61_自定义基准：构建专属评测体系
在大型语言模型（LLM）快速发展的今天，通用基准测试如MMLU、C-Eval等已成为评估模型能力的重要工具。然而，随着LLM在各个行业的深度应用，通用基准往往无法准确反映模型在特定领域、特定任务上的真实表现。2025年，构建企业或组织专属的自定义评测基准已成为大模型落地应用的关键环节。
99_监督微调：Alpaca数据集格式与实现
在大语言模型（LLM）的开发和应用中，微调是将通用预训练模型转化为特定任务专家的关键步骤。监督微调（Supervised Fine-Tuning, SFT）作为微调的一种重要范式，通过人工标注的高质量数据集指导模型学习特定任务的输入输出模式，从而显著提升模型在目标任务上的性能。
100_RLHF（人类反馈强化学习）原理与实践
在大型语言模型（LLM）的发展历程中，我们见证了模型从简单的文本生成工具，逐渐演变为能够理解复杂指令、进行多轮对话、甚至展示创造性思维的智能系统。然而，这一进化并非仅仅依靠模型规模的增大和数据量的增加，更重要的是训练方法的创新。其中，人类反馈强化学习（Reinforcement Learning from Human Feedback, RLHF）作为一种革命性的训练范式，在2022年随着ChatGPT的问世而广受关注，并在随后的GPT-4、Claude、Gemini等先进模型中得到广泛应用。
97_微调基础：全参数 vs LoRA
在2025年的大模型时代，微调技术已经成为将通用大语言模型（LLM）适配到特定领域和任务的核心技术手段。随着模型规模的不断膨胀——从早期的数十亿参数到如今的数千亿甚至万亿参数，如何在有限的计算资源下高效地微调大模型，成为AI工程师面临的关键挑战。本文将深入探讨两种主流的微调方法：全参数微调和LoRA（Low-Rank Adaptation）低秩适应微调，从原理、技术实现、资源需求、性能表现等多个维度进行全面对比分析，帮助读者在实际项目中做出最优的技术选择。
98_数据增强：提升LLM微调效果的关键技术
在大语言模型（LLM）的微调过程中，数据质量与数量往往是决定最终性能的关键因素。然而，获取高质量、多样化且标注准确的训练数据却常常面临诸多挑战：数据标注成本高昂、领域特定数据稀缺、数据分布不均等问题都会直接影响微调效果。在这种背景下，数据增强技术作为一种能够有效扩充训练数据并提升其多样性的方法，正发挥着越来越重要的作用。
35_BERT与RoBERTa：优化编码器模型
2018年，Google发布的BERT（Bidirectional Encoder Representations from Transformers）模型彻底改变了自然语言处理领域的格局。作为第一个真正意义上的双向预训练语言模型，BERT通过创新的掩码语言模型（Masked Language Model, MLM）预训练策略，使模型能够同时从左右两侧的上下文信息中学习语言表示，从而在多项NLP任务上取得了突破性进展。
31_NLP数据增强：EDA与NLPAug工具
在自然语言处理（NLP）领域，高质量的标注数据是构建高性能模型的基础。然而，获取大量准确标注的数据往往面临成本高昂、耗时漫长、覆盖度不足等挑战。2025年，随着大模型技术的快速发展，数据质量和多样性对模型性能的影响愈发显著。数据增强作为一种有效扩充训练样本的技术手段，正成为解决数据稀缺问题的关键策略。
29_序列标注技术详解：从HMM到深度学习
序列标注(Sequence Labeling)是自然语言处理(NLP)中的一项基础任务，其目标是为序列中的每个元素分配一个标签。在NLP领域，序列标注技术广泛应用于分词、词性标注、命名实体识别、情感分析等任务。
Python异步编程实战：爬虫案例
🌟 蒋星熠Jaxonic，代码为舟的星际旅人。从回调地狱到async/await协程天堂，亲历Python异步编程演进。分享高性能爬虫、数据库异步操作、限流监控等实战经验，助你驾驭并发，在二进制星河中谱写极客诗篇。