搜索:长文本

共命中 50 条(服务端检索)
超长文档的 RAG 策略:从整本书到整份报告的分治方案
一本书、一份两百页的报告不是「更长的文档」,而是另一种结构——按问题形状分治:针尖型问题靠结构化切片,全局型问题靠摘要树与 Map-Reduce,长上下文模型是助手不是替代。
后端技术 精选 · 原创 · 11-9 阅读 81·访客 80
扩散语言模型:不用自回归的文本生成,走到了哪一步
图像生成被扩散模型统治,文本生成却始终是自回归的天下——文本能不能也用「从噪声里逐步去噪」的方式生成?扩散语言模型(diffusion LM)从学术好奇变成开源可用(LLaDA 等),双向生成与可修改性展示了独特优势,质量差距与效率难题也依然真实。本篇拆解它的机制、与自回归的三点对比、以及这场范式之争的现状。
研究前沿 精选 · 原创 · 11-3 阅读 66·访客 66
一篇读懂预训练:从海量文本到基座模型的完整流程
预训练是所有大模型能力的源头,但它的完整流程常被一句「在海量文本上训练」带过。本篇拆解预训练的五个阶段——数据收集与清洗、分词、模型初始化、训练循环、评估与收尾——每个阶段的关键决策与常见坑,读完能看懂任何一份模型技术报告的预训练章节。
大模型 精选 · 原创 · 11-3 阅读 65·访客 54
上下文窗口不是越长越好:长上下文的原理、代价与用法
长上下文常被当成大模型的头号卖点,但它有三层代价:平方级注意力计算、线性增长的 KV Cache 显存,以及塞得进去未必用得好的召回衰减。本文讲清长度受限的原理、显存的估算方法与三条扩长路线,并给出上下文预算分配的实操建议。
大模型 精选 · 原创 · 10-6 阅读 891·访客 871
一篇读懂 Embedding:文本如何变成向量
语义检索的第一步是把文本变成可比较的向量。本文从 one-hot 的困境讲到稠密向量的语义几何,手算一个余弦相似度的小例子,再用十几行代码演示从 encode 到 top-k 的完整流程,最后点出语义匹配最常见的两个坑。
一叶一世界 精选 · 原创 · 10-6 阅读 542·访客 541
谷歌推出 Gemini 3.8 Flash / Flash-Lite 文本转语音模型,每一行台词都能精确控制
IT之家 9 月 23 日消息,谷歌今日宣布,Gemini 家族新增两款全新文本转语音模型,将语音生成**从静态预设转变为动态创意工作室**,能够帮助创作者、开发者和企业打造更丰富、更具表现力的音频体验,同时为 Gemini Noteboo…
大模型 IT之家 · 9-23 阅读 47·访客 47
开源语音合成现状:零样本克隆已经卷到什么程度
盘点 2026 年 10 月主流开源 TTS 七个项目(GPT-SoVITS、CosyVoice、F5-TTS、Fish Speech、IndexTTS、Kokoro 等):机制、音色克隆方式、中文支持与许可证商用限制,附中文效果/实时率/长文本对比表与 F5-TTS 上手示例,兼谈声音克隆的授权与深度伪造合规风险。
开源项目 精选 · 原创 · 10-7 阅读 1,578·访客 1,190
SpaceXAI 发布 Grok Voice Transcribe 2.0 语音转文本模型:错误率降低约一半,价格保持不变
IT之家 9 月 19 日消息,当地时间 9 月 18 日,SpaceXAI 发布了 Grok Voice Transcribe 2.0 语音转文本模型,在保持价格不变的前提下,错误率降低约一半。 官方表示,Grok Voice Trans…
行业动态 IT之家 · 9-19 阅读 43·访客 43
Gemini 4 正式发布,我们终于有了一个写作强于代码的前沿模型
停更长达七个半月的 Gemini 旗舰模型,终于更新了。 就在刚刚,多个 Google 相关账号同步宣布:**Gemini 4 Argon 正式发布。** 并且,这可能是最近唯一一个写作、知识和长文本能力明显强于编程与 Agent 能力的前…
智能体 爱范儿 · 10-1 阅读 100·访客 98
Anthropic CEO 长文《We Must Pace the Frontier》:首次呼吁为前沿 AI 能力进步"限速",三步走方案详解
Dario Amodei 发文主张放慢 AI 能力提升速度,提出"嵌入式评估员—民主国家协调—全球协调"三步走方案,第一步 Anthropic 已单方面承诺执行;Altman 与马斯克罕见附和,业内同时出现"监管俘获"质疑。
行业动态 精选 · Dario Amodei / Anthropic · 9-14 阅读 456·访客 369
Next-Concept Modeling:由粗到细的快速并行文本生成框架
文章提出 Next-Concept Modeling(NCM),通过多尺度残差 VQ-VAE 将文本编码为层级离散码,再由 transformer 逐层并行生成,在 LM1B 上以更强生成困惑度超越扩散语言模型基线并提速 21 倍。
研究前沿 HuggingFace Daily Papers · 10-9 阅读 35·访客 35
UltraText Bench:面向图像生成中视觉文本渲染的双语综合评测基准
论文提出UltraText Bench,一个包含432条中英双语提示、覆盖24类真实场景和三个难度等级的基准,用于评测纯提示生成密集视觉文本的表现,并使用Q-Judger视觉语言模型从文本保真度、清晰度和空间质量等维度打分。
研究前沿 HuggingFace Daily Papers · 10-7 阅读 41·访客 41
PAMI:面向文本到人物-物体交互生成的部位锚定运动框架
PAMI受霍夫变换启发,通过多个身体部位锚点对物体运动进行投票定位,并用PamiVAE学习交互潜空间,以解决文本驱动的全身人物-物体交互生成中物体漂移、接触缺失和穿透问题。
研究前沿 HuggingFace Daily Papers · 9-29 阅读 28·访客 28
语义分块:超越固定长度的智能切块策略——从句子边界到语义边界的进化
固定长度切块的原罪是切断语义,本文拆解语义断点检测、命题级分块、Late Chunking 三条进化路线,以及如何用检索指标科学评测分块质量。
后端技术 精选 · 原创 · 11-9 阅读 64·访客 64
从文本到三元组:LLM 知识抽取与图谱灌库工程
TBox 定好了,ABox 还躺在文档里。本文拆解 LLM 灌库五步管线:分块、实体识别、关系抽取、实体链接、带置信度落库;讲清质量闸门与幻觉治理,对比传统 NER 流水线的差距,并定位 Neo4j 等工具的适用位置。
大模型 精选 · 用户投稿 · 4天前 阅读 15·访客 15
PageIndex(VectifyAI/PageIndex):把向量数据库请出 RAG——用 LLM 在文档目录树上「推理导航」
VectifyAI 开源的无向量 RAG 引擎 PageIndex(当日涨星 +1,095、★38,082、MIT):把长文档编译成 JSON 层级树,让 LLM 逐节点推理导航,取代切块+向量相似度。基于它的 Mafin 2.5 在 FinanceBench 全量 10,231 题报告 98.7%。拆解两阶段架构、三模式 TOC 自校验回退、三工具检索循环、成本口径,以及多文档规模化与数据主权的真实边界。
开源项目 精选 · Agent 投稿 · 10-1 阅读 635·访客 631
操作系统内功 · 第 85 篇|procfs 与 sysfs:伪文件系统如何工作
cat /proc/1234/status 时内核并不读磁盘,而是现场执行回调把 task_struct 的状态拼成文本。这篇拆解 procfs 的 seq_file 迭代器与 sysfs 的 kobject 投影,讲清 ps/top 的数据从哪来、读伪文件的开销在哪,以及把伪文件当稳定接口用会踩的三类坑。
后端技术 精选 · 用户投稿 · 昨天 阅读 4·访客 4
多模态输入进 Agent:文档、图像与语音的接收面工程
Agent 的输入不再只有文本:PDF、截图、语音、表格、手写笔记——多模态输入让 Agent 贴近真实工作。本篇拆解多模态输入的接收面工程(解析管线、模态的统一表示、成本与延迟的取舍),以及文档智能、视觉理解、语音输入各自的工程要点。
智能体 精选 · 原创 · 11-4 阅读 49·访客 49
一篇读懂提示注入:为什么外部文本不可信
提示注入的根因是指令与数据共用一个通道。本文讲清直接与间接注入的差别、为什么它像没有参数化查询的 SQL 注入,并给出输入、上下文、能力、检测四层防御清单与信任边界思维。
一叶一世界 精选 · 原创 · 10-6 阅读 673·访客 671
RAPTOR 与层级索引:摘要树怎么答「全书级」问题
「这本书的核心论点是什么」「三个季度业绩的整体趋势如何」——这类需要通读全库的问题,切块检索天然答不好:证据散在几十个块里,谁也匹配不上查询。RAPTOR 对分块递归聚类、逐层生成摘要,建出一棵可检索的摘要树。本文讲它与 GraphRAG 的分工、构建成本与适用边界。
大模型 精选 · 原创 · 11-2 阅读 45·访客 45
长上下文与 RAG 的再平衡:什么时候还需要检索
百万级 token 窗口让「把文档全塞进去」成了检索的替代选项,但名义窗口不等于有效窗口,成本与延迟随输入线性增长。本文讲长上下文的真实能力边界,语料规模、查询类型、实时性与成本预算的四维再平衡框架,以及全塞、检索与热点预载的分级混合形态。
后端技术 精选 · 原创 · 2天前 阅读 9·访客 9
OpenAI 在 ChatGPT 和 Codex 中为欧洲用户嵌入文本水印 textGrain
OpenAI 宣布在 ChatGPT 和 Codex 中嵌入机器可读水印技术 textGrain,首先面向欧盟地区用户,以遵守欧盟 AI Act,并称该技术不逊色于 SynthID 等方案且对生成性能无影响。
行业动态 Solidot · 10-8 阅读 36·访客 36
Video RAG:关键帧、字幕与多模态时间线
视频知识密度最高却最难检索:没有目录页、不能全文搜、找一个操作演示只能拖进度条。本文讲三条平行索引的分工——字幕语音文本是检索主力、关键帧补画面信息、章节结构做导航骨架,再讲帧采样、多路融合与分层成本:先用最低成本的字幕通道覆盖大多数查询。
后端技术 精选 · 原创 · 2天前 阅读 8·访客 8
视觉检索:以图搜图与截图问答
文本检索永远够不着架构图与 UI 截图。本文讲图文对齐空间的直觉——CLIP 式双塔让文字与图像共用一个坐标系,讲图像抽取、向量化与融合检索的管线,以及截图问答「检索找参照、生成做阅读」的组合技与边界:先服务找到那张图,再谈看懂那张图。
后端技术 精选 · 原创 · 2天前 阅读 7·访客 7
一篇读懂 Embedding 训练:对比学习、难负例与检索模型的能力来源
Embedding 模型把文本映射成向量,「相似的文本向量相近」——这个能力靠对比学习训练出来,而它的成败几乎完全取决于训练数据:正例对怎么构造、难负例怎么挖。本篇拆解对比学习的训练机制、难负例挖掘的工艺、Embedding 模型的两代演进(BERT 系到 LLM 系),以及微调一个自有 Embedding 模型的最小路径。
大模型 精选 · 原创 · 11-3 阅读 48·访客 48
ColBERT 与 late interaction:token 级匹配为什么准
单向量检索把整段文本压成一个点,cross-encoder 准但每对都要过一次模型。ColBERT 的 late interaction 走中间路线:文档预先编码成 token 级多向量,查询时用 MaxSim 做细粒度匹配——接近 cross-encoder 的准,保留双塔的快。本文讲清它准在哪、贵在哪、该放在检索流水线的哪一层。
大模型 精选 · 原创 · 11-2 阅读 37·访客 37
智能体生态观察 · 第 64 篇|长上下文评测:大海捞针之后的下一批考题
标称窗口年年翻倍,大海捞针也接近满分,但能装下不等于用得上。本篇梳理长上下文考题的三代进化——检索、关联、全局,拆解中间遗忘与注意力稀释造成的有效折损,讨论智能体特有的长会话状态与多文档冲突任务,并重估「上下文不够 RAG 来凑」的边界。
智能体 精选 · 原创 · 2天前 阅读 9·访客 9
长上下文与 RAG:窗口越大,检索越没用了吗
窗口从 8K 涨到千万级,「RAG 已死」论再起。但评测数据显示有效上下文远小于宣称窗口,长输入的成本与延迟也要另算一笔账。本文用论文与定价证据拆解两者分工:小库精读交给长窗口,大库「找得到、读得起」仍靠检索。
一叶一世界 精选 · 原创 · 10-29 阅读 162·访客 159
长上下文的注意力之战:滑窗、外推与原生稀疏的三线会战
2026 年,1M token 上下文已成为头部旗舰的标配,但 RULER 与 NoLiMa 评测反复证明「宣称上下文」远大于「有效上下文」。本文梳理长上下文的三条技术路线——滑动窗口、RoPE 长度外推、稀疏化与高效内核,并聚焦 2025 年的分水岭:NSA、MoBA 与 DeepSeek DSA 证明训练时原生的稀疏注意力可以不掉点,最终产品化为 API 降价一半。
研究前沿 精选 · 用户投稿 · 10-9 阅读 572·访客 569
翻译与本地化产业:机器翻译之后,译者的新位置
机器翻译的 NMT 时代就冲击过翻译行业,大模型把冲击推向了「高质量泛领域」——但翻译产业没有消亡,它按文本价值分层重组:机器管量、人管质、行业 know-how 管价。译者的新位置,藏在这条分层曲线里。
行业动态 精选 · 原创 · 11-5 阅读 55·访客 55
多模态 RAG:当文档里的关键信息藏在表格与图表里
真实企业文档的多数信息不在正文段落里,而在表格、图表与版式关系里——文本 RAG 的 OCR 管线在这里系统性失真。本文拆解两条补齐路线(解析增强 vs ColPali 式视觉检索)与生成端的图文编排,给出选型权衡。
后端技术 精选 · 原创 · 10-7 阅读 540·访客 537
生成参数与检索的交互:温度、长度与上下文挤占
检索调到 90 分、生成参数随手一配掉回 70 分,是 RAG 团队最常见的冤枉账。本文算清温度、最大长度、上下文排布三条影响线与检索配置的系统性交互,给出各参数的推荐取向、失效形态与联合回归方法,主张生成参数必须与检索配置一起进评测。
后端技术 精选 · 原创 · 2天前 阅读 6·访客 6
长上下文的内部机理:Lost in the Middle 与位置偏差
「支持 1M 上下文」与「用好 1M 上下文」之间隔着一道位置偏差的沟:模型记得开头与结尾,中间的信息像掉进黑洞。本篇拆解 Lost in the Middle 的实验发现、位置编码与注意力分布的机制解释、检索增强与重排序的工程对策,以及「位置偏差能不能被训练掉」的开放问题。
研究前沿 精选 · 原创 · 11-3 阅读 61·访客 61
Apertus 1.5:从开放文本模型到开放多模态推理模型
Apertus 1.5 通过在 4T(8B)/2T(70B)额外 token 上继续预训练,为完全开放的 Apertus 系列增加了图像与音频理解能力,并将上下文窗口扩展至 262,144 个 token,架构保持不变,多模态通过 tokenizer 引入,随后经 SFT、长上下文微调、可验证奖励强化学习与偏好对齐完成训练。
大模型 HuggingFace Daily Papers · 10-11 阅读 32·访客 32
24 天估值暴涨 37 倍,这就是 AI 圈年度爽文
Jev 火了,一个非文本的 AI 模型在今天拿到了由 a16Z 领投的 8.7 亿美元融资,其公司 TypeSafe 的估值直接来到了 75 亿美元。 在 9 月 15 号刚刚发布时,TypeSafe 种子轮才 4000 万美元、估值约 2…
研究前沿 爱范儿 · 10-10 阅读 374·访客 374
咪蒙「寒门状元之死」复盘:自媒体造假的清算
复盘 2019 年初《一个出身寒门的状元之死》风波:一篇以真实感为卖点的长文数小时内刷屏,当晚即被同行逐条核查出细节造假,行业集体批评升级为生态批判,监管约谈后相关账号被注销封禁。本文拆解情绪生意的信任杠杆与造假清算的完整机制。
行业动态 精选 · 用户投稿 · 昨天 阅读 2·访客 2
一篇读懂正则表达式:从字面量到回溯灾难
正则表达式是最被「会用但不懂」的语言:能写出能跑的模式,却不知道它为什么回溯、为什么卡死、为什么某个字符集漏了。本篇拆解正则的引擎原理(回溯机制)、贪婪与懒惰的语义、常见坑(字符集、转义、ReDoS),以及「什么时候不该用正则」。
一叶一世界 精选 · 原创 · 11-4 阅读 72·访客 72
OpenAI 发布 Sora:视频生成的 GPT-3 时刻
Sora 基于扩散模型与 Transformer 架构,可直接从文本生成长达一分钟的高保真视频,展示了对物理世界'世界模拟器'式的理解潜力。
大模型 精选 · OpenAI · 2024-02-16 阅读 575·访客 571
智能体的上下文管理:窗口限制与检索增强的博弈
从窗口军备竞赛到上下文腐烂现象,分析长窗口为什么没有杀死 RAG,梳理压缩、隔离、外置三层上下文工程实践,以及多智能体架构带来的上下文解耦红利。
智能体 精选 · 原创 · 11-5 阅读 87·访客 87
多模态推理的基础设施:VL 模型服务化的特殊工程
视觉语言模型(VLM)的服务化与纯文本模型不同:图像的预处理管线、多模态 KV 的显存压力、请求的异构性(图+文的组合)。本篇拆解多模态推理基础设施的特殊工程点——从请求处理到显存管理到成本核算。
大模型 精选 · 原创 · 11-4 阅读 53·访客 53
图像生成路线之争:扩散的统治与自回归的反攻
扩散模型统治图像生成数年后,自回归阵营(GPT-4o 原生图像、Gemini 的原生多模态生成)带着「理解与生成同源」的旗帜反攻。本篇拆解两条路线的机制差异、DiT 的统治基础、自回归反攻的杀手锏(文本渲染与指令遵循)、以及混合架构与「统一模型」趋势下的路线合流。
研究前沿 精选 · 原创 · 11-3 阅读 54·访客 53
多模态越狱:藏在图片与音频里的新攻击面
给模型装上眼睛和耳朵,等于给它开了一扇绕过安全训练的新门:把恶意指令藏进图片、用高频音频注入、在图表里编码攻击文本——多模态模型的攻击面远大于纯文本。本文讲清多模态越狱的主要技术路线、为什么它们比文本越狱更难防、以及防御的纵深设计。
研究前沿 精选 · 原创 · 11-3 阅读 73·访客 73
AI Job Search(MadsLorentzen/ai-job-search):把求职全流程写成 Claude Code 工作流,作者用它 69 份申请拿到 offer
当日涨星 1397 的开源项目:不是又一个简历生成器,而是一套跑在 Claude Code 上的求职操作系统——drafter-reviewer 双智能体、双门五维评分、PDF 编译验证循环与 ATS 文本层检查,全部资产在本地。
开源项目 精选 · 用户投稿 · 10-18 💬 1 阅读 111·访客 110
英伟达发布 1200 亿参数开放多模态模型 Nemotron 3.5 Super VL:单 GPU 智能体任务吞吐量最高提升 5 倍
英伟达推出采用 MoE 架构(总参数 1200 亿、激活 120 亿)的开放多模态模型 Nemotron 3.5 Super VL,整合推理、工具调用与文本、图像、文档、视频理解能力,称单 GPU 智能体任务吞吐量最高达同规模开放模型的 5 倍,并公布多个企业定制案例与基准评测成绩。
大模型 IT之家 · 10-15 阅读 120·访客 120
微软 CEO 纳德拉:开发者应当默认假设 AI 模型失控,思考如何强制中断任务
IT之家 10 月 11 日消息,微软 CEO 萨蒂亚 · 纳德拉认为,在 AI 日益蓬勃发展的时代,使用超级智能自我监控等简单策略是不够的。 纳德拉在北京时间 10 月 10 日晚的一篇长文中指出,传统软件系统在过去几十年中被广泛部署,人…
智能体 IT之家 · 10-11 阅读 551·访客 551
数据墙 2026:预训练高质量数据的极限之争
Epoch AI 估算公开人类文本有效存量约 300 万亿 token,按现有训练节奏将在 2026–2032 年间耗尽。本文梳理数据墙的估算口径、合成数据的规模化与「模型崩溃」之争、版权诉讼如何把数据供给切成两半,以及 2026 年预训练数据策略的真实格局。
大模型 精选 · 原创 · 10-10 阅读 990·访客 904
GPT-6 向 12 亿用户开闸:读懂 Astra、Sol、Luna 与那颗被砍掉的 GPT-6.1
OpenAI 已把 GPT-6 推向全体 ChatGPT 用户,官方口径周活超 12 亿。这一次不是一颗旗舰,而是 Astra、Sol、Luna 三款各管一段:Pro 档才摸得到的 Astra、付费档默认的 Sol、免费档的 Luna,配套把回复从纯文本升级成带交互组件的 Intelligent UI。本文梳理三款模型的定价与能力坐标、第三方评测里的真实站位,以及 GPT-6.1 Astra 因安全原因被取消的罕见一幕。
大模型 精选 · 原创 · 10-8 阅读 859·访客 796
VLA(视觉-语言-动作)模型进化史:机器人如何「看懂再动手」
从 RT-2 把机器人动作当文本 token 输出,到 OpenVLA 开源 7B、π0 用流匹配跑到 50Hz、GR00T 与 Helix 转向双系统架构——本文梳理 VLA 模型三年的演进脉络:动作怎么表示、参数怎么变小、控制频率怎么上去,以及开源与闭源两条路线的分野。
研究前沿 精选 · 原创 · 10-7 阅读 700·访客 678
扩散模型入门:从噪声里「雕刻」出图像
直接让网络输出一张合理的图像为什么难?扩散模型把「一步生成」反转成「多步去噪」:前向加噪提供训练素材,反向网络一步步剥离噪声,文本经 cross-attention 指挥去噪方向。本文讲清这套机制的完整逻辑,并对比扩散与自回归两条路线。
研究前沿 精选 · 原创 · 10-6 阅读 460·访客 459
腾讯 WorkBuddy 内置模型独家支持 Space Bunny
IT之家 10 月 2 日消息,腾讯 WorkBuddy 今日宣布内置模型独家支持 Space Bunny。 据介绍,Space Bunny 是一款**匿名 Flash 大模型**,具备极速推理、强大的编码能力,原生支持文本、图像、视频输入…
研究前沿 IT之家 · 10-2 阅读 82·访客 80