LLM推理时计算技术详解：四种提升大模型推理能力的方法
本文要讲四种主流的推理时计算技术：深度方向的Chain-of-Thought，宽度方向的Self-Consistency，搜索方向的Tree-of-Thoughts，以及迭代方向的Reflexion/Self-Refine。
torch.compile 加速原理：kernel 融合与缓冲区复用
torch.compile 的价值在于：它把原本需要手写 CUDA 或 Triton 才能实现的优化，封装成了一行代码的事情。
让 AI 智能体学会自我进化：Agent Lightning 实战入门
本文将介绍 Agent Lightning 的核心架构和使用方法，并通过一个开源的"自修复 SQL 智能体"项目演示完整的训练流程。
用 PyTorch 实现 LLM-JEPA：不预测 token，预测嵌入
这篇文章从头实现 LLM-JEPA: Large Language Models Meet Joint Embedding Predictive Architectures。
大模型如何训练百万 Token 上下文：上下文并行与 Ring Attention
上下文并行本质上是拿通信开销换内存空间，把输入序列切到多张 GPU 上，突破训练时的内存限制
让 Q 值估计更准确：从 DQN 到 Double DQN 的改进方案
这篇文章要内容包括：DQN 为什么会过估计、Double DQN 怎么把动作选择和评估拆开、Dueling DQN 怎么分离状态值和动作优势、优先经验回放如何让采样更聪明，
RAG 检索模型如何学习：三种损失函数的机制解析
本文将介绍我实验过的三种方法：Pairwise cosine embedding loss（成对余弦嵌入损失）、Triplet margin loss（三元组边距损失）、InfoNCE loss。
对抗样本：20行Python代码让95%准确率的图像分类器彻底失效
本文会用FGSM（快速梯度符号法）演示如何制作对抗样本，并解释神经网络为何如此脆弱。
用提示工程让大模型自己检查自己：CoVe方法有效减少幻觉
Chain-of-Verification（CoVe）的思路是既然模型会在生成时犯错，那就让它生成完之后再检查一遍自己的输出，把能发现的错误纠正掉，然后再给用户看。
为什么所有主流LLM都使用SwiGLU？
本文的目标是解释为什么现代LLM架构在前馈部分使用 ``` SwiGLU ``` 作为激活函数并且已经放弃了 ``` ReLU ```
多智能体强化学习（MARL）核心概念与算法概览
单智能体 RL 适合系统只有一个"大脑"的情况，而MARL 则出现在世界有多个"大脑"的时候。
深度研究Agent架构解析：4种Agent架构介绍及实用Prompt模板
这篇文章将整理这些架构并顺便附上一些实用的prompt模板。
别再往一个智能体里塞功能了：6种多智能体模式技术解析与选型指南
这篇文章整理了 6 种经过验证的多智能体架构模式，可以有效的帮你解决问题。
神经辐射场NeRF入门：3D视图合成的原理与PyTorch代码实现
NeRF（Neural Radiance Fields，神经辐射场）的核心思路是用一个全连接网络表示三维场景。
Mosaic：面向超长序列的多GPU注意力分片方案
本文从一个具体问题出发，介绍Mosaic这套多轴注意力分片方案的设计思路。
DecEx-RAG：过程监督+智能剪枝，让大模型检索推理快6倍
DecEx-RAG 把 RAG 建模成一个马尔可夫决策过程（MDP），分成决策和执行两个阶段。
JAX性能优化实战：7个变换让TPU/GPU吃满算力
我们今天就来总结7个能够提高运行速度的JAX变换组合
从贝叶斯视角解读Transformer的内部几何：mHC的流形约束与大模型训练稳定性
近期研究揭示了一个有趣的现象：Transformer内部确实在执行贝叶斯推理：只不过不是符号化的方式而是几何化的。
DeepSeek 开年王炸：mHC 架构用流形约束重构 ResNet 残差连接
这回DeepSeek又要对 残差连接（Residual Connection）出手了。
对抗样本攻击详解：如何让AI模型产生错误判断
精心构造的输入样本能让机器学习模型产生错误判断，这些样本与正常数据的差异微小到人眼无法察觉，却能让模型以极高置信度输出错误预测。
