COT ，Emergent Abilities

最新推荐文章于 2025-12-07 19:40:17 发布
原创 最新推荐文章于 2025-12-07 19:40:17 发布 · 177 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能

论文探讨了大型语言模型在规模增长中展现出的新兴能力，如自我修正、代码编写和问题解答等，暗示了这些AI系统在无明确编程的情况下具有潜在的学习和适应性。
关于大语言模型的论文和学习资源集合
全网120W+关注AI拉呱，专注人工智能以及科技前沿！
05-14 467
【代码】关于大语言模型的论文和学习资源集合。
必知必会：大模型训练-大模型涌现能力
丨汀、的博客
10-22 311
必知必会：大模型训练-大模型涌现能力
LLM 的能力、特点、应用与影响
Code365
07-09 867
大型模型不仅可以缩短每个具体应用的开发周期，减少所需人力投入，也可以基于大模型的推理、常识和写作能力，获得更好的应用效果。因此，大模型可以成为 AI 应用开发的大一统基座模型，这是一个一举多得、全新的范式，值得大力推广。在 2021 年，斯坦福大学等多所高校的研究人员提出了基座模型（foundation model）的概念，清晰了预训练模型的作用。这是一种全新的 AI 技术范式，借助于海量无标注数据的训练，获得可以适用于大量下游任务的大模型（单模态或者多模态）。LLM 已经在许多领域产生了深远的影响。
思维链（CoT）提出者 Jason Wei：关于大语言模型的六个直觉
叶庭云 成为自己的光
12-08 2212
思维链（CoT）提出者 Jason Wei：关于大语言模型的六个直觉
构建安全AI风险识别大模型：CoT、训练集与Agent vs. Fine-Tuning对比
高效匠人
05-24 1357
本文探讨了构建安全AI风险识别大模型的关键技术，聚焦于Chain-of-Thought（CoT）推理设计、训练集构建方法，以及Agent-based与Fine-Tuning两种技术路线的对比。在CoT设计方面，提出通过结构化提示引导模型分步识别风险；训练集构建强调多样化数据来源和精准标注；技术路线比较显示，Agent-based方法灵活性高但复杂，Fine-Tuning性能优但需充足数据。该研究为企业协作场景（如Microsoft Teams）的风险监控提供了实用技术框架和实施建议。
为什么所有公开的对 GPT-3 的复现都失败了？复现和使用GPT-3/ChatGPT，你所应该知道的...
夕小瑶科技说
02-21 909
文｜杨靖锋译｜杨昊桐，王骁 修订源｜机器之心英文原版作者：杨靖锋，现任亚马逊科学家，本科毕业于北大，硕士毕业于佐治亚理工学院，师从 Stanford 杨笛一教授。感谢靳弘业对第一版稿件的建议，感谢陈三星，符尧的讨论和建议。英文原版：https://jingfengyang.github.io/gpt推特原文：https://twitter.com/JingfengY/status/16250039...
LRMs：《Beyond ‘Aha!‘: Toward Systematic Meta-Abilities Alignment in Large Reasoning Models》翻译与解读
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
05-25 1693
​ LRMs：《Beyond 'Aha!': Toward Systematic Meta-Abilities Alignment in Large Reasoning Models》翻译与解读 目录 《Beyond 'Aha!': Toward Systematic Meta-Abilities Alignment in Large Reasoning Models》翻译与解读 Abstract 1、Introduction Conclusi
OpenAI 开发系列（七）：LLM提示工程（Prompt）与思维链（CoT）
无敌小怪兽_Zz的博客
07-18 4983
本文首先揭示了LLM模型的涌现能力，阐述了如何通过提示工程和微调来激发大模型的涌现能力。接着深入讨论了提示工程的各个方面，包括其误区、语言提示工程、代码提示工程，以及多种提示方法，如经典的小样本提示、思维链提示、CoT+Few-shot提示和STaR Fine-Tune提示法。文章最后探讨了模型的推理能力，对于理解和应用LLM模型来说，这些知识都具有重要的参考价值。
LLMs：《A Survey of Large Language Models大语言模型综述》的翻译与解读(一)之序言(挑战+LM四阶段+LLM与PLM的三大区别)、概述(两个代表性扩展定律/涌现能力
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
07-05 7372
​ LLMs：《A Survey of Large Language Models大语言模型综述》的翻译与解读(一)之序言(挑战+LM四阶段+LLM与PLM的三大区别)、概述(两个代表性扩展定律/涌现能力三种典型/六大关键技术+GPT系列技术演进)、资源(开源模型/闭源API+六类语料库+三种框架库) LLMs：大型语言模型发展综述—序言(挑战+LM四阶段+LLM与PLM的三大区别)、概述(两个代表性扩展定律/涌现能力三种典型/六大关键技术+GPT系列技术演进)、资源(开源模型/闭源API
一分钟了解LLM大语言模型，零基础入门到进阶，非常详细！
lvaolan的博客
01-22 1734
相比于每次开发单个模型的方式，这是一项本质上的进步。大型模型不仅可以缩短每个具体应用的开发周期，减少所需人力投入，也可以基于大模型的推理、常识和写作能力，获得更好的应用效果。因此，大模型可以成为 AI 应用开发的大一统基座模型，这是一个一举多得、全新的范式，值得大力推广。包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。
【人工智能】大模型的涌现能力：概念、原理、本质和未来发展趋势
AI天才研究院
07-31 838
2023 年3 月的时候，由图灵奖得主Yoshua Bengio、特斯拉CEO马斯克、纽约大学名誉教授Gary Marcus、UC伯克利教授Stuart Russell等1000多人，在一封叫停GPT-4后续AI大模型的公开信上签名。这封公开信指出，最近人工智能陷入了一场失控的竞赛，模型的创造者们没有办法理解、预测或可靠地控制自己创造的大模型，人类社会对其可能造成的影响也没有做好准备。因此，公开信呼吁，所有AI实验室应立即暂停训练比GPT-4更强大的AI模型，为期至少6个月。
深入解读Qwen3技术报告（六）：Qwen3性能评估
05-26 621
Qwen3性能评估框架概览 Qwen3采用多维度评估体系，涵盖基础能力、专业领域、多语言支持、指令执行、安全性和实际应用六大维度。评估方法结合标准化基准测试（如MMLU、GSM8K）、自动化指标分析和人类专家评估，并与主流模型（Llama-3、GPT-4等）进行横向对比。该框架通过量化指标和质性分析，全面衡量模型的语言理解、专业问题解决及安全合规等核心能力，为AI模型评估提供系统化方法论。评估结果展现Qwen3在语言处理和专业任务中的综合性能表现。
大模型应用：大模型 MapReduce 全解析：核心概念、中文语料示例实现.12
minhuan的专栏
12-03 1285
本文介绍了MapReduce编程模型及其在大模型训练中的应用。MapReduce通过"分治-并行-聚合"思想处理大规模数据，传统Hadoop MapReduce侧重结构化数据计算，而大模型MapReduce则针对自然语言处理任务。文章详细对比了两者在架构、处理对象和核心算力等方面的差异，并提供了中文词频统计的Python实现示例，包括单机版和分布式版本。分布式实现利用多进程模拟集群计算，展示了数据分片、Map、Shuffle和Reduce的完整流程。
【论文速递】2025年第34周(Aug-17-23)(Robotics/Embodied AI/LLM)
最新发布
淋曦的进击手记
12-07 795
自我监督的学习有望消除对手动数据注释的需求，从而使模型能够毫不费力地扩展到大规模的数据集和较大的体系结构。通过不针对特定的任务或领域量身定制，这种训练范式有可能使用单个算法从不同的来源学习视觉表示形式，从自然到航空图像。该技术报告介绍了Dinov3，这是通过利用简单而有效的策略来实现这一愿景的主要里程碑。首先，我们利用仔细的数据准备，设计和优化来扩展数据集和模型大小的好处。其次，我们介绍了一种称为GRAM锚定的新方法，该方法有效地解决了长期训练时间表中已知但未解决的密集特征映射降解的问题。
人工智能的基石之三：硬件
最简单的方法，解决最实际的问题。
12-05 652
高性能硬件是人工智能的基石，尤其是在机器学习和深度学习领域，海量数据是常态。从充当计算机大脑的中央处理器 (CPU) 到加速计算的图形处理器 (GPU)，硬件的作用是提供处理和运行复杂数据算法所需的原始能力。
AI泡沫什么时候破？
脑极体
12-04 660
而AI企业面对的短期形势，可能更为严峻。而AI公司和技术服务商，为了迎合决策者或拿下B端大项目，往往不计成本的低价竞标，无视人工成本的驻场开发，技术价值让位于领导偏好，企业自身也深陷人效黑洞，沦为挣辛苦钱的技术外包。To B/G不赚钱，To C也卖不上价，所以目前AI领域唯一清晰的商业模式，就是类似英伟达的“卖铲人”模式，卖加速卡和算力的企业成了这一轮AI浪潮的最大受益人。去伪存真之后，资本会冷却，叙事会修正，共识会重新凝聚，而那些持续追问“AI如何创造真实价值”的人，会与行业一同穿越周期，走向成熟。
【AI是否能替代IT从业者？】
博文致力于人工智能算法的探索研究；前后端分离项目的技术分享交流；专升本计算机基础课程内容讲解；各种中间件技术分享
12-03 1145
2025年IT行业面临AI深度重构：基础开发、测试、运维岗位替代率超60%，但AI相关新兴岗位激增380%。人类在复杂系统设计、伦理决策和跨界融合领域仍具不可替代性。微软等企业实践显示，人机协作可使效率提升40%。从业者需转型高价值领域（如Agent开发、大模型工程），掌握"技术+领域"双轨能力。AI本质是职业生态重构器，持续学习者的薪资溢价可达150%。建议立即评估岗位AI暴露指数，优先学习分布式架构优化、多智能体开发等技能。
AI驱动的网联自动驾驶汽车网络安全测试方法
NewCarRen的博客
12-03 1032
本文综述了网联自动驾驶汽车(CAV)网络安全测试面临的挑战与解决方案。随着CAV普及，网络攻击风险加剧，现有渗透测试方法面临测试环境成本高、专业人才匮乏等挑战。研究表明，人工智能(AI)在传统行业渗透测试中展现出缩短时间、提高效率的优势，但在CAV领域应用仍存在明显缺口。文章重点分析了强化学习等AI算法在渗透测试中的应用潜力，指出创建仿真环境是测试AI模型有效性的可行方案。开源工具VEINS被推荐为合适的仿真平台，其Python/C++接口便于AI模型集成。研究认为，若证实AI方法有效，可扩展应用于完整CA
建筑数字孪生与AI：工地数据化与智能决策解析
Azhiyuanshijie的博客
12-04 336
数字孪生整合BIM模型、无人机影像、传感器数据，构建工地虚拟模型。施工状态、材料使用、设备运行数据被实时采集，支撑预测与优化。服务，将算法嵌入实际施工管理系统，实现数据采集、分析、优化和决策闭环。系统可与BIM、ERP集成，形成完整数字孪生解决方案。通过虚拟映射和AI算法，施工过程从经验驱动转向数据驱动。数字孪生+AI，让工地变成“数据实验室”，提升效率、降低风险，并推动建筑企业迈向智能化时代。，企业可展示施工技术实力，实现品牌影响力和潜在客户转化。：AI提出最优施工方案，提升效率和安全。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值