🎓 挖到一套中文大模型实战教程，从微调到部署全程有代码有视频 GitHub 已经攒了 2.6K stars 学大模型最大的坑是资料碎片化。B 站看个微调视频，讲一半跳过环境配置；GitHub 找个 RAG 仓库，README 写得像天书；等你把环境装好，教程用的库版本已经过时了。 这套《动手做大模型系列》是「视频 + 文档 + 代码」三件套配齐：光大模型核心技术就列了 21 个主题，覆盖微调、部署、RAG、工作流、工具调用、服务监控；Agent 部分还单独讲了服务架构、记忆与上下文、用户沙箱。 每个主题 B 站和 YouTube 都有对应视频，跟着做完能直接落到自己项目里。 学 AI 最怕的就是学了一堆名词但没动过手。 GitHub：

劲爆, 我给刚发布的 Apodex 1.1 出了个极其变态的实战难题, 它真的跑通了! 我直接打包了120万条日志, 里面包含真实的提权攻击的 Web Server 日志(用的是 Zenodo Dataset). 然后让他帮我把黑客的攻击方式抓出来, 还要给我写防火墙规则拦截攻击. 结果它真的做到了, 从分析到写规则一气呵成, 具体过程在这里: #Apodex# #AgentOS# #网络安全# #SystemScaling# #大模型实战#

从零开始学大模型，方法对了三个月就能独立接项目，方法不对，三年都够呛。差距不在天赋，在路径。 大模型这东西不是学出来的，是练出来的。整条路其实就三段。 第一段，死磕基础。把 Python 基础和简单的 API 调用吃透，别小看这两样，吃透了才算真正拿到 AI 世界的入场券。 第二段，拿下两大框架和三大技能。框架是 LangChain 和 LlamaIndex，一个负责构建 Agent 逻辑，一个负责接入外部数据；技能是 RAG、Agent、模型微调，这三项正好对上当前 AI 岗位的核心需求。 第三段，实战项目。光说不练假把式，挑两到三个主流场景真落地，比如 RAG 医疗问答、Agent 智能客服。 走完这三段，足够胜任 90% 以上的 AI 岗位。三个月和三年的区别，就是有没有照着这条线一步步练。 #AI大模型# #程序员#

🔥神级师兄预测+模型+实战双验证干货来了💥 📌 英格兰 vs 刚果民主共和国 🇬🇧 vs 🇨🇩 ✅ 推荐：让平 / 让负 🎯 比分参考：1-1、2-1、0-1 📊 模型数据：英格兰胜率70% / 平19% / 刚果12% 预期进球 2.20-0.97 主方向：英格兰胜，优势明显！ 主比分：2-0(9.5%) / 2-1(9.2%) / 3-0(8.4%) 防冷：1-1(8.8%) 大比分空间：英格兰赢2球+概率46% 风险：强队别押死单一比分，大胜/穿盘更稳！ 📌 比利时 vs 塞内加尔 🇧🇪 vs 🇸🇳 ✅ 推荐：主不败（平 / 主胜） 🎯 比分参考：1-1、2-1、2-2 📊 模型数据：比利时45% / 平26% / 塞内加尔28% 预期进球1.67-1.29 主方向：两边接近，不适合重仓！比利时不败谨慎看好 主比分：2-1(9.3%) / 1-0(8.1%) 防冷：1-1(11.6%) 风险：塞内加尔反击威胁大，冷门概率不低 📌 美国 vs 波黑 🇺🇸 vs 🇧🇦 ✅ 推荐：美国胜 🎯 比分参考：2-0、2-1、3-1 📊 模型数据：美国38% / 平28% / 波黑34% 预期进球1.23-1.76 主方向：两边接近！美国不稳，波黑拿分空间很大 主比分：2-1(6.6%) / 1-0(5.6%) 防冷：1-1(11.3%) 风险：平局+波黑不败都要重点提防 📈 今日模型最终方向总结： ✅ 英格兰：胜方向强推（最稳） ⚠️ 比利时：不败（谨慎） ⚠️ 美国：不败（谨慎） 冷门提醒：比利时和美国方向都有被拖平甚至爆冷的可能，塞内加尔、波黑不可小觑！ 分析结合最新模型概率+实战推荐，双重验证！

独家｜百度招 95 后任大模型一号位 近日，大模型领域技术专家孙天祥正式加入百度，就任基础模型研发部（BMU）负责人。 孙天祥此次同时进入百度模型委员会（BMC），从研发 MOSS 到提出 MaaS 再到其后续创业方向，他的学术与产业路径与百度基础模型的战略投入方向高度契合。 此前，百度分别成立基础模型研发部（BMU) 和应用模型研发部（AMU），其中应用模型研发部由贾磊负责。 孙天祥作为年轻的大模型领域技术专家，在博士期间他是类 ChatGPT 开源大模型 MOSS 的主导者，并在国际上提出了 Model-as-a-Service (MaaS) 概念，孙天祥在 ICML、ICLR、NeurIPS、ACL、NAACL 等 AI 顶会发表论文四十余篇，博士期间先后在 Amazon AI Lab、上海人工智能实验室等机构实习，积累了从自然语言处理到大规模语言模型训练与工程化的丰富实战经验。 过去一段时间，百度在 AI 组织架构和人才梯队上持续迭代：设立百度模型委员会、多批次引入年轻技术力量，围绕基础模型的系统性人才布局逐步成型。

⚽️6月22日世界杯预测 | AI多模型 + 实战分析 最近天天看一堆玄学预测，什么八卦周易，占卜🔮，看了半天根本就没中几个！ 还不如我直接让我家猫盲选概率大！真的是亏麻我了！ 我直接找了几个顶流AI自己分析！看看我今天预测的准不准？ 🇦🇷阿根廷 vs 奥地利🇦🇹 AI多模型分析：强烈倾向阿根廷胜（80%+胜率）预测市场predictfun上67%，核心逻辑是阿根廷传控与创造机会能力显著领先，奥地利反击机会有限。 我的实战分析：阿根廷进攻欲望强烈，急需大胜刷净胜球锁定小组头名；奥地利首场赢球后大概率铁桶+防守反击。 ✅️我的选择：阿根廷胜（比分 2:0、3:1、2:1） 🇯🇴约旦 vs 阿尔及利亚🇩🇿 AI多模型分析： 阿尔及利亚胜（60%+胜率）预测市场predictfun上63%，主要基于阿尔及利亚中前场整体实力和欧洲联赛球员经验优势，约旦爆冷概率存在但不高。 我的实战分析：双方均急需胜利！阿尔及利亚传控和中场控制力更强，体能经验占优，但约旦新军韧性足，不排除打出顽强平局。 ✅️我的选择：阿尔及利亚胜（比分 2:1、1:0）我感觉有概率平啊，防一手 Predictfun上我推荐场次：阿根廷，绝壁稳！梅西给我干翻他们！ 仅供参考，实操自负盈亏❗️ #2026世界杯# #J组# #阿根廷# #Predictfun# #足球预测#

27B小模型挑战Fable 5? 还成功了? 劲爆消息, 在 Iterative-Contextual-Refinements 这个框架的加持下, Qwen3.6-27B 跑分超过了 Anthropic Fable5! 真的不是做梦吗? 还是跑分没输过, 实战没赢过? 于是赶紧看了一下这个框架, 发现设计的很有启发性, 能学到很多东西, 给大家详细讲下. 这个框架主要提升的是软件性能优化, 即如何才能让代码性能更高. 大家如果还记得我那个 vector-db-bench, 给大模型提供了火焰图, perf, 各种测试 tool_call 让大模型自己迭代去优化代码性能. 而这个框架更进了一步, 它瞄准了小模型的最核心弱点, 参数量不足导致的"脑残", 即小模型更容易长上下文衰退或陷入局部最优. 于是这个框架出手了, 先针对技术方案, 它搞了个BFS探索模式, 在写代码的 plan 过程, 让小模型自己提出多种解决方案, 比如写个字符串匹配, 小模型直接搞了个O(N^2)的暴力搜索, 而这一步它的Agent会让小模型思考, 你能想到哪些可能的解决方案? 于是就拓展了小模型的视野, KMP, 滑动窗口等技术方案没准就出来了. 然后就是写代码的过程中使用的DFS模式, 它会借助Agent让小模型借助代码性能测试工具不断跑分, 然后让小模型反思, 有哪些性能热点可以优化, 然后进行优化. 最后, 他还有个统筹全局的路由, 不但负责在BFS/DFS过程中选取最佳的技术方案, 而且还会在DFS过程中, 总结模型优化过程中面临的问题, 再反馈到BFS过程, 告诉模型, 需要注意xxx优化是有价值的, xxx优化面临xxx问题. 从而形成优化闭环, 解决掉模型陷入死胡同不断仰卧起坐的问题. 最后, 在框架加持下, Qwen3.6-27B 在 CGRE 测试得到了95.5分, 成功超越了 Fable5(Mythos) 的94.1分! 我只能说这真的是 Agentic 工程的胜利了! 不要模型写的不好就无脑怪模型, 也要看看是不是Agent本身有问题. 那么代价是什么呢? 当然就AI硬通货是 token 了, 这个框架正是用了25-40x的token消耗完成了这一壮举. 值得学习. 框架: 论文: #mythos# #fable5#

华尔街观察｜两大AI产业前瞻判断 @cnfinancewatch 在X平台的宏观研判之中，我并非产出海量观点，但有两项判断，已经逐步得到市场现实验证。 第一，去年年底我提出：AI本质是中美两国的排他性游戏。很多市场目光聚焦芯片、大模型算法，却忽略底层约束：AI算力大规模扩张的硬门槛是电力供给。只有中美具备支撑超大规模算力集群的电力储备与电网基建能力，全球AI竞赛的底层，本质是电力的竞争。没有充足稳定的电力，再多GPU硬件也无法落地，这一底层逻辑，正在被全球算力建设的现实不断印证。 第二，今年5月实地走访美日韩之后，我得出明确判断：日韩将成为美国AI体系最重要的战略支撑国家。韩国手握HBM存储芯片的核心产能，是AI服务器不可或缺的硬件底座；而日本正在全力构筑完整的AI上下游产业链，从半导体设备、关键材料，到精密元器件、工业机器人、AI行业解决方案，村田制作所、东京电子、发那科等一众细分龙头深度布局，覆盖算力硬件、材料、制造、垂直应用全链条，试图打造自主可控的AI产业生态。 美日韩正在形成深度产业协同：美国掌握大模型与算法生态，韩国提供存储硬件，日本补齐上游材料设备短板。这套分工体系，将深刻改写全球AI供应链格局，是我们研判科技赛道不可忽视的关键变量。 以上仅为宏观逻辑推演，不构成投资建议。 欢迎订阅，参加我的实战训练营：

目前推动Agent的发展有两个方向 一个是基座模型的能力：也就是GPT、Opus、MiniMax、Qwen、GLM这种大模型本身 另一个就是Harness工程：也就是CLaude code、codex、open code这类型的agent工具 简单来说 Harness = Agent - Model 但是Agents 时代的安全审计与可信执行也同样很重要 最近 @0G_labs 联合新国立、北大、北邮团队提出的一套针对分布式共识协议的自动化漏洞检测框架（Agora）成果被顶会 ICML 收录 Agora 就是一个专门用来给最硬核的底层网络协议抓 Bug 的“AI 黑客团队” 在实战测试中，Agora 取得了极具突破性的成绩： 在 Raft、EPaxos、HotStuff、BullShark 等工业级和学术界最核心的共识协议中，它一口气挖掘出了 15 个前所未知的协议级 Deep Bug。这是其他单体大模型完全做不到的 具体详情👉： 现在的 Web3 AI 赛道，太多靠发推特刷分画大饼的项目了 但是 @0G_labs 是真正在做实事在推动AI行业发展的，正在成为 AI Agent 时代的“Layer 0” 最近0G还跟 @MiniMax_AI 合作，将minimax 加入到0G Compute生态当中 刚刚结束的 0G APAC 黑客松，在现在的熊市语境下，硬是跑出了 1.04M+ 的社交曝光，293 个最终提交。像 @Ghast_AI 这种头部的冠军项目已经跑出了极其夸张的真实调用量 模型会不断迭代，但安全、可验证的底层基础设施是永恒刚需。Keep building

$minimax 在开通港股通后，成为南向资金买入最汹涌的标的，这反映了国内非常旺盛的配置需求。 $zhipu 发布了GLM5.3模型，模型能力我认为在实战方面依然是最强的，而且国内外支持的dev特别多。 这两个标的因为大盘原因都被带下来了，但我对它们的未来很有信心。 如果你研究了整个AI产业链，你应该相信大模型现在依然是非常暴利的，它们驱动了整个AI产业链的利益流转。