2026
- 2026/07/11LLM 系列 (二十四)：个性化与记忆，大模型如何理解每一个用户
- 2026/07/11LLM 系列 (二十三)：数据飞轮，大模型能力如何持续进化
- 2026/07/10LLM 系列 (二十二)：端侧大模型，大模型如何在本地设备上运行
- 2026/07/09LLM 系列 (二十一)：模型压缩，如何降低大模型推理成本
- 2026/07/09LLM 系列 (二十)：Function Calling，大模型如何稳定调用工具
- 2026/07/08LLM 系列 (十九)：MCP，大模型如何连接外部工具生态
- 2026/07/07LLM 系列 (十八)：提示词与上下文工程，如何更好地调用大模型能力
- 2026/07/06LLM 系列 (十七)：从全量微调到 LoRA，大模型如何适配垂直场景
- 2026/07/05LLM 系列 (十六)：评测与安全，如何判断大模型是否真正可靠
- 2026/07/05LLM 系列 (十五)：多模态，大模型如何从文字走向理解世界
- 2026/07/04LLM 系列 (十四)：Agent，大模型如何从对话走向行动
- 2026/07/03LLM 系列 (十三)：RAG，大模型如何连接外部知识
- 2026/07/02LLM 系列 (十二)：预训练数据工程：大模型的燃料是如何炼成的
- 2026/07/01LLM 系列 (十一)：长上下文：大模型如何读懂更长的信息
- 2026/06/30LLM 系列 (十)：推理模型：大模型如何从回答走向思考
- 2026/06/29LLM 系列 (九)：推理服务：大模型如何高效生成 Token
- 2026/06/28LLM 系列 (八)：分布式训练：千卡集群如何训大模型
- 2026/06/27LLM 系列 (七)：后训练与对齐：从续写器到协作者
- 2026/06/26LLM 系列 (六)：预训练的本质：从预测下一个 Token 到通用能力
- 2026/06/24LLM 系列 (五)：Dense 与 MoE，大模型如何从全量计算走向稀疏激活
- 2026/06/23LLM 系列 (四)：Transformer 架构篇：大模型为什么选择了 Transformer
- 2026/06/22LLM 系列 (三)：算法原理篇：机器是如何学会语言的
- 2026/06/21LLM 系列 (二)：机器如何把语言变成数学
- 2026/06/19LLM 系列 (一)：从 AI 到 LLM