MnivL的博客

本文聚焦人工智能领域顶级会议 AAAI 2025，该会议于 2 月 25 日 - 3 月 4 日在美国费城举行，录用率 23.4%。会议公布的杰出论文奖成果显著。南京大学周志华团队等三篇论文获奖，还有一篇获 “AI 对社会影响特别奖”。获奖论文涵盖多智能体优化、神经符号推理等前沿方向，如周志华团队提出溯因反思框架解决神经符号推理冲突，多伦多大学优化算法降低多智能体匹配失真度等。这些研究不仅实现理论突破，还在医疗、资源分配等多领域有重要应用，为智能技术 “向善” 发展注入新动力，再次印证 AI 在学术与产业的

本文聚焦于自然语言处理领域长序列建模的难题，介绍一种名为 NSA（Natively trainable Sparse Attention）的硬件对齐且原生可训练的稀疏注意力机制。阐述了其核心贡献、技术突破点及现实影响，包括首次实现硬件对齐的稀疏注意力机制，在长序列处理上显著提升效率等。详细说明了其方法原理、整体框架、算法设计、内核设计，通过实验对比评估其性能，分析效率，并探讨了相关工作、替代策略的挑战、可视化结果等，最后总结了 NSA 在长上下文建模中的优势和前景。文中还提供了论文地址、代码仓库及领域专家

本文聚焦于 DeepSeek R1 的发布，介绍了其在行业中的震撼影响。作者尝试使用组相对策略优化（GRPO）和倒计时游戏重现 DeepSeek R1 的 “顿悟时刻”。文中详细阐述了开发环境设置、训练样本生成、使用 GRPO 训练模型（包括奖励函数的定义和训练参数设置）、分布式训练示例、训练结果观察等内容。

想掌握 DeepSeek R1 大模型的使用技巧吗？这篇文章帮你搞定。文中会为你提供超详细的本地部署教程，哪怕是技术小白也能轻松上手。此外，还分享了丰富的新手和高级使用技巧，无论是日常使用还是深度挖掘模型潜力，都能让你收获满满，快速成为 DeepSeek R1 使用高手。

本文围绕推理大语言模型中的佼佼者 DeepSeek - R1 展开深度剖析。开篇阐述推理模型定义与应用场景，明确其在复杂任务中的优势。接着详细介绍 DeepSeek - R1 的训练流程，包括 R1 - Zero、R1 和 R1 - Distill 三种变体的训练差异。深入解读构建和改进推理模型的四种方法，对比分析其特性。同时探讨 DeepSeek - R1 与 o1 的性能差异、训练成本，并分享小成本训练推理模型的策略