<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[sellyogurt的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/sellyogurt</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; sellyogurt]]></copyright><item><title><![CDATA[ai-anime-production-kb 面向 AI 智能体的影视化生产知识库 —— 从提示词工程到剪辑合成的全流程实战沉淀，共 14 大类 483 条目 + 16 个技法库（约 1400 条技法]]></title><link>https://blog.youkuaiyun.com/sellyogurt/article/details/169070412</link><guid>https://blog.youkuaiyun.com/sellyogurt/article/details/169070412</guid><author>sellyogurt</author><pubDate>Sun, 25 Oct 2026 23:08:47 +0800</pubDate><description><![CDATA[本库为AI智能体提供可复用的影视化生产知识，覆盖从创意到成片全流程，适用于动漫、短片、广告等多类型视频生成。基于主流模型实测，涵盖提示词设计、角色一致性、镜头语言、动作戏编排、分镜连贯性及剪辑规范，条目化组织，支持智能体高效检索与调用，助力高质量内容生成。]]></description><category></category></item><item><title><![CDATA[Jev 聊天助手全仓（Android / Kotlin、Windows / Python、tools/ 校准脚手架）服务链路安全审计报告]]></title><link>https://blog.youkuaiyun.com/sellyogurt/article/details/166495684</link><guid>https://blog.youkuaiyun.com/sellyogurt/article/details/166495684</guid><author>sellyogurt</author><pubDate>Thu, 24 Sep 2026 01:42:01 +0800</pubDate><description><![CDATA[摘要（148字）： 对Jev聊天助手全链路安全审计显示，其在读取微信/QQ/飞书内容后，未经用户知情同意即默认将聊天原文（含个人信息）出境至OpenRouter、TypeSafe等境外AI服务，存在严重数据泄露风险。共发现1项阻断级漏洞（如密钥明文存储、无障碍服务伪装）、4项高危及6项中低危问题，涵盖权限滥用、通信无证书固定、输出未清洗、构建不可复现等。当前版本不符合安全合规要求，禁止对外分发或商用。]]></description><category></category></item><item><title><![CDATA[Jev 聊天助手-当你的情话必须过境荒坂服务器]]></title><link>https://blog.youkuaiyun.com/sellyogurt/article/details/166495593</link><guid>https://blog.youkuaiyun.com/sellyogurt/article/details/166495593</guid><author>sellyogurt</author><pubDate>Thu, 24 Sep 2026 01:40:57 +0800</pubDate><description><![CDATA[jev的开源代码审计]]></description><category></category></item><item><title><![CDATA[下一代LLM架构的五个可证伪预测与可复现测量协议：在三篇立场论文提交中闭合科学方法循环]]></title><link>https://blog.youkuaiyun.com/sellyogurt/article/details/163981928</link><guid>https://blog.youkuaiyun.com/sellyogurt/article/details/163981928</guid><author>sellyogurt</author><pubDate>Sat, 22 Aug 2026 22:58:31 +0800</pubDate><description><![CDATA[摘要： 本文作为三篇系列论文的第三部分，提出了五个可证伪的预测（涵盖六个设计原则）和七种可复现的测量协议，为下一代大语言模型（LLM）架构建立了完整的科学验证闭环。预测包括任务层与API协同出现（P1+P5）、熵限制默认值范围（P4）、结构化槽分离（P2）、模式切换差异（P6）和MoE路由分布相关性（P1），均附带自动化验证脚本和布尔验证三元组。测量协议详细量化了格式复杂度、输入熵、对齐系数等七个指标，并提供了双盲标注流程（1,600样本）和统计验证方法（R²=0.87）。通过结合首篇的结构矛盾分析和次篇的]]></description><category></category></item><item><title><![CDATA[下一代大语言模型架构的形式化推演：基于注意力衰减下限与约束承载二分的六大设计原则]]></title><link>https://blog.youkuaiyun.com/sellyogurt/article/details/163954084</link><guid>https://blog.youkuaiyun.com/sellyogurt/article/details/163954084</guid><author>sellyogurt</author><pubDate>Fri, 21 Aug 2026 19:44:14 +0800</pubDate><description><![CDATA[摘要 本文揭示了当前大语言模型（LLM）规则承载机制必然失效的三大结构性矛盾，基于工程假设与Transformer行为机制的形式化分析。研究发现：(1) 注意力衰减不可避免（EP-1），可信推理步数随代理交接次数呈指数衰减；(2) Transformer存在注意力U型分布（M1）、无任务完成概念（M2）和缺乏全局理解（M3）等固有行为缺陷；(3) 任务需求与模型能力存在动态适配矛盾（EP-2），不同任务层级需差异化参数配置但难以实现。这些矛盾导致LLM在复杂任务中表现不稳定，现有机制难以突破性能瓶颈。研究通]]></description><category></category></item><item><title><![CDATA[下一代AI助手，不该更聪明，而该更“听话“]]></title><link>https://blog.youkuaiyun.com/sellyogurt/article/details/163928107</link><guid>https://blog.youkuaiyun.com/sellyogurt/article/details/163928107</guid><author>sellyogurt</author><pubDate>Fri, 21 Aug 2026 00:16:26 +0800</pubDate><description><![CDATA[下一代AI助手的发展方向：从"更聪明"转向"更听话" 当前AI助手的核心问题不是智能不足，而是规则执行不力，表现为三大痛点：1）前文规则后文忘；2）规则越多表现越差；3）硬规则不守而软规则死守。现有解决方案陷入"用更多规则解决规则失效"的死循环。 突破方向在于将规则执行机制重构： 规则分类处理：可程序化执行的硬规则由系统底层实现，不再占用AI注意力资源 模块化知识管理：建立分门别类的"外置抽屉"存储系统，避免信息混杂 专业化分工：不同类型任务由专门优化的子模型处理，避免"全才型"模型的性能折中 这种架构转变]]></description><category></category></item><item><title><![CDATA[（震惊Seed2.1偷偷暗更）NCB叙事控制实测：全网唯一测出Seed2.1暗更级叙事架构升级]]></title><link>https://blog.youkuaiyun.com/sellyogurt/article/details/163645629</link><guid>https://blog.youkuaiyun.com/sellyogurt/article/details/163645629</guid><author>sellyogurt</author><pubDate>Mon, 10 Aug 2026 21:48:00 +0800</pubDate><description><![CDATA[目前行业主流评测（MMLU、SWE-bench、Arena）全部集中在知识、代码、对话偏好维度，完全缺失一个核心赛道：长文结构化可控叙事能力。标签：#大模型评测 #NCB叙事控制 #AI架构升级 #Seed2.1深度实测 #长文本AI天花板。（震惊Seed2.1偷偷暗更）NCB叙事控制实测：全网唯一测出Seed2.1暗更级叙事架构升级。通俗来说：所有模型都能“写得好看”，但几乎没有模型能“按规格书精准生成”。一、前言：为什么传统AI评测测不出「真正的模型天花板」]]></description><category></category></item><item><title><![CDATA[叙事控制力基准（NCB）：度量约束式长文生成中的架构性缺失]]></title><link>https://blog.youkuaiyun.com/sellyogurt/article/details/163641573</link><guid>https://blog.youkuaiyun.com/sellyogurt/article/details/163641573</guid><author>sellyogurt</author><pubDate>Mon, 10 Aug 2026 16:59:02 +0800</pubDate><description><![CDATA[摘要：叙事控制力基准（NCB）填补了现有大语言模型评估体系的空白，提出衡量模型在3000+token长文生成中执行结构化规格书能力的八个子任务。通过理论分析，研究发现当前模型加权综合得分仅38-46/100（及格线70），并识别出三项无法通过规模扩展解决的架构性缺失：实时自监控回路缺失、数值→采样参数总线缺失、条件触发负向抑制缺失。NCB揭示了自然语言约束编码的低效性（指令/输出token比达2.7:1），指出用户编写的规格书提示仅构成语义级自认知层，无法穿透至计算执行层。该基准定位为下一代通用模型必须跨越]]></description><category></category></item><item><title><![CDATA[叙事控制力基准测试（NCB）：当所有模型都卡在同一个地方，问题就不在模型]]></title><link>https://blog.youkuaiyun.com/sellyogurt/article/details/163640909</link><guid>https://blog.youkuaiyun.com/sellyogurt/article/details/163640909</guid><author>sellyogurt</author><pubDate>Mon, 10 Aug 2026 16:43:01 +0800</pubDate><description><![CDATA[《叙事控制力基准测试（NCB）：揭示大模型的长文本生成天花板》摘要 本文提出了一种全新的基准测试框架NCB，旨在评估大语言模型在长文本叙事中的结构化控制能力。通过8个子任务（包括视角锁定、情绪文体映射、认知滤镜一致性等），NCB暴露出当前Transformer架构在长文本生成中的三个根本性缺陷：缺乏数值参数到采样层的硬连线、无实时自监控机制、条件触发缺少负向抑制能力。理论推演显示，即使先进模型如Qwen3.8-Max在多数子任务得分低于50分（满分100），加权总分仅38-46分。该基准的核心价值在于将模糊]]></description><category></category></item><item><title><![CDATA[从指令遵从到认知编程：提示词工程的范式跃迁]]></title><link>https://blog.youkuaiyun.com/sellyogurt/article/details/163609207</link><guid>https://blog.youkuaiyun.com/sellyogurt/article/details/163609207</guid><author>sellyogurt</author><pubDate>Sun, 09 Aug 2026 11:57:41 +0800</pubDate><description><![CDATA[摘要： 本文通过分析“叙事编译器”提示词系统，提出提示词工程正从“指令优化”向“认知编程”范式跃迁。该系统通过领域专用语言、分层记忆架构、动态约束生成器等组件，将大语言模型视为可编程的认知系统，实现生成行为的精准控制。案例显示，认知编程通过显式规则和系统化设计，解决了复杂任务（如长文本一致性）的可控性问题，推动提示词工程从“手工艺”升级为“系统工程”。尽管存在执行瓶颈与迁移性挑战，这种范式为通用AI的可控生成提供了新路径，标志着提示词技术向认知科学的质变。 关键词： 提示词工程、认知编程、大语言模型、可控生]]></description><category></category></item><item><title><![CDATA[#从底层架构层面把指令对任务注意力的“挤占效应“消除掉**（ 架构诊断与底层改造方案）]]></title><link>https://blog.youkuaiyun.com/sellyogurt/article/details/163588214</link><guid>https://blog.youkuaiyun.com/sellyogurt/article/details/163588214</guid><author>sellyogurt</author><pubDate>Sat, 08 Aug 2026 12:13:27 +0800</pubDate><description><![CDATA[—把 H≡A 定理与 L5 衰减定律翻译成模型工程师能直接动手的改造指南2026-08-08本文假设你是熟悉 Transformer / PyTorch 的模型工程师，。所有理论公式都会先用一句话翻译成工程语义，再展开改造方案。每个方案都附可运行的代码骨架、落地步骤和量化预期。]]></description><category></category></item><item><title><![CDATA[H ≡ A 定理 v1.1 修正公式模拟]]></title><link>https://blog.youkuaiyun.com/sellyogurt/article/details/163572765</link><guid>https://blog.youkuaiyun.com/sellyogurt/article/details/163572765</guid><author>sellyogurt</author><pubDate>Fri, 07 Aug 2026 21:46:05 +0800</pubDate><description><![CDATA[本文基于H ≡ A定理v1.1修正公式，通过数值模拟展示了不同约束条件下的输出变化。修正公式为H = g(A) + H_align + ε_RAG + ε_CoT，重点分析了三项P0修正的物理含义：条件双射函数、阶跃方向经验化及适用域缩小。研究设定了合理的物理参数范围，通过三种场景模拟约束强度对幻觉率的影响：当约束有效时，幻觉率随约束强度增加而下降；超过临界点后，依据H_mm与受约束幻觉率的比较，可能出现向上、向下阶跃或阶跃消失的情况。结果表明，定理14的强约束加速幻觉效应仅在特定条件下成立。该模拟为理解大]]></description><category></category></item><item><title><![CDATA[H ≡ A 定理：幻觉作为注意力衰减可观测表征的数学论证与边界分析]]></title><link>https://blog.youkuaiyun.com/sellyogurt/article/details/163451667</link><guid>https://blog.youkuaiyun.com/sellyogurt/article/details/163451667</guid><author>sellyogurt</author><pubDate>Mon, 03 Aug 2026 22:35:20 +0800</pubDate><description><![CDATA[摘要 本文基于L5注意力衰减定律和CLAT跨层适配理论，提出并证明了H≡A定理，揭示了大语言模型中的幻觉现象（Hallucination）本质上是注意力衰减（Attention Decay）在输出层的可观测表征。通过建立由四条公理构成的公理系统，文章推导出17个核心定理和14项边界数学论证，证明了幻觉与注意力衰减之间存在严格的单调递减双射关系。 核心数学表达式为：H(x) = g(A(x)) + H_align(I_C) + ε_RAG(x) + ε_CoT(x)，其中g是严格单调递减双射函数，代表了原始的]]></description><category></category></item><item><title><![CDATA[# L5 定律跨架构验证实验方案]]></title><link>https://blog.youkuaiyun.com/sellyogurt/article/details/163450338</link><guid>https://blog.youkuaiyun.com/sellyogurt/article/details/163450338</guid><author>sellyogurt</author><pubDate>Mon, 03 Aug 2026 20:37:10 +0800</pubDate><description><![CDATA[L5 衰减不可消除定律的核心数学形式 S_c = S·e^(-λC)·(1-βH) 是从 Transformer 自注意力架构推导出的。该定律的"普遍定律"地位依赖于一个未经验证的前提：衰减是注意力机制的固有属性，而非 Transformer 特定实现的偶然现象。本方案设计在 Mamba（状态空间模型）、RWKV（线性 RNN）两类非 Transformer 架构上的对照实验，通过三套架构特异性衰减测量法 + 一套通用黑盒探测法的交叉验证，判定 L5 是否具有跨架构普适性。]]></description><category></category></item><item><title><![CDATA[# L5 衰减不可消除定律的可证伪性测试方案（谁做一下，给个反馈）]]></title><link>https://blog.youkuaiyun.com/sellyogurt/article/details/163450323</link><guid>https://blog.youkuaiyun.com/sellyogurt/article/details/163450323</guid><author>sellyogurt</author><pubDate>Mon, 03 Aug 2026 20:36:18 +0800</pubDate><description><![CDATA[实验]]></description><category></category></item><item><title><![CDATA[#大语言模型中的流程层肌肉记忆]]></title><link>https://blog.youkuaiyun.com/sellyogurt/article/details/163428854</link><guid>https://blog.youkuaiyun.com/sellyogurt/article/details/163428854</guid><author>sellyogurt</author><pubDate>Mon, 03 Aug 2026 08:21:58 +0800</pubDate><description><![CDATA[摘要：本文探讨了大语言模型（LLM）在多阶段生成任务中出现的"流程层肌肉记忆"（PMM）现象，即模型为对抗注意力衰减而主动省略不被检测的中间结构化产物。研究表明，这一结构性行为源于LLM的注意力经济与RLHF训练目标，无法通过认知层干预解决。为此，作者提出"结构补盲区"（SBSC）治理框架，包含五层联动方案（训练/评测/架构/应用/提示层）和六项具体措施（如内容密度校验、物理隔离硬阻断等）。分析揭示SBSC存在三个内在边界：二阶Goodhart陷阱、注意力分配悖论和物理分离失效模式，并证明物理分离是必要非充]]></description><category></category></item><item><title><![CDATA[DeepSeek架构族研究：从MLA到百万上下文的技术谱系与理论分析]]></title><link>https://blog.youkuaiyun.com/sellyogurt/article/details/163343964</link><guid>https://blog.youkuaiyun.com/sellyogurt/article/details/163343964</guid><author>sellyogurt</author><pubDate>Thu, 30 Jul 2026 20:58:22 +0800</pubDate><description><![CDATA[DeepSeek架构族技术演进与影响分析 摘要：本文系统梳理了DeepSeek大模型架构从V1到V4（2024-2026）的技术演进，聚焦其三大核心创新：DeepSeekMoE稀疏专家系统、MLA低秩注意力压缩和DSA/CSA稀疏注意力机制。研究表明，这些架构创新显著降低了训练成本（激活参数仅3-7%总参量）和推理显存需求（KV缓存压缩最高98%），使模型支持百万级上下文。分析显示，DeepSeek架构已成为国产大模型（如Kimi K3、智谱GLM-5.2）的事实标准，其"双稀疏一低秩"设计哲学通过开源生态]]></description><category></category></item><item><title><![CDATA[L5衰减假说模型实证验证实验设计方案（实验做不起。邀请能做的做一下）]]></title><link>https://blog.youkuaiyun.com/sellyogurt/article/details/163333091</link><guid>https://blog.youkuaiyun.com/sellyogurt/article/details/163333091</guid><author>sellyogurt</author><pubDate>Thu, 30 Jul 2026 13:09:12 +0800</pubDate><description><![CDATA[本文提出L5衰减假说模型的实证验证方案，通过RCGV组合形式消融实验等四类核心实验进行验证。实验设计部分详细说明了： 五种假设模型对比（乘法/加法/瓶颈/混合/幂次模型） 数据集构建方案（1400组跨模态任务样本） 人工可信度标注流程（多评委Likert量表评分） 实验四阶段流程（数据收集→模型拟合→比较→验证） 判定标准与代码框架（R²≥0.85且p<0.05支持原假设） 该方案通过系统消融实验验证RCGV可信度公式的最优组合形式，为L5衰减理论提供严格实证依据。]]></description><category></category></item><item><title><![CDATA[RCGV框架与L5衰减假说实证验证——完整实验报告，邀请有能力的继续实验]]></title><link>https://blog.youkuaiyun.com/sellyogurt/article/details/163333066</link><guid>https://blog.youkuaiyun.com/sellyogurt/article/details/163333066</guid><author>sellyogurt</author><pubDate>Thu, 30 Jul 2026 13:08:03 +0800</pubDate><description><![CDATA[实验推论]]></description><category></category></item><item><title><![CDATA[PDSI-4_工业软件实战]]></title><link>https://blog.youkuaiyun.com/sellyogurt/article/details/163313977</link><guid>https://blog.youkuaiyun.com/sellyogurt/article/details/163313977</guid><author>sellyogurt</author><pubDate>Wed, 29 Jul 2026 22:19:20 +0800</pubDate><description><![CDATA[PDSI不要求用户读代码——五层现象描述法让非技术用户也能精准定位问题范围。语义隔离是核心武器——通过提示词在语义层面划定边界，防止AI乱改无关代码。数据验证了方法论的可行性——在一个真实的工业软件项目中，幻觉率从35%降到0%。附：PDSI实战检查清单□ 出现问题后，先用五层描述法精确描述现象□ 开一个全新对话（清除上下文污染）□ 用语义隔离提示词约束AI的修改范围□ 让AI先推测原因，确认后再修改□ 每次只修改一个文件/一个功能□ 改完立即测试，对照用例清单验证。]]></description><category></category></item></channel></rss>