第二支羽毛|吹灭读书灯，一身都是月

2W6000字大模型核心技术综述：微调、推理与优化指南

本文2W6000字，10篇参考文献，内容涵盖了语言建模、预训练面临的挑战、量化技术、分布式训练方法，以及大语言模型的微调。此外，还讨论了参数高效微调（PEFT）技术，包括适配器、LoRA和QLoRA；介绍了提示策略、模型压缩方法（如剪枝和量化），以及各种量化技术（GPTQ、NF4、GGML）。最后，

LLM架构

一文读懂大语言模型评估：方法、指标与框架全解析

大模型评估全解析：方法、指标与框架 🕙发布时间：2025-02-24 本文3W4000字，分了8个小节介绍大模型评估方法，后续会把最新的方法更新进来~，有些内容是翻译自HuggingFace和一些论文，更多LLM架构文章：

LLM架构

2W8000字揭秘RAG：从基础到高级的逆袭，彻底重塑大模型！

2W8000字揭秘RAG：从基础到高级的逆袭，彻底重塑大模型！ 🕙发布时间：2025-02-24 本文2W8000字，配图58张，分了11个小节介绍RAG技术，后续会把最新的方法更新进来~，有些内容是翻译自HuggingFace和一些论文，更多LLM架构文章：

RAG

3W6000字了解大模型LLM：部署、优化与框架

3W6000字了解大模型LLM：部署、优化与框架 🕙发布时间：2025-02-20 本文3W6000字，分了11个小结介绍各种框架和方法，后续会把最新的方法更新进来~，有些内容是翻译自HuggingFace和一些论文近日热文： 1. 全网最全的神经网络数学原理（代码和公式）直观解释 2. 大模型

LLM架构

强化学习详解第五部分：神经网络驱动的深度强化学习基础

在之前的文章中，我们探讨了强化学习如何让智能体通过与环境的交互学习来做出决策。我们介绍了价值函数、策略学习以及函数逼近技术，这些技术有助于将强化学习应用于更复杂的问题。现在，我们准备探讨该领域中可能最为重大的进展：深度强化学习。深度强化学习将神经网络与强化学习算法相结合，用于解决以往难以攻克的问题

强化学习

VLLM 与 Ollama：如何选择合适的轻量级 LLM 框架？

VLLM 与 Ollama：如何选择合适的轻量级 LLM 框架？ VLLM是一款经过优化的推理引擎，在令牌生成速度和内存管理效率上表现出色，是大规模AI应用的理想之选。Ollama则是一个轻量级、易上手的框架，让在本地电脑上运行开源大语言模型变得更加简单。那么，这两个框架该选哪一个呢？接下来，我们

LLM架构

探索ModernBERT：传统BERT模型的重大升级

探索ModernBERT：传统BERT模型的重大升级这次我们聚焦于ModernBERT，看看它是如何强化上下文嵌入的应用。我们还会讲讲如何生成用于微调的数据集，并展示怎样对ModernBERT进行微调，从而在自然语言处理（NLP）任务中取得更强大的效果。嵌入在机器学习和NLP中的重要性嵌入是机

基础模型

一文读懂自动编码器：类型、原理与应用

一文读懂自动编码器：类型、原理与应用近日热文：全网最全的神经网络数学原理（代码和公式）直观解释欢迎关注知乎和公众号的专栏内容 LLM架构专栏知乎LLM专栏

理论基础

缓存增强生成（CAG）对比检索增强生成（RAG）：谁才是大语言模型的最优解？

缓存增强生成（CAG）对比检索增强生成（RAG）：谁才是大语言模型的最优解？ 1. 前期准备：RAG与KV-Cache（CAG） RAG 是什么 RAG是一种检索增强生成方法，它利用检索器查找相关文档，然后将这些文档传递给大语言模型，以生成最终答案。优势处理大型或频繁更新的数据集时，无需一次性加

RAG

ReaderLM v2：前沿小型语言模型，实现HTML到Markdown和JSON的转换

ReaderLM v2：前沿小型语言模型，实现HTML到Markdown和JSON的转换 ReaderLM的第二代是一款拥有15亿参数的语言模型，它能将原始HTML转换为格式精美的Markdown或JSON，准确率极高，并且在处理更长文本上下文方面表现更佳。ReaderLM-v2的输入和输出总长度支

基础模型