<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[maoku66的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/maoku66</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; maoku66]]></copyright><item><title><![CDATA[向量数据库入门指南：从数学概念到AI核心基建，一篇文章讲透]]></title><link>https://blog.youkuaiyun.com/maoku66/article/details/157771933</link><guid>https://blog.youkuaiyun.com/maoku66/article/details/157771933</guid><author>maoku66</author><pubDate>Thu, 05 Feb 2026 17:03:04 +0800</pubDate><description><![CDATA[向量化计算是发动机技术，让大规模数学运算得以高效执行。向量与嵌入是翻译官，将人类语义翻译成机器能懂的数学语言。向量数据库是超级索引器，专门负责在海量“数学坐标”中瞬间找到“最近邻居”。这三者环环相扣，共同构成了当前AI应用，特别是RAG和推荐系统的技术基石。展望未来，向量数据库的发展趋势已清晰可见：多模融合：从单一的文本向量，到同时处理文本、图像、音频、视频嵌入的“多模态向量数据库”，实现“用文字搜视频”等更自然的交互。智能化。]]></description><category></category></item><item><title><![CDATA[大模型强化学习扫盲：PPO、GRPO、DPO，哪个才是你的“AI教练”？]]></title><link>https://blog.youkuaiyun.com/maoku66/article/details/157771832</link><guid>https://blog.youkuaiyun.com/maoku66/article/details/157771832</guid><author>maoku66</author><pubDate>Thu, 05 Feb 2026 16:58:01 +0800</pubDate><description><![CDATA[PPO像一位配备全职教练团的严师，体系完备，监督严密，但培养成本极高。GRPO像一位组织小组竞赛的引导者，通过内部竞争激发潜能，效率高且能催生“思维链”等高级能力，特别适合有明确规则的任务。DPO像一位品味鉴赏家，通过直接对比“好”与“坏”来塑造模型的判断力，简单、稳定、高效，是调整模型风格与安全性的利器。技术演进的趋势越来越清晰：从复杂走向简洁，从依赖外部奖励走向激发内部竞争或直接对齐人类偏好。未来的大模型训练，很可能是SFT（打基础）+ DPO（塑风格）+ GRPO（提智商）的模块化组合拳。]]></description><category></category></item><item><title><![CDATA[企业级RAG方案大比拼：自建云服务 VS 一体化平台，谁才是性价比之王？]]></title><link>https://blog.youkuaiyun.com/maoku66/article/details/157771778</link><guid>https://blog.youkuaiyun.com/maoku66/article/details/157771778</guid><author>maoku66</author><pubDate>Thu, 05 Feb 2026 16:54:56 +0800</pubDate><description><![CDATA[通过这份详尽的对比，我们可以清晰地看到，企业级RAG的落地之战，本质上是**“分散集成模式”与“一体化平台模式”** 之间的较量。AWS DIY路径提供了极致的灵活性和组件选择自由，但代价是极高的集成复杂性、持续攀升的运营成本和对庞大精英团队的依赖。它适合拥有强大云架构和运维团队的超大型科技公司。EDB Postgres AI等一体化平台路径通过产品化的集成、预建的AI流水线和本地化部署，在成本、效率、安全和控制力之间取得了卓越的平衡。它为企业，特别是受监管行业和注重数据主权的中大型企业，提供了一条。]]></description><category></category></item><item><title><![CDATA[大模型跑不动？别怪硬盘！真正卡脖子的原来是它——显存深度解析]]></title><link>https://blog.youkuaiyun.com/maoku66/article/details/157771502</link><guid>https://blog.youkuaiyun.com/maoku66/article/details/157771502</guid><author>maoku66</author><pubDate>Thu, 05 Feb 2026 16:42:20 +0800</pubDate><description><![CDATA[云环境准备 -> 工具安装 -> 数据与配置准备 -> 启动训练 -> 效果验证。这个模式可以迁移到几乎任何其他开源模型和自定义数据集上。总结一下核心收获：微调的本质：是让通用大模型在特定知识或任务上“专业化”的高效手段。QLoRA等高效微调技术：极大降低了个人开发者和研究者的尝试门槛。开源工具（LLaMA Factory）和云平台（ModelScope）：是帮助我们快速上手、聚焦创意而非环境的利器。未来展望：尝试你自己的数据：将。]]></description><category></category></item><item><title><![CDATA[模型微调实操解惑：这些核心问题你一定遇到过！]]></title><link>https://blog.youkuaiyun.com/maoku66/article/details/157771074</link><guid>https://blog.youkuaiyun.com/maoku66/article/details/157771074</guid><author>maoku66</author><pubDate>Thu, 05 Feb 2026 16:24:46 +0800</pubDate><description><![CDATA[云环境准备 -> 工具安装 -> 数据与配置准备 -> 启动训练 -> 效果验证。这个模式可以迁移到几乎任何其他开源模型和自定义数据集上。总结一下核心收获：微调的本质：是让通用大模型在特定知识或任务上“专业化”的高效手段。QLoRA等高效微调技术：极大降低了个人开发者和研究者的尝试门槛。开源工具（LLaMA Factory）和云平台（ModelScope）：是帮助我们快速上手、聚焦创意而非环境的利器。未来展望：尝试你自己的数据：将。]]></description><category></category></item><item><title><![CDATA[从关键词到语义：向量数据库如何让AI真正理解你的需求]]></title><link>https://blog.youkuaiyun.com/maoku66/article/details/157738151</link><guid>https://blog.youkuaiyun.com/maoku66/article/details/157738151</guid><author>maoku66</author><pubDate>Wed, 04 Feb 2026 21:58:01 +0800</pubDate><description><![CDATA[向量数据库的本质是将语义理解转化为可规模化计算的数学操作。它填补了传统数据库在非结构化数据处理上的空白，成为连接原始数据与智能应用的桥梁。当前技术趋势多模态融合：单一模型处理文本、图像、音频等多种数据端到端优化：从数据预处理到索引构建再到查询的全流程优化硬件协同设计：针对向量计算特性的专用芯片和加速器智能参数调优：基于数据特征自动选择最优索引参数给初学者的建议从具体应用场景出发，不要过早陷入技术细节优先使用托管服务或轻量级方案进行原型验证重视评估和测试，建立量化的质量评估体系。]]></description><category></category></item><item><title><![CDATA[轻量化微调革命：PEFT技术如何让普通人也能玩转大模型]]></title><link>https://blog.youkuaiyun.com/maoku66/article/details/157738068</link><guid>https://blog.youkuaiyun.com/maoku66/article/details/157738068</guid><author>maoku66</author><pubDate>Wed, 04 Feb 2026 21:53:18 +0800</pubDate><description><![CDATA[想象一下，你请了一位精通多国语言的翻译大师，现在需要他学习某个特定领域的专业术语。传统方法是让他重新学习整个语言体系——这显然低效且不必要。更聪明的做法是只让他学习该领域的专业词汇表和表达习惯，而保持其原有的语言基础不变。冻结预训练模型的大部分参数，只训练少量新增参数。为什么这很重要？经济性：PEFT可以将训练成本降低90%以上，使个人研究者和中小企业也能负担得起大模型微调；灵活性：不同任务可以对应不同的微调模块，轻松切换而无需重新训练整个模型；安全性。]]></description><category></category></item><item><title><![CDATA[ AI算力选择终极指南：如何像配电脑一样，配好你的大模型“发动机”]]></title><link>https://blog.youkuaiyun.com/maoku66/article/details/157365348</link><guid>https://blog.youkuaiyun.com/maoku66/article/details/157365348</guid><author>maoku66</author><pubDate>Wed, 04 Feb 2026 21:35:56 +0800</pubDate><description><![CDATA[博主maoku为你详解AI算力配置：用“计算—存储—网络”铁三角模型，通俗类比GPU显存（油箱）、互联带宽（传动轴）、存储分层（粮仓+传送带）等核心概念；提供四步实战指南——需求诊断、GPU选型、部署模式（云主机/容器/裸金属）、成本优化，并教你看懂利用率、吞吐量与真实成本。助你告别CUDA OOM焦虑，高效构建高性价比大模型环境。]]></description><category></category></item><item><title><![CDATA[从代码到物理世界：具身智能的强化学习实战指南]]></title><link>https://blog.youkuaiyun.com/maoku66/article/details/157433123</link><guid>https://blog.youkuaiyun.com/maoku66/article/details/157433123</guid><author>maoku66</author><pubDate>Tue, 03 Feb 2026 13:47:06 +0800</pubDate><description><![CDATA[具身智能的强化学习之路，是一场从理论算法到物理直觉的深刻融合。PPO是可靠的起点，其稳定性让你能专注于理解RL训练的基本循环和具身智能的独特挑战。SAC是高效的进阶，其最大熵框架和自动调参特性，使其成为解决复杂任务的首选。模仿学习是强大的助推器，能用专家知识显著加速训练进程。领域随机化和课程学习是跨越“仿真-现实”鸿沟的桥梁，它们让算法学会的不是一个特解，而是应对变化的通法。展望未来，具身智能的研究正朝着更通用、更安全、更高效的方向发展。更多基础模型。]]></description><category></category></item><item><title><![CDATA[ 告别“炼丹”时代：用LLaMA Factory，像搭积木一样定制你的专属大模型]]></title><link>https://blog.youkuaiyun.com/maoku66/article/details/157584004</link><guid>https://blog.youkuaiyun.com/maoku66/article/details/157584004</guid><author>maoku66</author><pubDate>Tue, 03 Feb 2026 13:46:51 +0800</pubDate><description><![CDATA[总结一下，LLaMA Factory的核心贡献是“统一”和“降本”统一了碎片化的微调生态，让开发者从一个工具切入，即可操作上百种模型、数十种方法。通过集成最高效的微调技术，将大模型定制从“实验室特权”变为“消费级硬件可玩”。提供开箱即用的可视化界面，大幅降低了学习和使用成本。对于你——无论是想为业务注入AI动力的创业者，还是渴望探索大模型潜力的开发者——LLaMA Factory都是一个绝佳的起点。它让你无需在底层工程上耗费精力，而是可以专注于业务数据的构建和应用场景的设计，这才是创造价值的关键。]]></description><category></category></item><item><title><![CDATA[LLaMA Factory全解析：让大模型“改装”像组装电脑一样简单]]></title><link>https://blog.youkuaiyun.com/maoku66/article/details/157690120</link><guid>https://blog.youkuaiyun.com/maoku66/article/details/157690120</guid><author>maoku66</author><pubDate>Tue, 03 Feb 2026 13:44:50 +0800</pubDate><description><![CDATA[价值一：降低门槛，民主化AI定制从需要专业团队、百万预算，到个人开发者、小团队也能参与让更多领域专家能够直接参与模型优化，而不必是AI专家价值二：提升效率，快速迭代验证传统微调需要数天到数周，现在可以数小时完成支持快速A/B测试，加速产品优化周期价值三：保持灵活，适应多样需求同一基础模型可以衍生出多个专业版本支持增量学习，随着业务发展持续优化首先，从小处着手：不要一开始就想微调70B模型。从7B模型、小数据集开始，验证整个流程。其次，重视数据质量。]]></description><category></category></item><item><title><![CDATA[大模型微调完全指南：从“通用学霸”到“领域专家”的进化之路]]></title><link>https://blog.youkuaiyun.com/maoku66/article/details/157690033</link><guid>https://blog.youkuaiyun.com/maoku66/article/details/157690033</guid><author>maoku66</author><pubDate>Tue, 03 Feb 2026 13:41:02 +0800</pubDate><description><![CDATA[本文是大模型微调的实战指南，详解P-Tuning、LoRA与QLoRA三大轻量化方法原理及应用，覆盖目标定义、数据准备、环境搭建、参数调优、效果评估到部署上线全流程，助你将通用大模型高效定制为懂业务、说行话、可落地的领域专家。（239字）]]></description><category></category></item><item><title><![CDATA[大模型强化学习全解：从PPO、DPO到DeepSeek的GRPO，一文搞懂强化对齐的奥秘]]></title><link>https://blog.youkuaiyun.com/maoku66/article/details/157689909</link><guid>https://blog.youkuaiyun.com/maoku66/article/details/157689909</guid><author>maoku66</author><pubDate>Tue, 03 Feb 2026 13:35:44 +0800</pubDate><description><![CDATA[PPO时代（2020-2022）：开创性工作，证明RLHF有效，但成本极高DPO时代（2023）：降低门槛，让更多研究者能参与，强调数据质量GRPO时代（2024-2025）：针对客观任务优化，平衡效果与成本强化学习不是教“会不会”，而是教“好不好”：SFT让模型学会各种回答方式，RL告诉模型哪种方式更受欢迎。没有银弹，只有权衡PPO：效果最好，成本最高DPO：成本适中，依赖数据质量GRPO：适合客观任务，平衡成本效果数据始终是核心：无论哪种方法，高质量的训练数据都是成功的关键。]]></description><category></category></item><item><title><![CDATA[ 高质量数据集与数字孪生：制造业的“黄金燃料”与“虚拟试炼场”]]></title><link>https://blog.youkuaiyun.com/maoku66/article/details/157647003</link><guid>https://blog.youkuaiyun.com/maoku66/article/details/157647003</guid><author>maoku66</author><pubDate>Mon, 02 Feb 2026 11:36:41 +0800</pubDate><description><![CDATA[通过今天的探讨，我们可以清晰地看到：高质量数据集与数字孪生，正从“前沿概念”快速落地为“产业标配”。它们的结合不是简单的技术叠加，而是创造了一个能够持续自我优化的智能系统——用真实数据喂养虚拟模型，让虚拟模型生成训练场景，用训练出的AI优化现实生产。对中国制造业的意义尤其重大在航空航天、新能源装备等“卡脖子”领域，数字孪生使我们能够在虚拟空间中验证那些现实中风险极高、成本巨大的技术方案。在“东数西算”国家工程背景下，工业数据的集约化处理与跨区域流动，将进一步释放数据要素价值。给不同规模企业的实用建议。]]></description><category></category></item><item><title><![CDATA[一句话搞定AI模型微调：Hugging Face Skills 完全指南]]></title><link>https://blog.youkuaiyun.com/maoku66/article/details/157646566</link><guid>https://blog.youkuaiyun.com/maoku66/article/details/157646566</guid><author>maoku66</author><pubDate>Mon, 02 Feb 2026 11:22:57 +0800</pubDate><description><![CDATA[HuggingFace推出的Skills功能让AI模型微调变得像点菜一样简单。通过自然语言指令，开发者无需专业机器学习知识即可完成模型训练、量化和部署。该功能将复杂流程抽象为三层：自然语言理解层、标准流程层和硬件操作层，支持SFT、DPO、GRPO等多种训练方式。用户只需5分钟安装插件，就能通过对话完成从数据准备到模型部署的全流程。虽然降低了技术门槛，但仍需注意数据质量、成本控制和领域适配等问题。这一创新标志着AI模型定制进入民主化时代，让个人开发者也能轻松打造专属AI助手。]]></description><category></category></item><item><title><![CDATA[PPO算法深度解析：为什么它如此强大又如此“挑食”？]]></title><link>https://blog.youkuaiyun.com/maoku66/article/details/157621008</link><guid>https://blog.youkuaiyun.com/maoku66/article/details/157621008</guid><author>maoku66</author><pubDate>Sun, 01 Feb 2026 23:41:03 +0800</pubDate><description><![CDATA[AI博主maoku深度解析PPO算法：揭秘其“在线策略”本质——为何不能重用数据、为何必须用向量化环境。从On-policy/Off-policy哲学对比，到裁剪机制原理、向量化加速实践，再到完整代码实现与调参指南，助你真正掌握工业界首选强化学习算法。]]></description><category></category></item><item><title><![CDATA[四大开源向量数据库终极对决：如何为你的AI应用装上最强“记忆库”]]></title><link>https://blog.youkuaiyun.com/maoku66/article/details/157620930</link><guid>https://blog.youkuaiyun.com/maoku66/article/details/157620930</guid><author>maoku66</author><pubDate>Sun, 01 Feb 2026 23:32:09 +0800</pubDate><description><![CDATA[AI博主maoku深度解析四大开源向量数据库（Chroma、Milvus、Faiss、Weaviate），从原理到实战，对比上手难度、性能、扩展性与适用场景，助你为RAG/语义搜索精准选型。附代码示例与决策指南！]]></description><category></category></item><item><title><![CDATA[ 从“遥控器”到“智能管家”：手把手教你打造会思考的IoT大模型Agent]]></title><link>https://blog.youkuaiyun.com/maoku66/article/details/157583890</link><guid>https://blog.youkuaiyun.com/maoku66/article/details/157583890</guid><author>maoku66</author><pubDate>Sat, 31 Jan 2026 16:20:17 +0800</pubDate><description><![CDATA[你好，我是maoku，一名喜欢把复杂技术讲明白的AI博主。今天，我们来聊一个超酷的话题：如何让大模型从“聊天高手”变身成为你家里、办公室里那个“有眼力见儿”、会主动办事的智能管家。]]></description><category></category></item><item><title><![CDATA[超越Prompt与RAG：为什么企业级AI客服必须走微调之路？]]></title><link>https://blog.youkuaiyun.com/maoku66/article/details/157549082</link><guid>https://blog.youkuaiyun.com/maoku66/article/details/157549082</guid><author>maoku66</author><pubDate>Sat, 31 Jan 2026 16:14:27 +0800</pubDate><description><![CDATA[**盲测对比**：邀请业务专家或真实客服，对**微调后的模型**、**通用模型+Prompt**、**甚至真人客服**的回复进行混合盲测，从**专业性、流畅度、共情能力、问题解决效率**等维度打分。3.  **引入异常分支**：不仅要有顺利的对话，还要设计“用户中途反悔”、“提供错误信息”、“不符合退货政策”等场景，训练模型的**鲁棒性**和**灵活应对能力**。时刻监控你的数据集，确保它在**业务场景**和**情绪类型**上分布合理，符合真实业务比例，避免“偏科”。**绝不能泄露用户隐私。]]></description><category></category></item><item><title><![CDATA[RAG基石：深入浅出聊透“文本分块”的艺术与科学]]></title><link>https://blog.youkuaiyun.com/maoku66/article/details/157548636</link><guid>https://blog.youkuaiyun.com/maoku66/article/details/157548636</guid><author>maoku66</author><pubDate>Fri, 30 Jan 2026 15:05:14 +0800</pubDate><description><![CDATA[你好，我是maoku！本文深入解析RAG系统中决定成败的关键环节——文本分块。从原理到实践，详解分块如何影响检索精度与生成质量，系统梳理5种主流策略（固定长度、句子级、递归、结构化、语义分块），并提供参数调优、效果评估等实战指南。]]></description><category></category></item></channel></rss>