归档: 2026/10 | Halensea

2026

10

27

大模型评测：公开基准、数据污染与自建评测集

评测回答的是"这个模型能用吗"，但公开基准是代理测试：会饱和、会污染、会被优化。这篇把主流基准的谱系、数据污染的机理、LLM-as-a-Judge 的偏差、以及"自己的评测集"怎么建，一次讲清

2026-10-27 人工智能

大模型模型评测基准测试 LLM-as-a-Judge

27

文本怎么变成向量

把一段文本映射成固定长度的向量，让"语义相近"变成"距离相近"——这句话说起来只有一步，背后是训练目标对空间几何的整体塑形：嵌入空间的性质不是天然存在的，是被损失函数逐个塑造出来的

2026-10-27 人工智能

Embedding 文本表示对比学习语义检索

27

知识图谱：三元组、构建流水线与大模型时代

知识图谱回答的是"谁和谁有什么关系"——把世界拆成实体和关系，存成图，再让机器查询和推理。难点从来不在存图，而在把混乱的自然语言变成干净的三元组：实体抽取、关系抽取、实体消歧，每一步都在跟歧义作战

2026-10-27 人工智能

知识图谱实体识别实体链接图数据库

25

实例分割：从语义分割到分割一切

检测给出"框住目标的矩形"，分割要给出"目标本身的轮廓"——像素级的输出让任务的难度、指标和标注成本都换了量级。从 FCN 到 Mask R-CNN 再到提示式的 SAM，这篇把分割家族的谱系、评估与工程落地讲清

2026-10-25 人工智能

实例分割图像分割 SAM 计算机视觉

24

YOLOv8 实战：环境、数据、训练与部署

从一个空环境开始：装依赖、跑通第一次推理、标注自己的数据、训练、读懂训练产物、导出部署——每一步给命令、预期输出和踩坑提示，全程不需要先懂检测原理

2026-10-24 人工智能

模型部署 YOLO 目标检测模型训练

20

YOLO 是怎么工作的：目标检测的原理与流程

目标检测要同时回答"有什么"和"在哪里"，而且答案的数量不固定。YOLO 把这两个问题压成一次前向传播的回归，十年间从七乘七网格走到免 NMS 的端到端，变化的是手段，不变的是实时这个约束

2026-10-20 人工智能

深度学习计算机视觉 YOLO 目标检测

20

向量存储

向量存储不只是"存向量"——它要在一个不能同时满足召回、延迟、内存的三角里做取舍，还要把标量过滤、增删改、权限和一致性一并解决。索引结构决定了前一半，工程能力决定了后一半

2026-10-20 人工智能

向量检索向量数据库近似最近邻索引结构

20

RAG从文档切分到答案引用

检索增强生成要解决的不是"让模型知道更多"，而是在一个固定的上下文预算里，从百万级片段中挑出真正该进窗口的那几个——这是一个排序问题，也是一个误差会逐级累积的工程链路

2026-10-20 人工智能

RAG 向量检索混合检索

15

Transformer 是怎么工作的

2017 年那篇论文真正拿掉的不是注意力，而是循环——把序列上不可并行的依赖换成一次矩阵乘法，让序列上任意两个位置直接相乘，此后所有主干模型都长在这个骨架上

2026-10-15 人工智能

Transformer 注意力机制位置编码

14

多模态模型

文本是主模态，其它模态都要先被翻译成它——多模态的全部工程问题都从这句话长出来。文本是一种高效的压缩格式，但不是世界的全部格式

2026-10-14 人工智能

多模态视觉语言模型 CLIP 视觉

13

模型微调与对齐

微调和对齐是两条不同的轴：一个改"会不会做"，一个改"愿不愿意做/怎么做"。

2026-10-13 人工智能

微调对齐 SFT DPO

12

AI算力设施：算力服务器、数据存储、应用服务器

模型跑在什么上面。三类设施——算力服务器（发动机）、数据存储（油箱加仓库）、应用服务器（方向盘加仪表盘）——按数据流串起来看，各自的选型维度、要算的账和最容易撞的墙。

2026-10-12 人工智能

算力存储推理部署 AI 基础设施