2021 论文
分享
扫一扫
文章平均质量分 80
本人深圳大学在读博士
研究大模型，数据交易，联邦学习领域
每天帮助你们总结前言论文以及领域相关问题解决办法。
任何问题私信均回复。
介绍各种论文编辑工具，方便硕士生或者博士生的你快速发文章。
优惠券已抵扣
余额抵扣
还需支付
¥199.90
¥299.90
购买须知?
本专栏为图文内容，最终完结不会低于15篇文章。
订阅专栏，享有专栏所有文章阅读权限。
本专栏为虚拟商品，基于网络商品和虚拟商品的性质和特征，专栏一经购买无正当理由不予退款，不支持升级，敬请谅解。
ZhangJiQun&MXP
本人在读博士，研究大模型，数据交易，联邦学习领域
每天帮助你们总结前言论文以及个人遇到问题。
投稿Expert Systems with Applications历时4个月；中科院1区顶刊，本人在科研一线，在文章架构设计，公式编辑，图片美化，语言润色。overleaf编辑方面有一定经验，直接订阅后私信本人可以协助完成投稿返修。https://blog.youkuaiyun.com/qq_38998213/article/details/146232131?sharetype=blogdetail&sharerId=146232131&sharerefer=PC&sharesource=qq_3899821
展开
-
聊天助手代码解释： ROBOT_WX_NAME != ‘‘ and (bool(re.search(f‘@{ROBOT_WX_NAME}\u2005‘；聊天助手代码解释：if content
聊天助手代码解释： ROBOT_WX_NAME != '' and (bool(re.search(f'@{ROBOT_WX_NAME}\u2005'整体功能概述代码逐行解释聊天助手代码解释：if content整体功能概述代码逐行解释总结原创 2025-04-02 17:38:10 · 8 阅读 · 0 评论 -
python 项目怎么通过docker打包
如果你需要将镜像传输到其他机器，可以把镜像保存为一个文件，然后在目标机器上加载它。按照上述步骤，你就能把Python项目通过Docker打包并在其他机器上运行。此文件用于列出项目的所有依赖项。在项目根目录下创建一个。表示将容器的8000端口映射到主机的8000端口。在Python项目的根目录下创建一个名为。是你给镜像起的名字，可按需修改。原创 2025-04-02 17:10:38 · 12 阅读 · 0 评论 -
windows10 家庭版怎么进行rdp，连接远程桌面
企业用户：优先选择升级至专业版，确保合规与稳定性。个人用户短期需求：使用远程协助或第三方工具（如向日葵）。长期需求：通过 RDPWrap 或购买专业版许可证。跨网络访问：结合内网穿透与动态域名解析，或使用第三方工具的穿透功能（如向日葵的“访问者模式”）。安全提示：无论选择哪种方案，均需定期更新系统补丁、启用防火墙，并避免在公共网络直接暴露 RDP 端口。原创 2025-04-01 19:50:14 · 352 阅读 · 0 评论 -
Xvfb和VNC Server是什么
Xvfb（X Virtual Framebuffer）是一个虚拟的 X 服务器，用于在没有物理显示设备（如显示器）的环境中运行图形界面应用程序。它创建一个虚拟的帧缓冲区，使图形程序能在无实际屏幕输出的情况下运行，常用于服务器环境或无需图形用户界面的系统，为图形应用提供运行所需的显示环境，避免因缺少物理显示设备而导致程序无法启动或运行异常。原创 2025-03-31 22:42:54 · 71 阅读 · 0 评论 -
wx = WeChat()； wx.A_MyIcon.Name； wx.AddListenChat(who=user_name, savepic=True)
user_names`是一个包含需要监听的微信用户昵称（或群聊名称）的列表。- `wx.AddListenChat`是`WeChat`类的一个方法，用于添加需要监听的聊天对象。 - `who=user_name`指定了要监听的具体对象，即`user_names`列表中的每个用户或群聊。 - `savepic=True`表示在监听过程中，如果收到的消息包含图片，会将图片保存下来。原创 2025-03-31 10:53:13 · 94 阅读 · 0 评论 -
Excel 使用技巧：excel 合并不同列内容； excel 将公式转化为文本
xcel 使用技巧excel 合并不同列内容="A："&C1&"、B："&D1&"、C："&E1&"、D："&F1excel 将公式转化为文本右键选择行粘贴某一列均填入“提示词”单击拖动双击某一列均填入“1”清除14044以后的1原创 2025-03-30 17:40:19 · 196 阅读 · 0 评论 -
MMLU数据集简介
MMLU（Massive Multitask Language Understanding）是由OpenAI开发的多任务语言理解基准数据集，旨在评估语言模型在跨领域知识推理和复杂任务中的综合能力。其核心设计理念是通过覆盖多学科、多层次的问题，模拟人类在教育、职业等场景中的知识应用，从而衡量模型的通用性和深度理解能力。MMLU作为当前最权威的多任务语言理解基准之一，其价值不仅在于提供标准化的评估工具，更在于推动模型向“通用知识推理”方向发展。原创 2025-03-30 15:51:07 · 77 阅读 · 0 评论 -
豆包（Doubao）和通义千问（Qwen）特殊标记设计与模型架构
豆包（Doubao）和通义千问（Qwen）特殊标记设计与模型架构**一、豆包（Doubao）的特殊标记**1. **多模态标记**2. **任务特定标记**3. **对话标记**4. **知识增强标记****二、通义千问（Qwen）的特殊标记**1. **代码生成标记**2. **多模态标记**3. **长上下文标记**4. **对话标记**原创 2025-03-30 13:12:23 · 44 阅读 · 0 评论 -
Transformer预训练模型（如BERT、GPT）的特殊标记
Transformer预训练模型（如BERT、GPT）的特殊标记**一、基础通用标记**1. **分类标记：`[CLS]`/`<s>`**2. **分隔标记：`[SEP]`/`</s>`**3. **掩码标记：`[MASK]`**4. **填充标记：`[PAD]`**5. **未知标记：`[UNK]`**原创 2025-03-30 13:09:58 · 160 阅读 · 0 评论 -
提示词优化方式 结合 Transformer架构或
提示词优化方式 结合 Transformer架构或1. **位置编码提示**2. **掩码提示（Masked Prompt）**3. **多模态提示**4. **任务特定提示词**5. **动态提示生成**6. **注意力引导提示**7. **分块提示（Chunked Prompt）**总结利用位置编码特性适配多头注意力机制结合预训练权重的知识领域触发权重中的模式匹配控制权重更新方向（针对微调场景）原创 2025-03-30 13:06:01 · 24 阅读 · 0 评论 -
怎样提升大语言模型（LLM）回答准确率
怎样提升大语言模型（LLM）回答准确率激励与规范类知识关联类情感与语境类逆向思维类：为什么不，反面案例群体智慧类明确指令类示例引导类思维引导类约束限制类反馈交互类：对话原创 2025-03-30 12:57:41 · 147 阅读 · 0 评论 -
大语言模型 精心设计提示（Prompt） 提升模型性能:ICL
引导模型更好地理解任务要求，从而在不同任务上实现更优的性能。它允许开发者利用模型的通用能力，通过设计合适的提示来完成特定任务。通过详细的指令、示例和上下文信息。原创 2025-03-30 12:27:47 · 23 阅读 · 0 评论 -
docker pull lss233/one-api:latest 在哪里运行，作用是什么
镜像用途**：此镜像封装了 [One-API](https://one-api.vercel.app/) 服务，支持通过统一接口调用ChatGPT、Claude、DeepSeek等模型，简化多模型API管理原创 2025-03-29 17:15:23 · 144 阅读 · 0 评论 -
Dify 是什么和扣子差不多?
Dify 和扣子 AI（Coze）虽有部分相似的可视化、大模型对接等特性，但在功能深度、适用场景和用户定位上差异明显。若追求简单快速搭建基础 AI 应用，扣子 AI 更易上手；若需开发复杂、功能强大且部署灵活的 AI 应用，Dify 更具优势。原创 2025-03-29 01:00:49 · 23 阅读 · 0 评论 -
docker - compose up - d`命令解释，重复运行会覆盖原有容器吗
重复使用时，会根据服务配置和镜像状态智能处理，确保最终运行的容器符合。的定义，并非简单的“覆盖”，而是更灵活的更新或启动操作。原创 2025-03-28 21:03:00 · 210 阅读 · 0 评论 -
Docker Desktop 界面功能介绍
Containers（容器）用于管理容器，包括查看运行中或已停止的容器，检查容器状态、日志，执行容器内命令，启动、停止、删除容器等操作。Images（镜像）管理本地 Docker 镜像，可查看镜像列表、从 Docker Hub 拉取新镜像、删除镜像，或基于镜像创建容器。Volumes（卷）管理数据卷，实现容器数据的持久化存储，方便在容器删除后仍保留数据，或在多个容器间共享数据。Builds（构建）通过 Dockerfile 构建自定义镜像，查看构建历史和日志，管理构建上下文等。原创 2025-03-28 20:43:48 · 163 阅读 · 0 评论 -
WSL 2是什么: Docker Desktop 默认依赖 WSL 2
Docker Desktop for Windows 自 2020 年起默认使用 WSL 2 作为后端，利用其内核级虚拟化技术实现更高效的容器管理。若需验证 WSL 2 是否与 Docker 正确集成，可通过。通过 WSL 2，Windows 用户可兼得 Linux 的灵活性和 Windows 的生态优势，是开发、运维和跨平台协作的重要工具。它通过内核级虚拟化技术实现了更高效的 Linux 环境支持，是 WSL 1 的升级版。是微软开发的一套技术，允许在 Windows 10/11 操作系统上直接运行。原创 2025-03-28 20:23:54 · 207 阅读 · 0 评论 -
Agent AI综述
知识和逻辑推理智能体包含知识、逻辑、情感推理和神经符号等类型，用于处理知识和推理任务；：提出新的训练范式，利用预训练模型理解文本和视觉输入，支持长期任务规划和记忆编码，还能根据环境反馈训练智能体。比如可以用LLMs和VLMs初始化智能体组件，也可以使用统一的Agent Transformer模型，它在定制任务、理解模型行为和满足数据隐私要求等方面有优势。同时，提出了用于多智能体游戏和视觉语言任务的基准测试和新数据集，如“CuisineWorld”和“VideoAnalytica”，推动该领域的研究发展。原创 2025-03-28 18:29:06 · 70 阅读 · 0 评论 -
多智能体功能分化的核心优势是什么:提升效率，查漏补缺
功能分化通过专业化、模块化和动态协作，使多智能体系统在效率、鲁棒性和适应性上显著优于单体智能体，尤其适用于复杂、动态的现实场景。：单一智能体无需处理全流程，通过专业化分工减少冗余计算和决策延迟。在于通过分工协作提升整体效率、灵活性和鲁棒性。：通过增减智能体或调整分工应对环境动态变化。：模块化设计使功能迭代和错误修复更简单。：独立模块可快速测试新算法或策略。原创 2025-03-28 18:21:23 · 56 阅读 · 0 评论 -
怎么实现 DSL（领域特定语言）与神经符号（Neuro-Symbolic）结合
通过DSL与神经符号的结合，研究可在复杂推理、少样本学习、可解释性AI等方向取得突破，尤其适用于医疗、金融、法律等对准确性和透明性要求高的领域。-如何高效地将连续的神经特征映射到离散的DSL符号（如代码生成中的语法错误）。-生成高质量的DSL标注数据（如自然语言→DSL对）需领域专家参与，成本较高。-结合监督学习（DSL标注数据）与无监督学习（利用预训练模型的通用知识）。-DSL需覆盖任务所需的全部逻辑（如递归、条件嵌套），同时保持语法简洁。-针对具体任务简化DSL语法（如仅包含任务所需的核心操作符）。原创 2025-03-28 17:08:38 · 64 阅读 · 0 评论 -
SFT（监督微调）与 RLHF的本质区别
以下是 SFT（监督微调）与 RLHF（基于人类反馈的强化学习）的本质区别及代码 先试用SFT强制，在使用RLHF符合人类原创 2025-03-28 12:57:20 · 25 阅读 · 0 评论 -
SFT与 RLHF 仅仅是一个用标签数据一个用人类评价吗？
SFT和RLHF的核心区别在于 **“是否强制匹配标签”** 和 **“如何利用人类反馈”**。SFT是基础能力的“校准”，RLHF是高阶偏好的“调校”，两者结合才能让模型既“正确”又“合意”。原创 2025-03-28 12:46:19 · 18 阅读 · 0 评论 -
DQN与PPO在算法层面的核心区别
DQN案例：在围棋AI中，DQN可用于评估棋盘状态的落子价值（如“落子此处的Q值”），但需结合蒙特卡洛搜索树（如AlphaGo）。PPO案例：在波士顿动力机器人的后空翻动作中，PPO通过策略梯度优化，学习电机扭矩的连续控制策略，使机器人完成复杂动作。原创 2025-03-28 12:42:44 · 55 阅读 · 0 评论 -
什么是 MoE、Long Context、RAG、Agent、O1
1. MoE（混合专家模型，Mixture of Experts）定义：一种将多个专用子模型（“专家”）组合成一个系统的架构，每个专家负责处理特定类型的输入或任务，通过门控机制动态选择最相关的专家进行计算。示例：在 Transformer 架构中引入 MoE，每个层包含多个专家模块，输入数据通过路由机制分配给最合适的专家处理，显著提升模型效率和能力。：基于 MoE 的万亿参数模型，通过专家分工处理不同语言任务（如翻译、问答），在保持高性能的同时降低计算成本。原创 2025-03-28 11:33:34 · 35 阅读 · 0 评论 -
什么是 强化学习（RL）：以DQN、PPO等经典模型
DQN（深度 Q 网络）和 PPO（近端策略优化）共同属于强化学习（Reinforcement Learning，RL）这一领域。强化学习是机器学习中的一个重要分支，其核心在于智能体（Agent）通过与环境进行交互，根据环境反馈的奖励信号来学习最优的行为策略，以最大化长期累积奖励在 DQN（深度 Q 网络）里，Q 代表的是**动作价值函数（Action - Value Function）**，其主要功能是衡量在**给定状态下采取特定动作，所能获取的长期累积奖励的期望值**。简单来说，它的作用就是判断 “原创 2025-03-28 11:30:06 · 111 阅读 · 0 评论 -
什么是 继续预训练、SFT（监督微调）和RLHF
典型流程**： 通用预训练模型 → 继续预训练 → SFT → RLHF → 部署应用。例如，GPT-4的训练流程大致为： - 先在海量文本数据中预训练基础模型； - 继续用多模态数据增强训练； - 通过SFT适应对话任务； - 最终通过RLHF优化回答质量和安全性。原创 2025-03-28 10:59:44 · 155 阅读 · 0 评论 -
overleaf 怎么减小算法之间的行间距
overleaf 怎么减小算法之间的行间距原创 2025-03-27 17:28:30 · 30 阅读 · 0 评论 -
overleaf怎么缩小伪代码字体
常用字体大小命令： - `\small`：小五号字（较常用）； - `\footnotesize`：六号字； - `\tiny`：极小字号。根据需求选择对应命令即可调整伪代码字体大小。原创 2025-03-27 16:34:43 · 27 阅读 · 0 评论 -
Overleaf怎么实现强制换行
换行时，行尾不能有空格或其他字符，否则可能产生意外空格或错误。原创 2025-03-27 16:33:28 · 33 阅读 · 0 评论 -
overleaf 怎么实现无序列表
overleaf 怎么实现无序列表 以下是将 `enumerate` 列表换成其他常见列表形式的实现方法：原创 2025-03-27 15:28:11 · 26 阅读 · 0 评论 -
Overleaf中使用IEEE模板处理三级标题是什么
IEEE模板对标题层级和格式有严格要求，过多层级可能不符合期刊规范，建议优先精简内容结构。若涉及中文标题，需选择XeLaTeX编译器并添加。IEEEtran.cls默认支持到二级标题（在Overleaf项目设置中选择。编译器，确保支持中文和复杂格式。若仍无法显示，可尝试添加。原创 2025-03-27 15:26:45 · 28 阅读 · 0 评论 -
爱思唯尔校稿流程，有什么注意事项
爱思唯尔校稿流程，有什么注意事项绿点红点是什么意思Hightlight 85 字符是什么意思BibTeX是什么格式所有图表都需要进行引用修正完先save 在submit原创 2025-03-27 00:31:54 · 115 阅读 · 0 评论 -
LLM动态Shape实现原理与核心技术
LLM动态Shape实现原理与核心技术1. **动态Shape核心原理**2. **实现方法与关键技术**3. **示例：vLLM处理动态长度输入**4. **动态Shape vs 静态Shape对比**5. **性能优化案例**总结`SamplingParams` 是什么常见参数及作用使用示例原创 2025-03-26 21:52:53 · 70 阅读 · 0 评论 -
LLM 加速技术有哪些
LLM 加速技术有哪些量化（Quantization）基本原理举例剪枝（Pruning）基本原理举例动态Shape（Dynamic Shape）基本原理举例算子融合（Operator Fusion）基本原理举例原创 2025-03-26 21:48:44 · 65 阅读 · 0 评论 -
TensorRT怎么实现加速的
再如极视角科技研发的人工智能计算机视觉算法推理平台“极星”，采用NVIDIA TensorRT和NVIDIA T4 GPU后，算法模型推理速度和推理效率较原来提升了近30倍 ，技术兼容、整合和应用效率较原来提升了10倍。在推理时，加载这些序列化后的文件速度更快，并且部署时更加轻量级，减少了模型加载和初始化的时间开销，从而实现快速推理。并且充分利用NVIDIA硬件的特性，例如。以常见的图像分类模型（如ResNet）为例，在使用TensorRT优化前，模型以FP32精度在NVIDIA GPU上进行推理。原创 2025-03-26 21:38:43 · 51 阅读 · 0 评论 -
SELF-RAG框架中各反射令牌的打分机制及实现方式的详细说明
通过**批评模型（critic model）**评估生成内容与输入的匹配度。该模型基于GPT-4生成的训练数据（包含5-1分标注）进行监督学习，最终通过微调后的LLM预测实用性分数。由动态检索模块基于输入和生成历史预测令牌。该决策通过训练后的LLM自主判断，结合任务类型（如知识密集型任务触发检索）。通过批评模型逐句分析生成内容与检索文档的一致性。模型基于GPT-4标注的数据训练，通过LLM预测支持度标签。由批评模型评估文档与输入的相关性。该模型通过GPT-4生成的训练数据学习相关性判断逻辑，最终由LLM预测原创 2025-03-25 11:12:20 · 29 阅读 · 0 评论 -
SELF-RAG核心原理
SELF-RAG（Self-Reflective Retrieval-Augmented Generation）原创 2025-03-25 00:20:47 · 134 阅读 · 0 评论 -
overleaf中会议参考文献使用什么标签:inproceedings
会议论文在LaTeX文献条目中应使用inproceedings。若有会议举办地点、页码等信息，可补充。原创 2025-03-24 22:44:54 · 85 阅读 · 0 评论 -
Order Offprints 是必须的吗 Order Offprints 是必须的吗？
Order Offprints 是必须的吗？SCI英文论文Accepted后的第一步目录Order Offprints 是必须的吗？SCI英文论文Accepted后的第一步原创 2025-03-24 22:02:27 · 196 阅读 · 0 评论 -
SCI英文论文Accepted后的第一步——Rights and Access
SCI英文论文Accepted后的第一步——Rights and AccessBased on information provided the embargo period/end date is 24 months. 因为选择闭源**Rights and Access（版权与访问权限）**环节是关键第一步，具体操作流程如下：1. **登录系统，定位任务**2. **选择出版模式**3. **签署出版协议**4. **核对OA细节（若选OA）**5. **提交确认**原创 2025-03-24 21:57:29 · 941 阅读 · 0 评论