大语言模型（LLM）如ChatGPT曾经会自信地给出“现在是2021年”这样的错误答案，原因在于其训练数据截止于2021年，无法获知之后的信息。解决这一问题的关键并非简单地每年更新数据，而是采用了一种更为智能的方法：检索增强生成 (Retrieval-Augmented Generation，简称RAG)。RAG技术的出现，让人们惊呼：“现在它们可以连接互联网了，我们可以开始大展身手了！”而不再像
近年来，大型语言模型（LLM），如GPT-4，已经超越了通用对话领域，进入了医疗健康等专业领域。 随着医疗数据的日益复杂、医生文档负担的加重，以及对个性化患者互动需求的增加，LLM正在成为强大的工具，可以彻底改变我们管理、提供和改善医疗健康的方式。 这篇文章将探讨LLM如何在医学研究、患者互动和健康信息管理这三大现代医疗健康创新支柱中发挥作用，以及面临的挑战和未来的发展方向。核心就在于，如何以安全
在人工智能浪潮的推动下，我们已经步入了一个机器能够书写的时代。这里的“书写”不仅仅是简单的命令或关键词罗列，而是能够生成完整的博客文章、引人入胜的营销文案，甚至是功能完善的代码。这场变革的核心驱动力，正是诸如 GPT-4、Claude 和 Gemini 等大模型 (Large Language Models, LLMs)。这些模型将曾经被认为不可能完成的任务——达到人类水平的写作能力——转化为一种
本篇文章对 Dawn Song 教授及其团队开设的《大模型智能体高级课程》进行综述，课程涵盖了大模型智能体的核心技术，包括推理、学习、规划、多模态应用、以及至关重要的安全问题。课程深入探讨了如何利用大型语言模型（LLM）构建具备复杂任务处理能力的智能体，并在数学证明、代码生成、漏洞检测等多个领域展示了 LLM 智能体的强大潜力。本文将围绕这些关键词，逐一剖析课程的核心内容与亮点。 推理：提升 LL
近年来，大模型（LLM）智能体在各个领域展现出惊人的潜力，尤其是在数学推理方面。UC Berkeley 在2024年秋季和2025年春季开设了一系列关于生成式AI智能体的课程，其中2025年春季的重点在于数学推理能力的提升。本次课程的重点在于探索如何利用大模型解决复杂的数学问题，并验证其推理的准确性。本文将深入探讨该课程中关于数学推理的关键讨论，并着重分析其在形式化数学、自形式化和强化学习等方面的
在当今快节奏、软件驱动的商业环境中，手动测试正逐渐成为瓶颈。诸如登录、数据录入和审批等关键业务工作流需要持续验证。然而，传统的测试自动化工具（如Selenium和Cypress）仍然依赖于人工编写的脚本和脆弱的选择器，这些选择器很容易因前端的微小改动而失效。现在，一种名为 Agentic AI 的全新范式正在崛起，它利用大模型（LLMs）充当智能代理，能够理解业务指令、解读Web环境并在浏览器中执
2025年春季，我参加了高级大型语言模型智能体（LLM Agents）MOOC课程，这是一次令人振奋的学习之旅。课程内容涵盖了推理、规划、定理证明以及AI安全等多个关键领域，深入浅出地展现了当前agentic AI的最新进展以及未来的发展方向。通过学习，我不仅掌握了各种inference-time和post-training技术，还对如何构建能够推理、规划和验证代码或证明的端到端智能体有了更深刻的
在大模型时代，Gen AI（生成式人工智能）正以前所未有的速度重塑各行各业。要真正释放Gen AI的潜力，关键在于构建一个强大且灵活的框架，确保AI能够理解、适应并服务于现实世界的复杂需求。MCP（模型上下文协议）应运而生，它为Gen AI提供了一个清晰的上下文环境，赋予其更强的自主性与战略视野。本文将深入探讨MCP在Gen AI领域的关键作用、优势以及未来发展方向，帮助企业更好地利用这一技术驱动
BuzzFeed近期因发布（后删除）由AI生成的各国芭比形象而引发争议，这些图像迅速走红，同时也因其反映出的表征偏差而备受批评。这一事件引出了关于AI偏差的重要问题，以及这些模型如何解读和呈现现实。本文将深入探讨AI中的偏差问题，并结合BuzzFeed芭比案例，分析其背后深层原因与潜在影响。 AI：一面反映训练数据的“魔镜” AI模型并非天生“邪恶”，其本质是学习训练数据的产物。如果训练数据本身就
大语言模型 (LLM) 正在不断突破人工智能的边界，尤其是在数学等复杂的推理任务中。然而，要实现这一突破，需要海量的训练数据。随着计算资源的持续扩展，高质量、人工生成的数据的可用性正日益成为一个重要的瓶颈。本文将深入探讨自我奖励训练 (SRT) 的概念，这是一种新型的训练方法，允许 LLM 在无需过多人工干预的情况下，通过多数投票机制进行自我改进，但同时也要警惕其潜在的风险。 数据瓶颈与传统 LL
llmtrend