摘要：
很多人对大模型感兴趣，却被名词劝退：Token、Embedding、Attention、Transformer、BERT、GPT、对齐、RAG、Agent……越学越乱。解决方法不是疯狂补数学，而是用一条“由浅入深”的路径先建立知识骨架：先会判断，再逐步深入。 第一步：先把“大模型在做什么”说清楚 阅读全文
posted @ 2026-01-12 18:12
OpenCSG
阅读(5)
评论(0)
推荐(0)
摘要：
Transformer 之所以重要，是因为它把“理解一句话”这件事变成了可规模化学习的问题：模型不再按顺序一点点读，而是能在同一时间看见整句（甚至整段）文本，判断词与词之间的关联，然后更新每个词的语义表示。 一、先抓住直觉：词的含义来自上下文 同一个词在不同语境里意思可能完全不同。人类理解靠上下文， 阅读全文
posted @ 2026-01-12 17:09
OpenCSG
阅读(8)
评论(0)
推荐(0)
摘要：
GPT 让人第一次强烈感受到：只用自然语言描述需求，系统就能给出像样结果。但当大家想把它用于真实业务时，会立刻遇到一个边界：能输出好文字，不等于能完成任务。 “下一站” 之所以指向智能体（Agent），就是因为智能体把 AI 从 “回答者” 推进为 “执行者”。 一、GPT 的强项：把任务统一成 “ 阅读全文
posted @ 2026-01-12 14:28
OpenCSG
阅读(221)
评论(0)
推荐(0)
摘要：
如果把 AI 的发展看成一条不断升级的“生产力曲线”，大语言模型的出现不是偶然的灵光一闪，而是长期积累在某个节点集中爆发的结果：数据规模更大、算力更强、训练范式更成熟，再加上架构上的关键突破，最终把 AI 从“能做某个任务”推向“能处理一类任务”。 一、“石器时代”：规则与浅层模型，能用但天花板明显 阅读全文
posted @ 2026-01-12 13:54
OpenCSG
阅读(11)
评论(0)
推荐(0)
浙公网安备 33010602011771号