下面开始讲述我的解锁过程。因为华为官方在2018年的七八月份吧，关闭了解锁码的申请通道，这...

Martin.Mu `s Special Column 5万+

PasteMD用于读书笔记：纸质书摘录/电子书PDF复制文本→带出处引用的Markdown

本文介绍了如何在星图GPU平台上一键自动化部署PasteMD剪贴板智能美化工具，实现读书笔记的智能格式化。该工具能将纸质书摘录或电子书PDF复制的杂乱文本，自动转换为带规范出处引用的Markdown格式，极大提升笔记整理效率和知识管理体验。

weixin_35755640的博客 295

mcgs数据导出到U盘

mcgs触摸屏在工业中应用还是很多的，尤其他的脚本功能策略功能等将开放性放到了最大，让用户可以根据实际需求进行自由创作，正因为这样，对一些初学者就不是很友好，初学者想要简单操作就能实现功能，但是mcgs不可能两者兼备，在做工业设备，一些数据的采集保存就比较常见，但是mcgs没有相关按钮能够直接实现将数据导出到U盘的功能。这里我给大家讲解关于mcgs将报警历史记录、日志记录、历史数据记录导出到U盘的方法。

qq_24866535的博客 6232

WeKnora在教育场景的应用：学生上传笔记→AI精准答疑实操手册

本文介绍了如何在星图GPU平台上自动化部署WeKnora - 知识库问答系统镜像，赋能教育场景下的精准知识答疑。学生只需上传课堂笔记等文本片段，即可实时获取带原文出处的可靠答案，适用于考前复习、小组研讨和随堂测验生成等典型教学实践。

weixin_34581040的博客 226

Win10局域网内文件共享+远程桌面控制保姆级教程（含常见问题解决）

本文提供Win10局域网内文件共享和远程桌面控制的详细教程，包括环境检查、共享文件夹设置、远程桌面连接步骤及常见问题解决方案。通过内置功能实现高效办公协作，提升多设备协同工作效率，特别适合需要频繁传输文件或远程控制场景的专业人士。

rose2的博客 777

从TM1到TM9：手把手教你用Wireshark抓包分析LTE下行调度与传输模式切换

本文详细解析了如何使用Wireshark抓包分析LTE下行调度中的传输模式切换，从TM1到TM9的动态调整过程。通过实战案例，包括小区边缘移动、高速场景和多用户调度，揭示eNodeB如何基于信道质量指标（如RSRP、SINR）动态切换传输模式，并提供关键信令解析和优化建议，助力网络工程师提升LTE网络性能。

weixin_42651748的博客 315

PasteMD应用场景解析：如何用AI一键整理网页摘录与笔记

本文介绍了如何在星图GPU平台上自动化部署✨ PasteMD - 剪贴板智能美化工具镜像，实现AI驱动的文本格式化功能。该工具可智能整理网页摘录、会议记录等杂乱文本，自动转换为结构化的Markdown格式，大幅提升文档处理效率，特别适合内容创作者和知识工作者使用。

weixin_33812391的博客 21

Transformer实战（33）——高效自注意力机制

在本节中，我们学习了如何在硬件资源受限的情况下减轻运行大模型的负担，介绍了高效的稀疏 Transformer 模型，通过近似技术(如 Linformer、BigBird 和 Performer) 用稀疏矩阵替代全自注意力矩阵。并观察它们在各种基准测试中的表现，例如计算复杂度和内存复杂度。结果表明，这些方法可以在不牺牲性能的情况下将平方级复杂度降低到线性复杂度。

盼小辉丶的博客 3030

告别杂乱笔记：PasteMD+Llama3打造私人文本格式化助手

本文介绍了如何在星图GPU平台上自动化部署✨ PasteMD - 剪贴板智能美化工具镜像，结合本地Llama3模型实现私有化Markdown文本格式化。用户可一键将会议速记、技术日志或微信消息等杂乱原始文本，3秒内智能转译为层级清晰、语法规范、开箱即用的结构化Markdown文档。

weixin_35754962的博客 161

里海NX二次开发3000例-专栏目录

UDO(User Defined Object)是“用户自定义对象”。应用非常广，可以用UDO创建自定义特征，也可以对NX原有的特征添加一些特殊信息，这些信息会保存在部件中，以后可以查询。还可以实时追踪NX对象，例如做3D包容盒线框自动追踪实体，做2D矩形框自动追踪图纸尺寸值，这些在下面的例子都有介绍。读者可以自己编译下面的例子，体会理解UDO的用法。------里海 20230512序号内容链接01使用UDO在所有实体上设置更新回调链接02使用UDO生成跟踪实体的线框链接03删除UDO链接。

王牌飞行员_里海的博客 7712

simulink建模仿真实例1000例--第375例：基于Simulink进行复杂交通流的仿真建模

特点多车互动：模拟多个车辆之间的相互作用。动态变化：交通流量随时间和事件（如事故、天气变化）而变化。多样化驾驶行为：考虑不同的驾驶员行为模式（激进型、保守型等）。挑战准确性：准确地模拟各种因素对交通流的影响。实时性：处理大量车辆数据，并迅速做出反应。可扩展性：支持从简单场景到复杂城市交通网络的扩展。首先明确要模拟的任务内容。模拟不同类型的车辆（轿车、卡车、公交车等）。考虑不同驾驶员的行为模式。分析交通拥堵、事故对交通流的影响。

xiaoheshang_123的博客 201

Qwen3-0.6B-FP8作品分享：基于该镜像开发的「AI读书笔记」微信小程序案例

本文介绍了如何在星图GPU平台上自动化部署Qwen3-0.6B-FP8镜像，并基于此开发了「AI读书笔记」微信小程序。该应用利用该轻量级大语言模型，可快速为输入的书籍内容生成摘要、大纲或读后感，帮助用户高效整理阅读心得，是AI赋能个人知识管理的典型实践。

weixin_31620365的博客 368

华为OD机考双机位A卷 - 开心消消乐（Java & Python& JS & C/C++ & GO ）

华为OD机考双机位A卷 - 开心消消乐（OD上机考试双机位A卷）。提供在线OJ刷题。Java、C++、Python、GO语言、C语言、JavaScript题解，并提供完整思路讲解。

算法大师！ 1266

一键复制体验：PasteMD剪贴板美化工具深度测评

本文介绍了如何在星图GPU平台上自动化部署✨ PasteMD - 剪贴板智能美化工具镜像，实现本地化、隐私安全的文本结构化处理。用户可一键将杂乱会议记录、技术笔记或网页摘录自动转换为语义清晰、格式规范的Markdown文档，显著提升知识整理与文档协作效率。

weixin_35749545的博客 310

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候提示IE WebControls 不通过，这个工具可以欺骗u8的检查。跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。

如何使用大模型提升阅读/写作效率

大模型对于我们的工作/生活真的有帮助吗？好像……是不是……不多？比如针对写文章这件事，我会有多个操作步骤：“写草稿-填入到编辑器-编辑-发送”。这个过程中，因此，如何合理的将大模型嵌入到已有的工作流程中是一项需要多次尝试的工作，很容易令人放弃：这也太麻烦了，不如我自己干得了…但我在近期的实践中有一些还蛮有用的尝试，分享给大家。我会在阅读长文之后让大模型进行一个大纲总结。但这只是第一步，因为笔记还是得自己记，而不是让大模型帮我们记。

qingkahui24689的博客 1434

SIMATIC S7-1200, S7-1500 PID 控制[手册]

书生大模型笔记1

这是作者对于书生浦语大模型的介绍课的笔记总结。文中图片都出自openmmlab举办活动的公开教学视频，侵删。

m0_54824511的博客 603

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册，内含HL7和ASTM)

PasteMD创意用法：用AI整理读书笔记的3种方法

本文介绍了如何在星图GPU平台上自动化部署✨ PasteMD - 剪贴板智能美化工具镜像，实现AI驱动的读书笔记结构化整理。用户可将零散摘录一键转化为层级清晰的Markdown笔记，广泛应用于知识管理、学术阅读与个人学习场景，显著提升信息消化与复用效率。

weixin_33531560的博客 351

《大模型训练数据白皮书》学习笔记

2024年5月24日，阿里研究院发布了《大模型训练数据白皮书》。有基础知识的科普，也有一些有趣的观点，摘录分享一下。模型训练阶段第一阶段预训练（Pre-training），，通过大量学习世界知识，构建模型的基础能力，理解客观世界的规律，该阶段的语料特征可以概括为“第二阶段监督微调（SFT），，通过标注人员设计问答，编写正确答案，将例题投喂给模型，并希望模型在没有见过的任务中“举一反三”，提升泛化能力。第三阶段基于人类反馈的强化学习（RLHF），

aolan123的博客 1234

书生大模型笔记4

本文是openmmlab举办的internlm模型训练营笔记，部分内容出自官方课件，本文仅作为个人笔记与课堂作业要求。

m0_54824511的博客 599

终极指南：用 markitdown 一键将 EPUB 电子书转换为 Markdown 笔记

还在为 EPUB 电子书无法复制、排版乱糟糟而烦恼吗？markitdown 是一款免费开源的 Python 文件转 Markdown 工具，内置 **EPUB 转 Markdown** 能力，一行命令就能把电子书转成结构清晰的 Markdown 笔记。学生整理读书笔记、研究者做文献摘录、开发者搭建语料库，都能靠它提效。 ## 为什么需要 EPUB 转 Markdown 工具 - **受 DRM

gitblog_01086的博客 1016

DeepSeek 实用集成列表摘录

将 DeepSeek 大模型能力轻松接入各类软件。

qq_34068440的博客 1044

大模型来了，物流业真要“变天”了

2024年已进入AI大模型应用元年，AIGC正以席卷之势重塑着原有的应用、流程、业务。真正将产业化应用做得越来越深的，不在于庙堂之高，而在江湖之远。近日，中通、圆通、申通、韵达、中远海科、东航物流等物流企业的CTO与CIO们齐聚上海，举行了一场“华山论剑”。这些CTO们堪称行业“半壁江山”，他们正处在不同的阶段——有的在AI大模型与小模型间取舍，有的正推进AI大模型商业化，有的已朝着垂直场景AI大模型做迭代创新。闭门会上，物流行业最懂AI大模型的这批人有共识也有争论。

aolan123的博客 1291

学习大模型应用开发 - 第二章 - 用 LLM API 开发应用

具体来说，在使用 ChatGPT API 时，你可以设置两种 Prompt：一种是 System Prompt，该种 Prompt 内容会在整个会话过程中持久地影响模型的回复，且相比于普通 Prompt 具有更高的重要性；当取值较高接近 1 时，预测的随机性会较高，所有词被选择的可能性更大，会产生更有创意、多样化的文本，更有可能生成不寻常或意想不到的词。{ "system prompt": "你是一个幽默风趣的个人知识库助手，可以根据给定的知识库内容回答用户的提问，注意，你的回答风格应是幽默风趣的"。

CodingMomo的博客 1264

大模型笔记：RAG（Retrieval Augmented Generation,检索增强生成）

将大规模语言模型(LLM)与来自外部知识源的检索相结合,以改进大模型的问答能力核心手段是利用外挂于LLM的知识数据库（通常使用向量数据库）存储未在训练数据集中出现的新数据、领域数据等。

qq_40206371的博客 3465

图解大模型-O‘REILLY读书笔记

人工智能的一个子领域，专注于开发能够理解、处理和生成人类语言的技术。C2:词袋模型：语言人工智能最初使用的技术，主要目的是为了让计算机理解非结构化的文本信息。C3：embedding嵌入：embedding是数据的向量表示，目的是帮助捕捉&理解数据的含义。词嵌入的值用于表征这个词的属性，也是用来衡量两个词的语义相似度。同理，根据数据的类型，还有句子嵌入，文档嵌入等等。所有不同的词元组合起来，就是一个用于表示句子的。1.同时在看LLM相关书籍的，懒得回顾的；的，这里面会有整理的一些面试题；

m0_56244993的博客 283

上一篇： Python入门

下一篇：保研。。。

绕开华为通道，获取解锁码解锁BootLoader