#大语言模型

宝玉

1周前

转译：从谷歌翻译看懂「氛围编程（Vibecoding）」作者：Ingrid 最近，网上关于「大语言模型（LLM）将终结程序员职业」的悲观预测（甚至是有意炒作）屡见不鲜。这些讨论往往缺乏深度分析，因此我想补充一些自己的看法。有一方的人说：“我用大语言模型服务商写了一个小工具，以后所有程序员都会在随便一个时间点失业”；另一方则完全否定这种工具的实用性。¹ 为了更好地理解这些说法，我们不妨借助另一个领域作为参考，这个领域在AI的影响下，明显走在程序开发的前面：翻译。谷歌翻译已经存在多年，并经历了数次技术升级。我尤其关注的是2016年后谷歌采用神经网络机器翻译后的表现。这些年来，不少人声称“翻译和口译职业要完蛋了”。我怀疑，这些人可能从未真正与翻译或口译人员合作过。他们喜欢举的典型例子是：“我去日本旅游，到处用谷歌翻译，根本不用再请翻译或学日语了。”虽然这体现了机器翻译的实用性，但后半句需要仔细审视，尤其是“再也不用”这几个字。我敢说，即使没有谷歌翻译，这些人也不会请翻译或特意去学日语。他们可能干脆就不去日本旅游，或者去了之后仍然做一名一头雾水的外国游客。事实上，如今翻译和口译的工作机会反而增加了。这并不意味着机器翻译不够好，相反，我认为它已经非常接近当前技术能达到的最佳效果。这也不意味着机器翻译没有改变翻译行业本身：正如美国翻译协会代表布里奇特·海拉克（Bridget Hylak）所说：“自2016年神经网络机器翻译（NMT）兴起以来，这种技术相比传统的机器翻译（如早期的谷歌翻译）明显提升，我们（翻译和口译从业者）也一直在将AI融入工作流程。” 要理解这一表面矛盾，我们必须先搞清楚翻译人员到底在做什么。与程序员类似，翻译人员经常被外行误解。很多人眼中，翻译人员就是一本活字典，随时能从一种语言切换到另一种语言。可现实中，翻译工作更多是关于理解上下文、处理歧义，以及敏感地对待文化差异——这些都是谷歌翻译目前还无法做到的。举个简单的例子，挪威语与英语非常相似，按理说翻译应该轻而易举。两种语言有大量相似词汇、相近语法，甚至很多习语都能逐字翻译。但仍存在明显的文化差异，例如挪威人日常说话极少使用礼貌用语，比如“请”。尽管挪威语可以用「vær så snill」或「vennligst」表示“请”，但实际生活中他们更喜欢简单直白的表达方式。如果晚餐时挪威人想要土豆，可能直接会说：“Jeg vil ha potetene”（字面意思是“我要土豆”，英语中显得过于傲慢），但英国人可能会委婉地说：“Could I please have some potatoes?”（请问我能要些土豆吗？）好的口译员了解这些细微差别（或至少懂得及时询问澄清），而谷歌翻译只能给出简单的直译。如果是与国外亲戚的家庭晚餐，或许还能应付过去；但若是法庭审理现场，直接用谷歌翻译就非常不妥了。而挪威语已属“简单案例”，对于我们的游客而言，日语与英语差别巨大，例如经常省略显而易见的主语，但谷歌翻译却不得不凭空补上主语。你会放心地让电脑任意补充你没说出的内容吗？以上并非意味着谷歌翻译做得差。如果没有任何上下文或者澄清的机会，要求我翻译“Jeg vil ha potetene”，我也只能给出相同的答案。毕竟，这个人可能确实想表现得无礼，我怎么知道？作为双语人士，我经常使用谷歌翻译，但不是让它帮我把一整段文字翻译出来，而是更细致地融入日常表达的过程中。比如，“我知道想表达什么，也知道该如何表达和理解其中的文化细微差别，但我对自己的用词还不够满意，想看看别人最常见的表达方式是什么样的。”事实证明，这正是语言模型非常擅长的任务。我猜测，布里奇特所说的“融入AI的工作流程”可能也是这种意思（当然她的工作流程肯定比我的复杂得多）。² 程序员面对的问题类似，我们甚至可以把程序员看作是“翻译”，只是他们要将人类模糊、充满文化差异的语言转译成电脑能理解的精准语言。³ 当然，程序员还需要创造抽象的概念，这也解释了为什么机器翻译应用于程序语言的进展相对较慢。不过，如今“巨头公司™”已经把大量开源代码全扔进了数据“粉碎机”，机器翻译程序语言的能力已经突飞猛进了。当然，我并不否认，未来的某种AI或许真的能像人类一样敏锐地捕捉上下文与歧义。但我认为，要实现那一天，我们至少还得经历一轮新的“AI寒冬”。毕竟目前掌控AI技术的大佬们，似乎缺乏必要的细致思考，他们更在乎产品外表的光滑流畅，而非真正负责任地提供可靠的输出。 --- 1. 当然，说这种工具的用途有限、负面影响大过其作用，也是合理的。↩︎ 2. 尽管我已经说出了这个使用场景，但近期内我并不打算真正这么做。因为我觉得效率提升并没有显著到让我忽略目前AI工具存在的伦理风险。↩︎ 3. 我遇到过很多程序员，似乎真的相信自己存在的唯一意义就是不断写代码，而且越多越好。我原本希望拥有一台“喷代码机器”能让他们意识到这种想法的错误，但遗憾的是，这些人很可能继续依靠公司组织中的混乱而存活下来。↩︎

#氛围编程 #大语言模型 #程序员职业 #自动化编程 #人工智能

硅谷王川 Chuan

1周前

不管大语言模型如何发达，如果物理世界没有大量 AI 驱动的机器人，那么你的所有思考和幻想，都只能建立于一个残疾人般的，无法大规模自动化的物理世界之上。这远远不够 cool.

#大语言模型 #AI驱动 #机器人 #物理世界 #自动化 #人工智能

onevcat

2周前

说实话，我是真的没想到，“文档和代码不同步”这个历史难题，最终居然是被LLM彻底解决了…

#文档和代码不同步 #历史难题 #LLM #大语言模型 #生成式AI #人工智能 #自然语言处理

𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞

2周前

将大语言模型的公域认知智能转化为企业的商业智能，需要结合业务并将企业内部信息知识化作为LLM上下文，在配上流程行为作为手脚，最终企业内部的AI Agent服务方式交付：终局思维一个企业把所以信息喂给大模型就是一个大o3-ultra！

#大语言模型 #企业智能 #商业智能 #AI Agent服务 #企业信息化 #业务结合

ginobefun

3周前

#BestBlogs 聊聊 AI 应用架构演进 | 阿里云开发者文章梳理了 AI 应用架构从简单调用到复杂 Agent 模式的演进过程与关键技术组件。摘要：文章循序渐进地阐述了 AI 应用架构的演进路线，从最初用户直接与大语言模型交互，到逐步引入关键增强层。首先，强调上下文增强（如 RAG）的重要性，用于弥补模型知识的时效性和领域局限性。接着，讨论了输入输出防护（Guardrails）对用户隐私和系统安全的重要性，并列举了常见的 Prompt 攻击类型及防御思路。文章进一步介绍了意图路由和模型网关的设计，以支持多功能应用和统一管理异构底层模型。随后，探讨了缓存机制在提升性能和降低成本方面的作用。最终，架构演进至具备规划和外部交互能力的 Agent 模式。文章还分析了 AI 应用的可观测性指标及通过批处理、并行计算等优化推理性能的方法。主要内容: 1. 上下文增强（RAG）弥补模型局限性，提升特定场景输出质量 -- 通过动态检索和补充外部知识，确保模型能处理时效性信息和特定领域问题，输出更准确关联的数据。 2. 输入输出防护是保障用户隐私和系统安全的关键架构层 -- 在用户输入和模型输出端增加隐私脱敏、恶意内容检测和过滤，有效防范数据泄露和 Prompt 攻击。 3. 引入 Agent 模式赋予 AI 应用规划和执行外部操作的能力 -- 使 AI 应用从被动问答转变为主动解决复杂任务，具备思考、使用工具及与外部环境交互的能力。 4. 模型网关统一管理底层异构模型调用，提升扩展性和运维效率 -- 为上层应用提供统一的调用接口，并处理访问控制、负载均衡、监控等非功能性需求。 5. 推理性能优化（批处理、并行计算）是提升 AI 应用响应速度的核心 -- 通过 Batching 和 Parallelism 等技术，有效降低 Time to First Token 和 Time per Output Token，提升整体吞吐。文章链接：

#AI应用架构 #agent模式 #关键技术组件 #上下文增强 #大语言模型

芸窗

3周前

古籍领域首个开源大语言模型——荀子大模型向公众开放。其对话模型是由Qwen3基于长思维链古籍推理任务和通用古籍处理任务训练而来，支持深度思考模式。项目：；网站：。

#古籍开源 #大语言模型 #荀子大模型 #Qwen3 #深度思考 #AI #技术开放

indigo

3周前

第一次见到我的独立博客的订阅来源是 chatgpt！看来面向主流的大语言模型的 Agentic Search 优化内容很有必要，这样内容的触达会非常精准🤔

#独立博客 #订阅来源 #ChatGPT #大语言模型 #AgenticSearch #内容优化

Olivert

3周前

推荐！大语言模型（LLM）面试前50常见问题英中对照版，不仅适合面试找工作，也适合像对大模型有更深入理解的同学。链接：

#大语言模型 #面试问题 #求职 #大模型学习

𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞

3周前

读了三篇论文，生成一篇文章：大语言模型“生成”行为中的心智激活：从角色赋予到潜空间建模，LLM从语言到智能的Agentic AI可能演化路径

#大语言模型 #心智激活 #角色赋予 #潜空间建模 #Agentic AI #智能演化

硅谷王川 Chuan

3周前

不去思考研究 AI 下面几年对于世界的全方位的改变，就是“为一个不再存在的世界而准备”. 旧世界已不可逆转的逝去：大规模无人机集群取代载人战斗机；大语言模型取代各种低复杂度的脑力劳动；机器人取代各种低复杂度的体力劳动。

#AI #无人机 #大语言模型 #机器人 #科技变革 #社会影响

知识分享官

4周前

一个实验各种搞大钱策略的开源项目：AI Hedge Fund 使用多个 AI 智能体协同工作来模拟 AI 驱动的对冲基金交易决策，该系统包含 15 个专业智能体，分别模拟巴菲特、芒格、格雷厄姆等投资大师的投资哲学，同时配备基本面分析、技术分析、情绪分析等功能模块。项目支持多种大语言模型，具备回测功能，但仅用于教育目的，不进行实际交易。更不适用于大A。链接：

#AI Hedge Fund #开源项目 #AI智能体 #对冲基金 #投资哲学 #巴菲特 #芒格 #格雷厄姆 #基本面分析 #技术分析 #情绪分析 #大语言模型 #回测功能 #教育目的

勃勃OC

4周前

OpenAI的大语言模型能力稍微同行领先一点点：

#OpenAI #大语言模型 #技术领先 #人工智能 #NLP

宝玉

1个月前

为什么人类程序员仍然比大语言模型（LLMs）强大？作者：antirez 这是一个简短的小故事，告诉你为什么人类的编程能力仍然远远领先于当前的AI技术。请注意，我并不是反AI的人，熟悉我的朋友都知道这一点。我日常都会使用大语言模型（LLMs），包括今天也是如此。当我需要快速验证自己的想法、进行代码审查、了解是否有更好的实现方法，或者探索一些自己并不完全擅长的领域时，我都会用到它们。（两年前，当LLMs还没有流行起来的时候，我就曾经专门写过一篇博客，讲述自己如何用LLMs辅助编码。如今也许是时候再写篇新文章更新一下了，不过今天的重点不在这里。）不过，我想强调的是，尽管当前的AI技术非常有用甚至很棒，但和人类的智慧相比，它依旧差得太远了。我特别想指出这一点，是因为最近关于AI的讨论越来越极端，很难有中立理性的观点。遇到的问题今天我在为Redis开发一个叫做向量集合（Vector Sets）的功能，遇到了一个非常棘手的Bug。事情是这样的：在我之前离开Redis期间，同事们新增了一个防护功能，用来抵抗Redis数据文件（RDB）和恢复命令（RESTORE）的数据损坏问题，即使数据校验看起来是正常的。这个功能默认关闭，但用户如果想增强安全性，可以主动启用。但这引发了一个巨大问题：为了高效地保存和恢复数据，我把HNSW向量搜索算法的图结构序列化了，而不是直接保存向量元素的原始数据。如果直接存储原始向量数据，在加载时重新构建索引会非常慢（可能慢100倍以上）。所以我选择了一个巧妙的技巧——直接保存节点之间的连接关系（用整数表示节点编号），再在加载时恢复指针。但问题在于，如果保存的节点连接数据出现了随机损坏，由于我改进的HNSW实现会强制节点之间的链接是双向的，以下问题就可能发生： 1. 我们加载了损坏的数据，比如节点A显示连接节点B，但节点B并没有反过来连接节点A（连接关系被破坏了）。 2. 删除节点B时，由于双向链接破坏，节点A的链接未被清除。 3. 当我们再次访问被删除的节点B链接到节点A时，就会导致使用已释放内存的严重Bug。因此，加载数据之后，我必须检查每个连接是否双向有效。然而，用最简单的方法实现这个功能需要花费O(N²)的时间复杂度，这对于大数据量来说非常糟糕。人类 vs 大语言模型（LLM）一开始，我用最原始的方法实现了这个检查，虽然问题解决了，但加载2000万个向量的大型数据集时，速度从原来的45秒延长到90秒以上，这显然不能接受。于是，我打开了Gemini 2.5 PRO（谷歌的LLM），向它询问有没有更好的方案。 Gemini建议了一个最好的方案——对节点的链接数组进行排序后再用二分搜索提高效率。这一点我早就知道，但链接数组长度只有16或32时，排序可能并没有什么性能提升。所以我继续问它，还有其他方案吗？Gemini表示没有更好的方案。然后我告诉Gemini一个自己的想法：我们在扫描链接时，每次看到节点A连接节点B，就把链接信息以A\:B\:X的格式存入哈希表（这里X是层级信息，A>B保持顺序统一）。第二次遇到同一链接时，就从哈希表删除它。最后如果哈希表非空，就说明有链接存在单向链接的问题。 Gemini认为我的方案不错，但担心构建哈希键的时间损耗，比如使用`snprintf()`来构建哈希键。于是我提醒它，这里完全可以用`memcpy()`来直接拷贝指针到固定大小的键中，Gemini同意我的想法。突然，我意识到还能更进一步： > “等等！” 我告诉Gemini：“我们根本不需要哈希表！可以用一个固定的累加器，每次处理一个链接（A\:B\:X，总共12个字节）时，我们都对这12字节数据进行异或（xor）运算。如果链接存了两次，它们互相抵消，最终若累加器不为零，就知道链接出现了问题！” 但我同时也提醒Gemini，这种方案可能出现碰撞（多个链接偶然导致异或为零），并要求它评估这种风险。 Gemini对我的想法印象深刻，但也提出了担忧：因为指针通常结构类似，如果出现3个错误链接（L1、L2、L3），可能L1和L2异或后的结果刚好和L3相同，从而导致误判。此外，我也考虑到内存分配器分配的地址往往比较容易预测，可能容易被攻击者利用。接着我向Gemini询问改善的方法，Gemini却想不出更好的方案。于是我再次提出了改进方案： 1. 从`/dev/urandom`生成随机种子`S`，与链接信息一起构造为`S:A:B:X`。 2. 使用快速而可靠的哈希函数（如`murmur-128`）对`S:A:B:X`哈希。 3. 将哈希的128位结果异或到累加器中。 4. 最后检查累加器是否为零，若为零则说明所有链接都是双向正确的。 Gemini对此方案非常满意，认为这种方法不仅大大减少了误判的可能性，也极难被攻击者利用（因为随机种子`S`未知，而且指针难以被操控）。这本就是一种额外安全的保护措施，默认关闭，性能损耗也小。我写这篇博客时刚完成了这个方案的评估，还没最终决定是否正式采用（但很可能会用）。不过，这次的经历清楚地表明：人类在创造力和思维的“跳跃性”方面，仍然远远领先于AI。我们能提出许多“怪异但有效”的解决方案，这对LLMs来说太难了。但LLM确实也起到了重要的辅助作用，也许正是因为有了这个“智能小伙伴”的启发，我才得以想到这样的点子吧！

#人类程序员 #大语言模型 #AI技术

歸藏(guizang.ai)

1个月前

Veo 3 直接生成真人播客对话视频，还能指定主题这要再长点，直接把视频编排 Agent 干死了，果然最后一切都是模型提示词：一个播客录制场景，两位女性主持人正在讨论有关大语言模型（LLM）训练主题的内容，其中一位提问，另一位解答。

#Veo 3 #播客 #真人对话生成 #大语言模型 #视频编排 #AI模型

李老师不是你老师

2个月前

4月5日 Meta发布了其新一代开源大语言模型Liama4，其拥有超过4000亿参数，Meta宣称该模型是同类中最好的多模态模型（可以处理图像输入输出），在参数量更少运行门槛更低的情况下，编程和推理能力上和DeepSeek V3相当。并且该模型完全免费开源，用户可以从Liama官网下载并部署在本地。

#Meta #开源 #大语言模型 #Liama4 #多模态模型 #DeepSeek v3 #免费 #推理能力

背包健客

2个月前

Cell：AI破解自闭症诊断密码 2025 年 3 月 26 日，加拿大 Mila-魁北克人工智能研究所、麦吉尔大学在 Cell 期刊发表研究成果。这项颠覆性研究通过大语言模型（LLM）解构了 4000 多份自闭症诊断病例报告，对报告中的专家医生的“临床直觉”的逻辑进行了拆解和探索，得出了一个反常识结论——重复行为和特殊兴趣才是自闭症诊断的“黄金线索”，而非传统认为的社交缺陷。这一发现有望改写已沿用数十年的自闭症临床诊断标准。

#AI #自闭症 #大语言模型 #医学研究 #Cell期刊

马东锡 NLP 🇸🇪

3个月前

大语言模型 post-training 的变迁，从 Large Language Model (LLM) 到 Large Reasoning Model (LRM) 本周推荐论文：POST-TRAINING OF LARGE LANGUAGE MODELS Post-training，本质是在做一件事，即如何运用 LLM 的 pretrained knowledge 来解决实际任务，具体的方法如 supervised fine-tuning（SFT）、instruction tuning 以及 reinforcement learning（RL）。

#大语言模型 #后训练 #Large Language Model #Large Reasoning Model #POST-TRAINING #预训练知识

宝玉

3个月前

问：宝玉老师，我一直很困惑，智能体跟Ai编程这两者的区别，智能体适合什么场景，Ai编程适合什么场景？请指教答：这其实是两个不同的概念，当然定义在不同的环境或者不同人解读可能都有不同，我只是基于通用场景以我自己的理解解释一下。首先说说 AI 智能体为什么现在有了智能度很高的的大语言模型还要有智能体呢？因为大语言模型它只能接受文字、图片、视频、文档等，输出也只能是文字图片，没有记忆，没有办法连接真实环境，不能感知外部环境也不能操作外部工具。就好比一个没有记忆大脑 🧠 而智能体则相当于给大脑加上了记忆和身体，可以感知环境，可以记住发生过的事情，可以去执行特定任务，可以规划和采取行动。比如说最近很火的 Manus，你给它一个任务去生成一份报告，它会去规划，去打开浏览器检索和找出所需要的信息，会记住每次浏览过的内容，最终完成任务生成一份报告。这个过程几乎不需要你参与，智能体会自主的帮你做决策，反过来如果是你只是借助大语言模型做报告，那么你必须要自己去检索资料，把检索好的资料筛选好交给语言模型帮你处理，因为模型不能感知环境不能操作不能规划。然后再说说 AI 编程 AI 编程是在编程领域应用 AI，让 AI 辅助或者自主的编写程序。通常我们把 AI 编程分成三种模式： 1. AI 智能提示完成如果你用过拼音输入法，你会知道每次输入法都会帮你自动完成你可能要输入的内容，大幅提升输入效率，AI 编程中的智能提示完成也就是你输入注释或者一部分代码，AI 会去“猜”你要写的内容，以提示的方式让你选择，如果是你想要的按 Tab 键就能自动完成代码。随着 AI 能力增强，现在 AI “猜”的准确率越来越高，大部分时候都很懂你。 2. AI 辅助编辑模式在没有 Cursor 这样的 AI 编辑器之前，用户如果要借助 AI 修改代码，需要手动把代码复制到和 AI 之间的聊天对话框，AI 生成代码后再复制回去，不少人工操作。而 AI 辅助编辑模式比如 Cursor 的 Composer，你只需要在编辑器中输入提示词说明你要做的修改，或者引用你要修改或者参考的代码，那么编辑器会自动帮你整理要提交给 AI 的代码，并且把 AI 返回的结果以 Diff（修改对比）的方式直观的显示出来，这样的话你只要点击确认就可以完成修改，如果不满意就拒绝并进一步写提示词要求修改。 AI 辅助编辑就是帮你简化了和 AI 的交互，但是还是需要你去主动输入提示词，人工确认修改结果，相当于 AI 给你当副驾驶辅助驾驶。从效果上来说，现在 AI 辅助编程如果你懂编程的话可以大幅提升开发效率，大部分时候只需要确认就可以；如果不懂编程，通常 AI 返回的结果你就很难分辨好坏，代码一多就可能会失控了。 3. AI Agent 模式如果说辅助编辑模式是副驾驶，AI Agent 模式就相当于自动驾驶了。最早是 Devin 开创的这种模式，现在 Cursor、Trae 这些编辑器都已经支持了 Agent 模式，你输入一个开发任务，然后 AI 自动去探索代码，自动规划，自动编码，自动测试。这种模式很理想化，一些简单的任务比如翻译、小 Bug 修改还完成的不错，但是目前因为模型的智能程度不够以及上下文窗口长度不够，所以实际效果并不是很理想，稍微复杂一点的代码和大一点的代码库还是不行。就像自动驾驶一样，十年前自动驾驶离我们还很远，而现在已经越来越近了，未来 AI Agent 在编程上也肯定可以越来越厉害，能替代一部分开发任务。最后再回到前面说的问题：智能体跟Ai编程这两者的区别，智能体适合什么场景，Ai编程适合什么场景？在人工智能领域，智能体（Intelligent Agent）指的是能够感知周围环境并采取行动以实现特定目标的自主实体，并不特定编程领域，各个领域都可以应用。 AI 编程是 AI 在编程领域的应用，并不仅限于用智能体，还可以有 AI 智能提示和辅助编辑。希望上面的回复解答了你的问题，有问题可以留言讨论。

#智能体 #AI编程 #大语言模型

背包健客

4个月前

生物学DeepSeek来了 2025年2月19日，Arc 研究所的 Patrick Hsu 和 Brian Hie 团队联合斯坦福大学、加州大学伯克利分校、加州大学旧金山分校以及英伟达的科学家，发布了有史以来最大的生物学人工智能模型——Evo-2，其在规模上堪比当前最强大的生成式人工智能大语言模型，但其训练仅使用了 2000 多个英伟达 H100 GPU，且该模型完全开源。该模型训练了从单细胞的细菌、古菌到真核生物以及多细胞的植物以及人类的生命之树中的 12.8 万个基因组 DNA 序列，从而能够实现对所有生命域的理解、建模和设计遗传密码，从头开始编写整个染色体，甚至从头设计生命，还能准确预测所有类型的基因突变（包括编码基因和非编码基因）的影响。 Evo-2 的训练使用了 2000 多个英伟达 H100 GPU，并得到了英伟达研究人员和工程师的合作支持。更重要的是，Evo-2 是完全开源的，在 GitHub 上共享了模型参数、训练代码、推理代码以及训练使用的 OpenGenome 2 数据集。世界各地的研究人员可以通过英伟达 BioNeMo 平台免费访问以及部署 Evo-2。

#生物学 #DeepSeek #Evo-2 #人工智能 #生物学模型 #大语言模型 #开源 #Arc研究所 #英伟达 #GPU #科学研究 #斯坦福大学 #加州大学伯克利分校 #加州大学旧金山分校

联合早报 Lianhe Zaobao

5个月前

英伟达（Nvidia）宣布在其开发者平台上线中国深度求索（DeepSeek）大语言模型。

#英伟达 #中国深度求索 #大语言模型 #开发者平台 #AI技术

宝玉

5个月前

这浓浓AI风的私信，让我有理由怀疑骗子们开始使用大语言模型对博主的资料分析，写针对性的搭讪私信

#AI #大语言模型 #骗子 #搭讪私信

佐仔

5个月前

《大语言模型》作者：赵鑫，李军毅，周昆，唐天一，文继荣

#大语言模型 #AI #机器学习 #深度学习 #自然语言处理 #人工智能

勃勃OC

5个月前

果然马斯克即将允许大语言模型实现车内交互了。。怎么说呢，当技术走在正确的道路上，它只会越来越正确。途中的小磕碰根本不用担心

#马斯克 #大语言模型 #车内交互