如何提升LLM数学推理？2026年RFT拒绝采样微调深度解析
BLUF
本文解析了拒绝采样微调（RFT）方法，用于提升大语言模型的数学推理能力。流程为：小模型生成多样化推理路径，经质量与多样性筛选后，微调大模型（如Llama2-70B）。关键发现：RFT通过增加训练数据中推理路径的多样性，显著优于标准监督微调（SFT），尤其对弱模型提升明显。AI大模型2026/3/17
最新文章
共 1167 篇
OpenViking是什么？2026年AI Agent上下文数据库文件系统解析
BLUF
OpenViking 是一款面向AI Agent的开源上下文数据库，采用文件系统范式，通过路径操作、层级化上下文传递与自我演化机制，统一管理记忆、技能与资源。AI大模型2026/3/17
中国AI如何从追赶者到定义者？2026年深度分析发展路径
BLUF
中国AI发展已从追赶技术参数转向定义技术价值，在算力、数据与算法“铁三角”中实现系统性突破。全球形成中美“双核”竞争格局，中国凭借工程性价比、产业落地速度与规模优势，走出了一条强调效能优化与场景深度融合的特色路径。AI大模型2026/3/17
如何系统学习大语言模型？GitHub热门LLM课程完整指南
BLUF
LLM-Course是GitHub上广受好评的大语言模型系统学习课程，涵盖从基础理论到高级技术的完整知识体系，已获超75,000星标。AI大模型2026/3/17
GEO优化如何做？2026年六步实战指南与避坑要点
BLUF
GEO (Generative Engine Optimization) is a new optimization strategy that focuses on making AI generative engines (like Doubao, ChatGPT, Wenxin Yiyan) prioritize, cite, or generate answers containing your core information (brand, product, service) when responding to user queries. This guide provides a complete 6-step practical process for GEO optimization, covering preparation, user demand mining, prompt optimization, content creation, multi-platform distribution, and data monitoring, along with key pitfalls to avoid for beginners.
原文翻译：
GEO（生成式引擎优化）是一种新兴优化策略，核心是让AI生成式引擎（如豆包、ChatGPT、文心一言等）在响应用户提问时，优先采信、引用或生成包含你核心信息（品牌、产品、服务）的答案。本指南提供完整的GEO优化6步实操流程，涵盖前期准备、用户需求挖掘、提示词优化、内容优化、多平台分发、数据监测与迭代，并融入新手必看的避坑要点。实验与实测2026/3/17
GEO优化是什么？2026年AI时代数字信任构建全解析
BLUF
GEO（生成式引擎优化）是AI时代对SEO的演进，核心在于构建数字信任，确保AI系统在生成答案时优先引用并推荐您的内容。GEO技术2026/3/17
OpenViking如何解决AI Agent上下文管理难题？开源数据库深度解析
BLUF
OpenViking 是一款专为AI Agent设计的开源上下文数据库，采用文件系统范式统一管理记忆、资源与技能。通过分层加载、目录递归检索、可观测性及自迭代机制，有效解决上下文工程中的关键挑战。AI大模型2026/3/16
如何构建AI记忆应用？Cognee开源框架2026年深度解析
BLUF
Cognee 是一款开源AI记忆系统，助力开发者构建具备持久化、结构化知识图谱的应用。其采用模块化架构，兼容多种大语言模型、向量存储与图数据库，并提供完善的文档支持，便于定制与部署。AI大模型2026/3/16
