大语言模型
  1. 首页
  2. 人工智能
  3. 大语言模型

列表

Dropout 深度实战：从子网络集成、Inverted Dropout 到 DropPath 与 MC Dropout 的生产工程

Dropout 深度实战：从子网络集成、Inverted Dropout 到 DropPath 与 MC Dropout 的生产工程

Dropout 是深度学习里最反直觉、也最容易被误用的正则化手段之一。它在 2012 年以 "Improving neural networks by preventing co-adaptation of feature detectors" 提出，核心思想只有一句话：**在训练时随机"丢弃"一部分神经元，迫使网络不能在固定的神经元组合上抱团作弊**。本文从第一性原理出发，把 Dropout 的…
大语言模型 2026年10月09日
Prompt Engineering深度实战：从基础技巧到高级范式

Prompt Engineering深度实战：从基础技巧到高级范式

本文深入探讨Prompt Engineering的核心技术与实战应用，从基础的零样本、少样本提示，到思维链（CoT）、ReAct、自洽性等高级范式，涵盖提示词注入防御与安全实践，帮助开发者掌握与LLM高效协作的关键技能。
Prompt工程 2026年10月12日
相对位置编码深度实战：从绝对位置嵌入、T5 相对注意力、ALiBi 到 DeBERTa 解耦位置表示

相对位置编码深度实战：从绝对位置嵌入、T5 相对注意力、ALiBi 到 DeBERTa 解耦位置表示

Transformer 的自注意力对 token 顺序是**置换不变**的：把输入序列打乱，注意力矩阵只会在行/列上跟着重排，输出集合不变。这意味着如果不显式注入顺序信号，模型看到 "猫 吃 鱼" 与 "鱼 吃 猫" 会得到完全相同的语义表征——这在实际任务里是灾难。
大语言模型 2026年10月08日
残差连接深度实战：从退化问题与恒等映射、残差流到 Pre-LN 与深度初始化工程

残差连接深度实战：从退化问题与恒等映射、残差流到 Pre-LN 与深度初始化工程

系统拆解残差连接的第一性原理：为何 plain 网络会退化、恒等映射 y=F(x)+x 如何在反向传播中保留永不消失的梯度高速通道（∂L/∂x = ∂L/∂y·(∂F/∂x + I)），并从机制可解释性视角解读 Transformer 的残差流（注意力/MLP 只是写入主干的低秩扰动）；深入 Pre-LN 与 Post-LN 的稳定性对比、ReZero/SkipInit/Fixup/LayerScale/DeepNorm 等深度初始化技巧、混合精度下残差累加的数值稳定性，给出可切换 Pre/Post-LN 的生产级 PyTorch 实现与生产陷阱清单，与本站 RMSNorm、相对位置编码、交叉注意力、学习率调度共同构成 Transformer 内部机制与训练工程深度解系列。
大语言模型 2026年10月08日
词嵌入深度实战：从分布假设、Word2Vec 负采样到 GloVe 与上下文化表示的工程全解

词嵌入深度实战：从分布假设、Word2Vec 负采样到 GloVe 与上下文化表示的工程全解

词嵌入（Word Embedding）是把离散符号映射为连续稠密向量的技术，它是一切现代 NLP 与 LLM 的底层地基：Transformer 的第一层就是一个巨大的嵌入查找表，检索式增强（RAG）的"语义向量"本质也是嵌入，甚至连多模态对齐都依赖共享嵌入空间。本文从分布假设的第一性原理出发，推导 Word2Vec 负采样与 GloVe 的数学，给出可复现的 PyTorch 实现，并落到 Tra…
大语言模型 2026年10月08日
模型提取与盗取攻击深度实战：从黑盒 Prediction API 到替代模型克隆与参数反解的安全工程

模型提取与盗取攻击深度实战：从黑盒 Prediction API 到替代模型克隆与参数反解的安全工程

机器学习即服务（MLaaS）把训练好的模型包装成一个"提问—返回预测"的 API：你传入一条样本，它吐回类别标签或置信度。这种**黑盒**便利的背后藏着一条被长期低估的攻击面——**模型提取（Model Extraction）/ 模型盗取（Model Theft）**：攻击者仅凭查询权限，就能重建出与原模型功能等价、甚至参数完全一致的克隆，从而免费"白嫖"商业模型、绕开付费墙、或为后续对抗攻击铺路…
大语言模型 2026年10月08日
后门攻击深度实战：从触发器植入、BadNets 到干净标签后门与谱防御的工程全解

后门攻击深度实战：从触发器植入、BadNets 到干净标签后门与谱防御的工程全解

后门攻击（Neural Backdoor Attack，亦常称 Trojan Attack）是机器学习安全中一类与数据投毒高度相关却目标迥异的攻击：攻击者在模型**训练阶段**（或预训练权重、第三方供应链环节）植入一个隐藏的「触发器（trigger）」映射，使得模型在面对正常输入时保持高精度，而一旦输入携带特定触发器，模型便按攻击者预设的目标标签输出。它不追求在干净样本上降低整体准确率，而是追求「…
大语言模型 2026年10月09日
模型逆向攻击深度实战：从置信度最大化、生成式先验到训练数据重建的隐私安全工程

模型逆向攻击深度实战：从置信度最大化、生成式先验到训练数据重建的隐私安全工程

模型逆向攻击（Model Inversion Attack）是机器学习隐私威胁谱系里最容易被低估、却最贴近"数据隐私"本质的一类攻击：攻击者并不想复制你的模型，也不只想判断某条记录是否参与过训练，而是要**从模型的输出反推出训练数据本身**——一个人的基因型、一张人脸、一条医疗记录。本文从第一性原理出发，拆解模型逆向的数学内核，复现从 Fredrikson 基因组隐私到 Secret Sharer…
大语言模型 2026年10月09日
对比学习深度实战：从 InfoNCE、SimCLR、MoCo 到监督对比与表征迁移工程

对比学习深度实战：从 InfoNCE、SimCLR、MoCo 到监督对比与表征迁移工程

当你在向量数据库里做语义检索、在 RAG 系统里给文档切块嵌入、在多模态模型里把"猫的图片"和"cat"这两个模态拉到一起时，背后几乎都站着同一个思想：**对比学习（Contrastive Learning）**。它让模型不需要昂贵的逐样本人工标注，仅凭"什么该相似、什么该不相似"这一对关系信号，就能学到可迁移、可检索、可泛化的高质量表征。但绝大多数工程落地只是直接调用 `model.encode…
大语言模型 2026年10月08日