网站怎么防k昆仑万维做网站

网站怎么防k,昆仑万维做网站,黑人与白人做爰网站,wordpress 主题木马2025年LLM领域迎来六大范式变革#xff1a;可验证奖励强化学习提升模型推理能力#xff1b;鬼魂智能展现与人类不同的锯齿状能力#xff1b;Cursor开创LLM应用新层面#xff1b;Claude Code实现本地化AI代理#xff1b;氛围编码使非专业人士也能编…2025年LLM领域迎来六大范式变革可验证奖励强化学习提升模型推理能力鬼魂智能展现与人类不同的锯齿状能力Cursor开创LLM应用新层面Claude Code实现本地化AI代理氛围编码使非专业人士也能编程Gemini Nano开启LLM图形界面时代。AI正以超预期速度重塑软件开发生态潜力远未释放。Andrej Karpathy 这个搞AI的老哥在X上发布了自己的2025 LLM 年度总结引起了热烈的讨论这里记录推文内容并单独加了一些自己的思考方便后续学习Andrej Karpathy介绍在 EurekaLabsAI 工作曾任特斯拉人工智能总监OpenAI创始团队成员斯坦福大学计算机科学硕士/博士推文内容2025年是大型语言模型LLM取得的强劲且充满事件性的一年。以下是一些个人值得注意且略显意外的“范式变革”——那些改变了局势并在概念上让我印象深刻的事情。1. 可验证奖励的强化学习RLVR2025年初所有实验室的LLM生产堆栈大致如下预训练2020 年 ~3 的 GPT-2/3监督微调InstructGPT ~2022人类反馈强化学习RLHF ~2022这曾是训练生产级大型语言模型的稳定且经过验证的配方。2025年可验证奖励强化学习RLVR成为这一组合中事实上的新主要平台。通过训练LLM面对多种环境中自动验证的奖励例如数学/代码谜题LLM自发发展出看起来像“推理”的策略——它们学会将问题解决分解为中间计算并学习多种解决问题的策略来反复解决问题示例见DeepSeek R1论文。在之前的范式中这些策略很难实现因为目前还不清楚LLM的最佳推理追踪和恢复方式是什么——它必须通过针对奖励的优化找到适合自己的方法。与SFT和RLHF阶段不同后者都是相对薄且短的阶段计算微调RLVR涉及针对目标不可游戏奖励函数进行训练从而实现更长时间的优化。运行RLVR提供了高能力/成本消耗了原本用于预训练的计算量。因此2025年大部分能力进步都由大型语言模型实验室突破这一新阶段的突出部分定义总体上我们看到了~大小相近的大型语言模型但强化学习运行时间更长。这个新阶段的独特之处是我们新增了一个全新的旋钮以及相关的尺度定律通过生成更长的推理迹和增加“思考时间”来控制测试时间计算的能力。OpenAI o12024年底是RLVR模型的首次演示但o3发布2025年初是明显的转折点直观地感受到差异。思考虽然我不是AI研究人员从应用层面上也算了解一部分吧2025年初DeepSeek的火爆各路厂商个体都在使用DeepSeek或基于DeepSeek开发应用蒸馏模型微调训练等2. 鬼魂对抗动物 / 锯齿智力2025年是我我想整个行业也是首次以更直观的方式内化“LLM智能”的时期。我们不是“进化/成长的动物”而是“召唤鬼魂”。LLM堆栈的一切都不同神经架构、训练数据、训练算法尤其是优化压力因此我们在智能领域看到非常不同的实体并不令人意外这些实体不适合用动物的视角来思考。在监督方面人类神经网络优化为丛林中部落的生存而大型语言模型神经网络则优化为模仿人类文本、在数学谜题中收集奖励以及在LM竞技场获得人类的赞。随着可验证域允许RLVRLLM在这些域附近的能力“激增”整体表现表现奇特且参差不齐——它们既是天才博学者也是困惑且认知有障碍的小学生随时可能被越狱骗取数据。人类智能蓝色人工智能智能红色。我喜欢这个版本的梗抱歉我丢失了对X原帖的引用因为它指出人类的智能也有它独特的锯齿状。与此相关的是我对2025年基准的普遍冷漠和失去信任。核心问题在于基准测试几乎天生就是可验证的环境因此很容易受到RLVR及其较弱形式通过合成数据生成的影响。在典型的benchmaxxing过程中LLM实验室的团队不可避免地会在嵌入空间中基准测试的小区域旁边构建环境并加长锯齿覆盖这些区域。在测试场上训练是一种新艺术形式。能轻松完成所有基准测试却还没达到AGI是什么样子我在这里写过更多关于本节主题的内容动物与鬼魂的对决可验证性心灵空间思考在AI不断的使用中早起也遇到不少AI模型幻觉问题如果内容长了或者有些问题回答不了了AI还在一本正经的胡说八道3. 光标/新一层大型语言模型应用我觉得Cursor最值得注意的一点除了它今年的迅速崛起是它令人信服地揭示了“LLM应用”的新层面——人们开始谈论“X的Cursor”。正如我在今年的Y组合器演讲中强调的那样逐字稿以及视频如Cursor捆绑并协调特定垂直领域的LLM调用他们做的是“上下文工程”他们在底层协调多个LLM调用串联在越来越复杂的DAG中谨慎平衡性能和成本权衡。它们为环路中的人类提供了一个应用特定的图形界面他们提供“自动滑块”2025年有很多讨论关于这个新应用层有多“厚”。LLM实验室会涵盖所有应用吗还是LLM应用有“绿草地”我个人认为LLM实验室会培养出普遍能力强的大学生但LLM应用会通过提供私有数据、传感器和执行器以及反馈回路组织、优化并真正激活LLM团队成为特定行业的专业人才。思考Cursor 刚出来的时候我就一直在用了从2024年开始用起来的一直到现在也交替着使用内置的一些能力非常强大性能方面表现特别优秀似乎没有出现明显卡的问题尤其是Tab的能力明显优于其他开发编辑器4. Claude代码/存储在你电脑上的AI。Claude CodeCC成为了第一个令人信服的大型语言模型代理LLM Agent的演示——它以一种奇怪的方式将工具使用和推理串联起来用于扩展问题解决。此外CC对我来说特别之处在于它运行在你的电脑上并结合你的私人环境、数据和上下文。我觉得OpenAI做错了因为他们把codex/agent工作重点放在ChatGPT编排的容器云部署上而不是“localhost”。虽然在云端运行的代理群体感觉像是“通用人工智能的终极目标”但我们生活在一个中介且起步缓慢、能力参差不齐的世界更合理的做法是直接在电脑上运行代理配合开发者及其具体配置。CC正确地安排了优先顺序并将其打包成一个美丽、极简且引人入胜的CLI形态改变了AI的面貌——它不仅仅是像Google那样的网站而是“生活”在你电脑上的一个小灵体/幽灵。这是一种全新的、独特的人工智能互动范式。思考CC我没用过周围的朋友很多人在用反馈不错能力强大5. 氛围编码2025年是人工智能跨越能力门槛能够仅凭英语构建各种令人印象深刻的程序甚至忘记了代码的存在的一年。有趣的是我创造了“氛围编码”这个词这群思绪的雨 推文完全没意识到事情会发展到:)。在氛围编码中编程并不严格地只限于受过高素质的专业人士任何人都能做到。在这个身份上这又是我在权力归于人民大型语言模型如何颠覆技术扩散的格局以及与迄今为止所有其他技术形成鲜明对比普通人从大型语言模型中受益远多于专业人士、企业和政府。但氛围编码不仅让普通人能够更好地编程还让受过培训的专业人士能够编写更多氛围编码的软件这些软件本来根本不会被写出来。在nanochat里我感觉自己用Rust编写了自定义高效BPE分词器而不是用现有库或在那个层面学习Rust。今年我把很多项目都写成了快速应用演示展示我想实现的东西例如参见菜单,LLM理事会,读者3,HN 时间胶囊).我甚至尝试编写过整个短暂应用只为找到一个漏洞因为为什么不呢——代码突然变得免费、短暂、可塑、一次性使用后可以丢弃。Vibe编码会改造软件并改变职位描述。思考这是今年最火的一个情况了AI编程应用能力的大幅提升重新定义了软件开发的范式非开发人员也能开发软件像Trae这种早就内置了语音转文字的输入功能好多远程工作者独立产品制作者动动嘴就能开发软件了6. 纳米香蕉 / LLM 图形界面谷歌Gemini Nano香蕉是2025年最令人难以置信、最具范式转变性的型号之一。在我看来LLM是下一个主要的计算范式类似于1970年代、80年代的计算机。因此我们将看到基于根本相似原因的类似创新。我们将看到类似个人计算、微控制器认知核心或互联网智能体等等物出现。特别是在UIUX方面与LLM进行“聊天”有点像1980年代向计算机控制台下达命令。文本是计算机和大型语言模型最常用的原始数据表示方式但对用户来说尤其是在输入端它并不是首选格式。人们其实不喜欢读文字——它缓慢且费力。相反人们喜欢视觉和空间上获取信息这也是传统计算机中图形界面GUI被发明的原因。同样LLM也应该以我们喜欢的形式与我们对话——通过图片、信息图表、幻灯片、白板、动画/视频、网页应用等形式。当然早期和现在的版本是像表情符号和Markdown这样的工具它们用来“装饰”文字用标题、加粗、斜体、列表、表格等方式直观地排版方便使用。但到底是谁来构建LLM图形界面呢在这种世界观中纳米香蕉是其可能面貌的最初早期暗示。更重要的是这不仅仅是图像生成本身的问题而是文本生成、图像生成和世界知识的联合能力这些都交织在模型权重中。思考Nano Banana 的出现让创作更方便更有趣看了一些别人的作品表现太秀了说什么生成什么很多奇思妙想都值得一试总结总结一下。2025年是大型语言模型令人兴奋且略带惊喜的一年。大型语言模型作为一种新型智能出现既比我预期的聪明得多又比我预想的笨得多。无论如何它们非常有用我认为即使以目前的能力行业也远未实现其潜力的10%。与此同时有太多想法可以尝试从概念上看这个领域看起来非常开放。正如我在 Dwarkesh pod 今年早些时候我同时表面上看似矛盾地相信我们会看到快速且持续的进步但仍然有很多工作要做。系好安全带。思考2025年AI各个方面都发生了翻天覆地的变化AI正在改变我们的一切积极拥抱AI拥抱变化如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】