LLM Weekly（2025.12.8-12.14）

最新推荐文章于 2026-06-15 19:48:27 发布
原创 最新推荐文章于 2026-06-15 19:48:27 发布 · 359 阅读 · 0
文章标签：

#语言模型 #自然语言处理 #人工智能

在这里插入图片描述

😎 网络资讯

OpenAI发布GPT-5.2。OpenAI推出了GPT-5.2，这是一款面向专业工作的前沿模型，在知识工作、代码编写、长上下文推理、视觉处理以及工具使用方面的表现均优于GPT-5.1。GPT-5.2 Thinking在70.9%的GDPval任务中表现优于或与行业专家相当，在SWE-Bench Pro上达到了55.6%的完成度，在256k-token的MRCRv2任务上准确率接近100%，同时减少了视觉错误和幻觉问题。

《时代》周刊将“人工智能架构师”评为年度人物。《时代》周刊将“人工智能架构师”评为2025年度人物，表彰了詹森·黄（Jensen Huang）、埃隆·马斯克（Elon Musk）、萨姆·奥尔特曼（Sam Altman）、马克·扎克伯格（Mark Zuckerberg）、苏姿丰（Lisa Su）、达里奥·阿莫代伊（Dario Amodei）、德米斯·哈萨比斯（Demis Hassabis）和李飞飞（Fei-Fei Li）等美国人工智能领域领袖。这些首席执行官推动了人工智能的快速部署竞赛，重塑了政府政策与地缘政治，并将人工智能视为自核武器以来影响最为深远的工具。

谷歌DeepMind将在英国开设机器人人工智能实验室，用于发现新材料。谷歌DeepMind将于明年在英国开设其首个自动化实验室，利用机器人技术和人工智能发现可用于电池、半导体、医学成像、太

了解本专栏 订阅专栏 解锁全文 超级会员免费看
LLM Weekly（2025.02.03-02.09）
c_cpp_csharp的专栏
02-16 655
本次主要是针对2.3-2.9之间的LLM 论文和相关新闻进行摘要总结。
LLM Weekly（2025.10.6-10.12）
c_cpp_csharp的专栏
10-15 700
OpenAI 在 ChatGPT 平台内推出新一代支持聊天功能的应用程序，目前已在欧盟与英国以外地区上线。该功能由基于模型上下文协议（Model Context Protocol）构建的全新应用程序软件开发工具包（Apps SDK）提供技术支持。OpenAI 与 Spotify、Zillow 等合作伙伴展开合作，助力开发者触达 8 亿用户，通过对话式界面提升交互体验。
LLM Weekly（2025.03.17-03.23）
c_cpp_csharp的专栏
03-28 449
原文地址：https://medium.com/nlplanet/claude-can-now-search-the-web-weekly-ai-newsletter-march-24th-2025-8bd25852f676
LLM Weekly（2025.12.29-2026.1.4）
c_cpp_csharp的专栏
01-08 152
深度求索提出全新训练方法，助力中国人工智能能效提升 深度求索发布一篇关于流形约束超连接（Manifold-Constrained Hyper-Connections） 的论文，该训练框架可提升大型人工智能模型的可扩展性，同时降低算力与能耗需求。研究团队基于字节跳动2024年的技术成果，对参数量从30亿到270亿不等的模型展开测试。此项研究先于深度求索备受期待的R2模型问世，分析人士指出，即便面临美国的芯片限制，该模型仍有望再度颠覆全球人工智能领域格局。谷歌在NotebookLM平台测试30分钟音频课程功能
使用大语言模型处理用户需求
技术日常
06-13 193
例如，在汽车设计场景中，通过强调“需求中功能组件及其交互关系”并要求生成C&C模型代码，DeepSeek-R1就能够生成符合C&C模型规范的代码。相比之下，尽管ChatGPT-4o同样具备生成C&C代码的能力，但在实际测试中其输出稳定性较差，经常出现代码格式错误或语义不一致问题，导致无法直接用于后续流程。鉴于本文需借助大语言模型生成PFCC模型代码，而DeepSeek-R1的能力特性与这一核心需求高度匹配，因此，本文拟采用DeepSeek-R1作为衔接用户需求与产品功能拓扑的生成模型。
大语言模型（理论篇）
fyr1996的博客
06-09 605
本文介绍了大模型处理文本的核心机制：首先通过Token化将自然语言转换为数字表示，Token作为基本单位直接影响模型的计算成本、响应速度和上下文长度限制。文章阐述了Token的特点（非字词对应性、跨模型差异性）及其业务影响（计费规则、性能表现），并解析了Transformer架构的工作原理——通过向量化、位置编码和注意力机制实现上下文理解，使其能动态关联文本不同位置信息，从而优于传统序列模型。最后指出长文本场景下Token累积导致的成本上升问题及优化建议。
(一) 1. 大语言模型的基本概念
weixin_40614311的博客
06-12 35
ChatGPT 的震动远不只是因为“机器会聊天”．一个更深的问题值得问——为什么是“语言”这件事先打开了通用智能的大门，而不是图像、不是语音、不是机器人？回答这个问题，要从语言、认识与世界的关系说起．下面这几段不是要说语言就是智能的全部，而是先解释一个更具体的问题：为什么文字这种数据，特别容易成为大模型率先突破的入口．语言是思维的物质外壳（苏联心理学家维果茨基）．我们用语言不只是为了交流，也是在用它进行思考：在脑子里默念一句话来组织想法，把混乱的感受写下来才看清问题；
基于机器学习的中文文本抑郁症风险检测系统，包括NLP与传统机器学习的抑郁症识别，准确率92%
weixin_49081159的博客
06-15 391
抑郁症作为一种常见的精神障碍，严重影响着全球数亿人的身心健康和社会功能。传统的抑郁症诊断主要依赖临床访谈和量表评估，存在主观性强、效率低等问题。本文设计并实现了一个基于机器学习的中文文本抑郁症风险检测系统，该系统通过对心理咨询文本的多维特征提取与融合，结合多种机器学习算法，实现对正常、疑似、明确三种风险等级的自动分类。系统采用Flask框架构建Web应用，集成了用户管理、单条预测、批量分析、数据可视化及管理员后台等完整功能。在特征工程方面，系统实现了包括情感词频、LIWC心理语言学特征、词性分布、句子结构等
Google开源DiffusionGemma：26B MoE扩散语言模型，放弃自回归实现4倍推理加速
xlb8888888的博客
06-11 800
2026年6月11日，Google正式发布实验性开源模型DiffusionGemma，以Apache 2.0许可证开放。这是一款基于文本扩散（Text Diffusion）机制构建的大语言模型，采用26B参数的MoE（Mixture of Experts，混合专家）架构，推理时仅激活约3.8B参数。与传统自回归（Autoregressive）大语言模型逐token顺序生成的方式不同，DiffusionGemma通过并行去噪的方式输出文本，每次前向传播可并行生成256个token。
拆解大语言模型：从词向量到注意力机制的内部运行原理
最新发布
小工匠
06-15 428
摘要： 本文深入浅出地解析了大语言模型（如ChatGPT）的工作原理，围绕词向量、Transformer架构与训练机制展开。词向量将单词编码为高维数字，通过向量运算捕捉语义关系（如“国王-男+女≈女王”）。Transformer模型由多层网络构成，每层通过注意力机制动态关联上下文（如解决代词指代），前馈网络则基于上下文预测下一个词。训练过程通过反向传播调整海量参数，使模型从数据中自主学习语言规律。尽管模型内部机制复杂且难以完全解释，研究者已通过实验揭示了部分运作逻辑，例如注意力头协作解决语义歧义。大模型的“
基于全球经济类多源新闻的NLP情感分析与数据可视化（夜间-次晨）2026年6月10日
lingyanzhineng的博客
06-11 239
【Python数据分析实践】2026年06月11日，使用Python爬虫采集20+公开新闻源数据，通过jieba分词、SnowNLP情感分析、TF-IDF关键词提取、LDA主题模型等NLP技术进行文本挖掘，并使用Matplotlib/Plotly进行数据可视化。本文为自动化脚本输出的技术学习笔记。
往来港澳通行证识别系统，深度融合计算机视觉与自然语言处理，为“智慧口岸”和“数字政务”提供了强有力的技术支撑
智能图像识别
06-10 230
摘要：粤港澳大湾区深度融合背景下，AI赋能的往来港澳通行证识别系统成为提升跨境效率的关键技术。该系统基于计算机视觉与自然语言处理，通过图像预处理、多模态特征融合和智能语义理解，实现多语言混排证件99%以上的识别准确率，并输出结构化数据。具备毫秒级响应、隐私加密等特点，已广泛应用于口岸通关、金融开户、酒店入住等场景，显著提升服务效率，推动"智慧口岸"和"数字政务"建设。
CVPR 2026|VisRes Bench：视觉语言模型视觉推理能力评估
2401_89384928的博客
06-13 380
此文提出VisRes Bench基准，系统评估视觉语言模型(VLM)的视觉推理能力。该基准包含感知补全、单属性规则和多属性组合三个递进层级，采用真实图像构建19000个四选一视觉选择题。实验发现，即使最先进的VLM在感知扰动下表现接近随机水平，尤其在空间属性识别和多属性组合推理上存在显著短板。分析表明，瓶颈主要在于视觉特征到符号语义的转换鸿沟。VisRes为多模态领域提供了首个覆盖感知-推理全链路的诊断工具，揭示了当前VLM视觉理解的局限性。
自然语言处理中的分词——从语言切分到模型输入的第一步
qq_38196449的博客
06-11 204
在Natural Language Processing中，几乎所有任务的第一步都是“分词（Tokenization）”。如何把连续的文本切成模型可以理解的最小单元？分词就是解决这个问题的关键技术。将连续文本拆分为有意义的最小语言单元（Token）以单个字符作为最小单位以“词”为单位切分文本介于字符和词之间的最优折中单位分词是自然语言处理的第一步，也是最基础但最关键的一步，它决定了模型如何“看到”语言。本文系统讲解了：1、分词基本概念2、字符级 / 词级 / 子词级3、BPE算法原理。
深入浅出NLP核心算法：shibing624/nlp-tutorial项目全景解析与实战指南
wulechun的博客
06-11 304
是一个难得的“小而美”的NLP教学资源。它剥离了复杂的工程外壳，还原了算法最本真的模样。对于想要深入理解NLP底层原理、或者准备面试算法岗位的开发者来说，这个项目是最佳的实战演练场。通过亲手敲通这100行核心代码，你将真正掌握从词向量到Transformer的精髓，为构建更复杂的AI应用打下坚实基础。
RLHF中的PPO算法——大语言模型对齐优化的核心引擎
qq_38196449的博客
06-11 238
在现代大语言模型训练体系中，Reinforcement Learning from Human Feedback已经成为“对齐人类偏好”的标准方法。SFT → Reward Model → PPO优化它决定了模型最终输出质量的上限。在不让策略变化太剧烈的前提下，持续提升收益A_t = 当前策略好坏程度SFT → 学能力RM → 学偏好PPO → 优化行为PPO是RLHF中实现模型对齐的核心优化算法，它通过“限制策略更新幅度 + 利用奖励模型反馈”实现稳定而高效的训练，使大语言模型能够逐步逼近人类偏好。
Python自然语言处理：从分词到词向量
qingyulee的博客
06-15 187
自然语言处理（Natural Language Processing, 简称NLP），是让机器能够理解和生成自然语言。处理的数据主要就是人类的语言，例如：汉语、英语、法语等，该类型的数据不像我们前面接触过的结构化数据、或者图像数据可以很方便的进行数值化。语音识别：将语音信号转化为文本文本分析：从文本中提取有意义的信息，包括情感分析、主题提取等机器翻译：自动将一种语言的文本翻译为另一种语言语法分析：分析句子的语法结构，识别句子中的各个成分（如主语、谓语、宾语等）命名实体识别（NER）
基于全球经济类多源新闻的NLP情感分析与数据可视化（夜间-次晨）2026年6月14日
lingyanzhineng的博客
06-15 273
【Python数据分析实践】2026年06月15日，使用Python爬虫采集20+公开新闻源数据，通过jieba分词、SnowNLP情感分析、TF-IDF关键词提取、LDA主题模型等NLP技术进行文本挖掘，并使用Matplotlib/Plotly进行数据可视化。本文为自动化脚本输出的技术学习笔记。
基于GraphRAG的医疗健康知识诊断系统(Neo4j_大语言模型)
2301_77366341的博客
06-15 188
本文介绍了一个基于GraphRAG技术的医疗健康知识诊断系统，该系统采用Vue+Flask前后端分离架构，集成Neo4j知识图谱和通义千问大模型。主要创新点包括：三路并行检索的GraphRAG技术、智能三元组提取、多模态问答和知识图谱可视化。系统提供8大功能模块，涵盖用户管理、文档处理、智能问答、知识图谱构建与可视化等医疗场景应用。项目资源包含完整源码、部署教程、系统文档和设计图，适用于疾病诊疗路径查询、诊断标准咨询等医疗知识服务场景。
论文精读｜CR-Writing：大语言模型与知识图谱协同推理赋能专业写作
qzhqbb的博客
06-15 211
Research on Collaborative Reasoning of Large Language Models and Knowledge Graphs for Professional Writing Assistance
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UnknownBody

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值