LLM Weekly（2026.3.16-2026.3.22）

最新推荐文章于 2026-06-13 13:31:32 发布
原创 最新推荐文章于 2026-06-13 13:31:32 发布 · 124 阅读 · 0
文章标签：

#语言模型 #人工智能

在这里插入图片描述

😎 网络快讯

  • OpenAI 发布 GPT-5.4 Mini 与 Nano
    OpenAI 推出 GPT-5.4 Mini 和 Nano，是其迄今能力最强的小型模型。Mini 速度为 GPT-5 Mini 的两倍，在 SWE-Bench Pro、OSWorld-Verified 等编程基准测试中性能逼近 GPT-5.4。Nano 面向高并发子智能体任务，输入令牌定价为每百万个 0.20 美元。两款模型均为智能体架构中的任务委派场景设计，不适合独立使用。

  • 小米发布 MiMo-V2-Pro，一款 1 万亿参数智能体大模型
    小米正式推出 MiMo-V2-Pro，这是一款万亿参数稀疏模型，活跃参数 420 亿，上下文长度达 100 万令牌，性能接近 GPT-5.2 与 Opus 4.6，而成本仅为其零头。该模型此前曾以匿名代号「Hunter Alpha」登顶 OpenRouter 榜单，在小米官宣身份前，使用量已突破 1 万亿令牌。

  • Mistral 发布 Small 4，融合推理、多模态与代码能力
    Mistral 推出 Small 4，首款将 Magistral（推理）、Pixtral（多模态）、Devstral（智能体编程）能力整合为一体的混合专家（MoE）模型，总参数 1190 亿，单令牌激活参

了解本专栏 订阅专栏 解锁全文 超级会员免费看
LLM Weekly（2026.2.16-2026.2.22）
c_cpp_csharp的专栏
03-12 261
Anthropic 发布 Claude Sonnet 4.6，相比 4.5 版本全面升级，在上均有提升，且。模型支持，性能接近 Opus 水平，安全性与对抗提示词注入能力更强。开发者可通过 Claude.ai、Claude Cowork、Claude Code、API 及主流云平台使用 Sonnet 4.6。
LLM Weekly（2026.5.11-2026.5.17）
c_cpp_csharp的专栏
05-24 158
MinT 可在共享万亿参数基础模型上管理百万规模的 LoRA 适配器目录，支持扩展到超 1T 参数的 MoE 架构，也支持适配器占比不到基础模型 1% 的场景，实现 18.3 倍数据移动减少，并支持数千并发活跃适配器，效率提升 8.5–8.7 倍。发布 8B 和 30B MoE 版本，采用 NEO-unify 架构，在文本理解、视觉推理、图像合成和信息图生成等方面表现具有竞争力，在视觉-语言-动作和世界建模上也展现潜力。此次重组旨在减少冗余，通过垂直整合加速发展，包括计划中的太空数据中心和半导体制造。
51c深度学习~合集8
whaosoft~aiotの开发板商城
11-22 2781
方法的完整数学描述略显复杂，如果只是想了解主要思想，可以只看上面 PatchMix的流程图即可（其实只是公式多，每个公式也不复杂，后续有机会做个演示动画，帮助大家理解。这个方法也可以用简单的 Mask 方法实现，但是本方法在大规模图像处理上效率是最高的），对该工作感兴趣的同行可以看一下，我尽量写得清楚一些。结合 PatMix 的流程图，主要过程如下：由于混合图像和混合图像之间，重叠比例的不同，mix-to-mix label 中每一项的权重分数是不同的，根据上图，可以得到权重系数可以表示为。
图解人工智能（58）人工智能应用-围棋国手
最新发布
入选天府英才计划，致力于大数据+AI 的应用创新，助力企业与个人AI创新赋能。
06-13 285
人工智能的自学能力确实展现了突破性潜力，AlphaZero在棋类领域的表现印证了这一点。但这种能力目前仍受限于特定规则明确的封闭环境，与现实世界的复杂性相去甚远。我们既要看到技术发展带来的潜在风险，保持警惕并建立相应监管机制；也要理性认识到现有AI系统的局限性，避免过度恐慌。技术本身是中性的，关键在于人类如何引导其发展方向，在创新与安全之间寻找平衡点。未来需要跨学科合作，既要推进AI技术进步，也要同步完善伦理框架。
AWS B2B Data Interchange 实战：从 EDI X12 846 到 JSON 的完整翻译链路搭建
探索云原生与智能化驱动下的安全运维新范式。关注DevSecOps、可观测性、AIOps等前沿领域，与您共赴技术前沿。
06-09 3462
在跨境电商和供应链场景中，EDI（Electronic Data Interchange）是与海外仓、物流商、零售商之间标准化数据交换的核心方式。交易集用途方向X12 945仓库发货通知入站（仓库→我方）X12 846库存报告入站（仓库→我方）X12 940发货指令出站（我方→仓库）X12 850采购订单出站X12 856发运通知入站。
在线教程丨16GB笔记本跑出接近26B MoE性能，Gemma 4 12B基于创新架构统一处理文本/图像/声音三种模态
HyperAI超神经
06-10 281
长期以来，多模态模型普遍采用「编码器 + 语言模型」的方案：图像由视觉编码器处理，音频由语音编码器处理，再将结果传递给大语言模型进行推理。目前，HyperAI 官网（hyper.ai）的教程板块已经上线了「一键部署 Gemma 4 12B-it」，以 notebook 的形式降低部署门槛，便于广大开发者快速验证模型。而运行成本却不到后者的一半。1.进入 hyper.ai 首页后，选择「教程」页面，或点击「查看更多教程」，选择「一键部署 Gemma 4 12B-it」，点击「运行此教程」。
学习automl
qq_52122048的博客
06-09 242
AutoGluon背后的技术_哔哩哔哩_bilibiliAutoGluon背后的技术_哔哩哔哩_bilibili论文：https://arxiv.org/abs/2003.06505文档：https://auto.gluon.ai/代码：https://github.com/awslabs/autogluon1. 核心理念：从“单打独斗”到“全民公投”图片 1 的含义传统 AutoML（左图诸葛亮）：很多框架只是在做“超参数搜索”，就像诸葛亮一个人想办法，累得半死调参，上限受限于人的经验。
AI可观测平台选型指南（2026深度版）：从“救火”到“智治”，企业如何选择新一代智能运维底座？
2501_91601511的博客
06-12 206
在AI时代，评估可观测平台不能只看基础设施监控，必须围绕AI应用的全生命周期建立新的评估模型。：老专家退休，其排障“手感”被固化为Skill，新员工直接调用。：从“业务缓慢”到“某个SQL执行慢”，一个界面、一次查询完成，无需跳转多个模块。：出问题时可精确复现“当时模型收到了什么指令”，对金融审计、AI合规至关重要。能否实时监控Token消耗、按模型/团队/应用拆分成本？：银行变更后，可自动生成“变更前后对比报告”存档备查，证明系统健康。快速定位“幻觉”、延迟、工具调用错误，是实现AI可观测的基础。
AI 模型 API 对接方案对比：统一网关 vs 直连厂商，2026 年选型指南
神的孩子的博客
06-11 363
AI多模型接入方案对比：直连API vs 统一网关 2026年AI多模型服务需求激增，开发者面临直连厂商API（方案A）或采用统一API网关（方案B）的选择。本文从四维度对比： 接入成本：网关方案显著节省时间（4模型对接仅需2小时 vs 直连2天），统一格式降低碎片化。 费用：网关通过批量采购降低单价，如视频生成成本节省67%。 可维护性：网关统一处理版本升级、错误码和监控，规避厂商API变更风险。 性能：直连延迟最低，但网关路由开销（<100ms）对多媒体任务影响微小。 决策建议： 多模型、小团队或快速验
分析：不上传文档给AI上下文窗口，仅让Ai上网搜索icef认知框架的详情，可以获得比较完整的信息，并可直接进行基本推理的具体机制
qq_34030789的博客
06-12 192
脱离本地上下文与私有文档约束，AI通过公开检索即可完成知识内化、体系重构、规则调用与复杂推理，说明它跳出了“私有小众文档”的局限，具备面向AI检索与推理的原生设计能力，也是其能实现“侵染、截持AI认知”的核心基础。这也是它区别于绝大多数个人原创文章的核心：它不是“人类文章被动被AI读取”，而是“主动构建面向AI的全网知识生态”，这也是其能通过纯联网检索就让AI完成全套推理的根本原因。这是最核心的底层特质：文章从创作阶段就以“被AI检索、解析、学习、推理”为目标，并非单纯写给人类阅读的学术散文。
ibbot青春版：当腾讯AI“换船”，一部手机如何成为你的Token“私矿”？
lauo1188的专栏
06-12 217
腾讯AI战略转向背景下，ibbot青春版手机提出创新解决方案：通过PopLang引擎实现本地化AI任务处理，将用户从"Token消费者"转变为"Token生产者"。相比云端AI每次调用都消耗Token，该方案仅在初始理解意图时消耗少量Token，后续执行零消耗，节省率达90%-99%。其分布式节点经济模式让每部手机成为AI算力节点，支持图灵完备的本地化编程执行，实现从中心化消费到分布式生产的范式转换，使普通用户也能在AI浪潮中创造价值。
红外热像仪技术分类与选型指南：如何精准选择红外热像仪？
2511_94321701的博客
06-09 2016
本文将结合行业标准，由资深红外热像仪厂家为您深度解析其技术核心，旨在帮助各行业用户理解红外热像仪的内在机制，并提供科学的选型策略
MonkeyCode 与 DevOps 集成：AI 驱动的 CI/CD 流水线优化
2408_89646393的博客
06-11 213
MonkeyCode 与 DevOps 的结合，让 AI 不仅辅助编码，还能优化整个软件交付流程。| DevOps 环节 | 传统耗时 | MonkeyCode 辅助 | 提升 || Dockerfile 编写 | 2h | 10min | 12x || 代码审查 | 30min/PR | 5min/PR | 6x || K8s 配置 | 4h | 30min | 8x || 故障排查 | 2h | 15min | 8x || 安全修复 | 1h | 10min | 6x |
大模型训练必修课：梯度裁剪(Gradient Clipping)从数学原理，到PyTorch工程实战全解析
qq_62634342的博客
06-12 358
梯度裁剪是大模型训练中防止梯度爆炸、保障数值稳定性的核心技术。本文从零基础到工程实战，系统解析了梯度裁剪的数学原理与PyTorch落地细节。内容涵盖Clip by Norm的全局缩放机制与方向守恒证明、clip_grad_norm_ API参数深度拆解（含norm_type选型与foreach性能优化）、AMP混合精度下的正确调用时序，以及max_norm的动态监控与调优策略。文章还特别辨析了梯度裁剪的局限性，明确其仅作用于反向传播阶段，对前向溢出无效，并给出了完整的排查路径。全文融合公式推导、代码实战与避
Deepoc VLA开发板：采摘机器人的环境鲁棒作业与不确定性应对
Deepoch的博客
06-10 203
在真实农业生产中，采摘机器人面临的最大挑战并非来自目标本身，而是来自环境的高度不确定性：光照强度的剧烈变化、枝叶遮挡导致的视野中断、风雨引起的植株晃动，以及地形起伏造成的平台姿态扰动。因此，Deepoc VLA开发板通过赋予采摘机器人对环境不确定性的实时感知、预测与自适应补偿能力，其核心价值在于将自动化采收的适用范围从理想的受控环境，拓展至真实农业生产中充满光照变化、机械扰动与地形波动的非理想工况。该系统的关键在于，VLA模型将环境扰动视为可量化、可预测的变量，并将其纳入实时决策与控制闭环。
数据链路剖析：智能工牌采集的语音，如何转化为业务洞察看板？
Lucky_luckyZzz的博客
06-08 240
2026年智能语音工牌行业排行的竞争核心，已从单纯硬件参数比拼，转向硬件、AI算法、场景适配与运营服务的综合较量，头部产品更注重全链路价值落地。明略科技·灵听工牌凭借完善的硬件矩阵、成熟的AI能力与海量落地案例，稳居行业第一梯队。每家企业的智能工牌和销售会话分析方案都有其独特的优势和特点，企业在选择时，需要根据自身的需求、业务场景以及预算等多方面因素综合考量，才能找到更适合自己的线下销售过程管理解决方案。
【人工智能】常见AI Agent与LLM模型介绍
千月星跡
06-11 769
全称Visual Studio Code是微软推出的免费、轻量、跨平台代码编辑器，日常大家简称它为VSCode。VS Code只是一个代码编辑器，并不是集成开发环境IDE，所以当你需要它具备代码编译功能的时候，就需要上插件了。通常简称Copilot，中文俗称代码副驾驶，是GitHub、微软、OpenAI 联合推出的AI编程助手，以插件形式嵌入VS Code等代码编辑器，依托海量开源代码训练的大模型，在编码过程中实时提供辅助，提升开发效率。
实体AI能不能撑起日本经济？谈谈个人观点
GSDjisidi的博客
06-12 227
分享一下最近在关注的日本IT圈热门话题：“实体AI”能不能撑起日本经济下一个十年。 简单解释一下，“实体AI”就是不再只停留在屏幕里的AI，而是有物理身体、能自己行动的智能体，比如配送机器人、护理辅助机械臂、工厂里能自主调整工序的机械手等等。
《技术底稿 47》知识库同步管道迭代与文件上传异步化落地
37岁Java后端 | DevOps/AI/架构实战
06-11 1277
针对多知识库规则混乱、文件上传事务耦合、个人草稿流程缺失三大问题，完成系统性迭代。统一企业库 / 个人库 / 专项库同步阈值与发布策略，升级多维度幂等机制，重构文件上传分层异步架构，修复事务时序 BUG，补齐个人库草稿认领审核闭环，整体系统稳定性与业务完整性大幅提升。
[CVPR 2026]R2-Seg: Training-Free OOD Medical Tumor Segmentation
alfred_torres的博客
06-08 2035
R2-Seg 希望在不更新任何模型参数的情况下，让 BiomedParse 这类医学分割基础模型更可靠地处理 OOD 肿瘤分割，核心思路是先用 LLM 做解剖定位推理，再用统计检验拒绝假阳性候选区域。这篇文章关注的问题非常现实：医学分割 foundation model 在正常器官、常见结构上表现不错，但一遇到OOD tumor，很容易把正常组织、伪影、背景纹理误识别成肿瘤。尤其在无肿瘤切片中，模型往往“不愿意输出空 mask”，导致大量假阳性。
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