David的AI全景图

光华David
  • 5.0（1則評分）
  • 科技
  • 每週更新兩次

David的开源学习笔记和自制狗粮

  1. 31 分鐘前

    OpenAI内部工程师都是如何使用Codex的

    来自OpenAI内部工程师访谈的真实用例和最佳实践。 来源：https://cdn.openai.com/pdf/6a2631dc-783e-479b-b1a4-af0cfbd38630/how-openai-uses-codex.pdf

    9 分鐘

  2. 2 天前

    聊聊刚发布的GPT 5-Codex

    OpenAI昨天发布了AI编程工具Codex有史以来最大的更新。 来源：https://openai.com/index/introducing-upgrades-to-codex/

    12 分鐘

  3. 9月11日

    Thinking Machines最新论文《克服LLM推理中的不确定性》

    由史上最大种子轮融资（20亿美元）、OpenAI前CTO Mira Myrati领衔创立的Thinking machine Labs，前天发布了这篇论文《克服 LLM 推理中的不确定性》。 摘要： 可重复性是科学进步的基石。然而，从大语言模型中获得可重复的结果极其困难。 例如，你可能观察到向ChatGPT多次提出同一个问题会得到不同的结果。这本身并不令人惊讶，因为从语言模型获得结果涉及"采样"过程——将语言模型的输出转换为概率分布并概率性地选择一个token。来源：https://thinkingmachines.ai/blog/defeating-nondeterminism-in-llm-inference/

    13 分鐘

  4. 9月10日

    吴恩达Claude Code课程精华

    吴恩达和Anthropic技术教育主管Elie Schoppik一起开的课。 使用 Claude 代码来探索、开发、测试、重构和调试代码库。 使用 MCP 服务器（例如 Playwright 和 Figma MCP 服务器）扩展 Claude Code 的功能。 将 Claude Code 最佳实践应用于三个项目：探索和开发 RAG 聊天机器人的代码库、重构 Jupyter 笔记本以获取电子商务数据并将其转换为仪表板、以及从 Figma 模型构建 Web 应用程序。来源：https://www.deeplearning.ai/short-courses/claude-code-a-highly-agentic-coding-assistant/

    12 分鐘

  5. 9月8日

    Granola创始人访谈：如何打造令人喜爱的AI产品

    Granola 是一家罕见的人工智能初创公司，它涉足了科技界最拥挤的利基市场之一——会议记录，却仍然成功成为创始人和风险投资家们热捧的产品。 在本期节目中，MAD Podcast 主持人 Matt Turck 与 Granola 联合创始人兼首席执行官 Chris Pedregal 进行了访谈，深入探讨了一支伦敦的二人团队如何将一个简单的“第二大脑”创意打造成硅谷最受欢迎的人工智能工具。 Chris 讲述了他们一年来如何悄无声息地逐一引导用户，如何将 50% 的功能削减到极致，以及如何在投资者批评他们疯狂的时候，拒绝部署会议机器人或存储音频。我们深入探讨了打造一款备受喜爱的人工智能产品的精髓：选择会议记录（而非电子邮件）作为数据楔入点，设计日历触发的习惯循环，以及如何对隐私的极致关注，最终赢得用户的信任，将记忆功能外包出去。 Chris 揭秘了 Granola 的技术栈——Deepgram 和 Assembly 的实时自动语音识别 (ASR)、设备上的回声消除以及跨 OpenAI、Anthropic 和 Google 模型的动态路由——并解释了为什么转录而非 LLM 代币是当今最大的成本驱动因素。他还揭示了内部评估工具如何让团队在一夜之间切换模型，而不会破坏“Granola 的声音”。 来源：www.youtube.com

    13 分鐘

  6. 9月7日

    OpenAI 最新论文《为什么模型会产生幻觉》

    来自 OpenAI 最新发布的论文《为什么语言模型会幻觉》（Why Language Models Hallucinate）。核心论点是，语言模型产生幻觉的根本原因是：训练和评估过程奖励猜测而非承认不确定性，且幻觉的产生源于二元分类中的错误。 摘要： LLM 幻觉就像学生考试时“蒙题”。 大型语言模型在不确定时，常常会像面对难题的学生一样，选择**“猜测”而非承认“不知道”，从而产生看似合理却错误的回答。这种行为在最先进的 AI 系统中也普遍存在，并且损害了我们对它们的信任。 幻觉并非神秘，它只是 AI 的“小失误”。 研究指出，AI 的幻觉并非什么高深莫测的现象，它本质上就是其内部**“是非判断”系统（二元分类）中产生的错误。简单来说，模型在判断一个信息是真是假时出了错，然后就自信地把错的说出来了。 即使训练数据完美无瑕，AI 也可能“犯错”。 令人惊讶的是，即使给 AI 喂食的是完全正确、没有一点错误的数据，它在预训练阶段优化的统计目标也会导致它生成错误。 “冷门知识”更容易让 AI“编造”。 如果某个事实在训练数据中只出现过一次（就像一本非常厚的百科全书里只提了一次的冷知识），那么模型在回答这个问题时产生幻觉的几率就会大大增加。 AI 的“考试制度”鼓励它“撒谎”。 幻觉之所以难以消除，一个核心原因在于当前的 AI 评估方式。大多数评估基准都采用简单的“对错”二元评分，对于回答“我不知道”或留白的情况，模型会得 0 分；而即使是“蒙对”了，也能得高分。这种机制激励模型在不确定时也要大胆猜测，而非诚实地表达不确定性。 “搜索工具”也救不了爱“蒙题”的 AI。 即使给 AI 配备了强大的搜索工具（例如检索增强生成，RAG），如果评估系统仍然奖励猜测，那么当搜索结果无法给出确信答案时，模型仍然会选择“蒙题”。所以，光有工具不够，关键在于改变“考试规则”。来源：cdn.openai.com

    16 分鐘

  7. 9月3日

    刚开源的腾讯混元翻译模型解读

    背景：来听听腾讯昨天刚开源的混元翻译模型技术报告解读。 包含一个翻译模型Hunyuan-MT-7B和一个集成模型Hunyuan-MT-Chimera。翻译模型用来将待翻译的文本翻译成目标语言，集成模型用来把翻译模型的多个翻译结果集成为一个更好的翻译。重点支持33语种互译，支持5种民汉语言。 WMT25参赛31语种之中30语种获得第一名的成绩。 Hunyuan-MT-7B同尺寸业界效果最优 Hunyuan-MT-Chimera-7B是业界首个开源翻译集成模型，可以将翻译效果再拉高一个档次 提出了一个完整的翻译模型训练范式，从Pretrain->CPT->SFT->翻译强化->集成强化，翻译效果达到同尺寸SOTA。来源：https://github.com/Tencent-Hunyuan/Hunyuan-MT/blob/main/Hunyuan_MT_Technical_Report.pdf

    13 分鐘

  8. 9月1日

    实用的74页《MCP图解指南》讲解

    原文是一份 74 页免费的模型上下文协议（MCP）学习指南。下载地址见文末。 资料深入探讨了 MCP 的核心能力，即工具（可执行操作）、资源（只读数据源）和提示（预定义模板），并通过一系列实践项目展示了 MCP 在本地客户端构建、智能代理 RAG、金融分析、语音代理、统一数据源管理、AI 共享内存、复杂文档 RAG、合成数据生成、深度研究、视频 RAG 以及音频分析等多个领域的应用。 来源：https://drive.google.com/file/d/1a0OMR6NKTY-R2ZeLJVnDimkmTauarXPB/view

    15 分鐘
顯示全部 (63)

簡介

David的开源学习笔记和自制狗粮

資訊

  • 創作者
    光华David
  • 活躍年代
    2025年
  • 集數
    63
  • 年齡分級
    兒少適宜
  • 版權
    © 光华David@小宇宙App
  • 節目網站
    David的AI全景图

你可能也會喜歡