上海交大这份大模型教程，藏得有点深 GitHub上发现一个宝藏项目，上海交大出品，叫 Dive into LLMs，11个主题全覆盖，每个模块都有课件+教程+可跑代码，不是那种看完啥也不会的纯理论。 重点来了，这11个方向： 1️⃣ 微调与部署 2️⃣ 提示学习与思维链 3️⃣ 知识编辑（让模型记住或忘掉某件事） 4️⃣ 数学推理，蒸馏迷你R1 5️⃣ 模型水印 6️⃣ 越狱攻击（怎么撬开大模型的嘴） 7️⃣ 大模型隐写 8️⃣ 多模态 9️⃣ GUI智能体，让AI替你点外卖 🔟 智能体安全 1️⃣1️⃣ RLHF安全对齐 还联合华为昇腾出了配套课程，初中高三级，有视频有实验手册。 🔗 链接:

本地跑大模型的工具越来越多，光推理引擎就有 Ollama、llama.cpp、vLLM，还没算模型和界面。 LLMs-local 把本地跑大模型相关的资源整理到了一起，推理引擎、模型、硬件、教程都有。 推理引擎收录了 Ollama、llama.cpp、vLLM 这些，界面有 Open WebUI、Lobe Chat，模型按用途分好了类。 GitHub： 还收录了微调工具、Agent 框架、训练教程和硬件选购建议，一份清单基本能摸清整个生态。 打算在自己机器上跑模型的朋友，可以先翻翻这份合集找找方向。

迭代了多次后，正式对GEORank全部开源，已推送到GitHub 这是一个可私有化部署的GEO工作台，帮助大家，诊断官网的GEO友好性，并继续生成行动方案、拓词、JSON-LD、llms.txt和知识库等工具 以及教程、问答等功能模块 旨在帮助大家，在各个场景更好的理解和更便利的用好GEO这个AI营销方法 1、GitHub仓库： 2、官方演示站：

想了解大语言模型到底是怎么工作的，找到的资料都太过于学术看不懂，或者说的太浅只讲概念，就没一个从头到尾讲清楚的内容。 无独有偶，看到 how-llms-work 这个项目，把大模型的完整流程做成了一个可视化交互网页，内容基于 Karpathy 的经典讲座整理。 从网页数据采集、分词、神经网络训练，一直到推理生成、后训练对齐，每个阶段都有直观的图示和解释，一页看完整个流程。 GitHub： 还涵盖了幻觉问题、上下文窗口、检索增强生成等进阶话题，帮我们理解模型的能力边界和实际应用方式。 想搞明白大模型从训练到对话的全过程，又不想啃学术论文，这份教程值得花十分钟看一遍。

日读论文 Prompt 技巧中的「角色扮演法」，有效，但为啥会有效呢？这篇论文给了一个解释，有意思。 ──────── The Granularity Axis: A Micro-to-Macro Latent Direction for Social Roles in LLMs 扮演非格，实是刻度 ──────── 你跟 GPT 说「你是一位忧心的家长，孩子最近沉迷手机怎么办」，它给你的答案带着具体家长的那股焦虑——「试试把手机放客厅」「和孩子聊聊他刷的都是啥」。然后你换一句：「你是世界银行行长，怎么看青少年屏幕成瘾这个全球公共健康问题」——同一个模型，瞬间换了一套口吻：跨国数据、政策杠杆、长期 GDP 影响。 这个换台的丝滑感，所有用过大模型的人都体会过。但模型脑子里究竟发生了什么？过去研究者的默认假设是：模型记住了"家长该怎么说""行长该怎么说"——每个角色对应一组语言风格的模板。如果你打开模型，应该能看到几百个角色，对应几百个独立的小堆。「扮演」就是个表面活儿——本质是模板匹配。 但 Qin 这群人翻出来的发现完全不一样。他们让模型分别"扮演"75 个角色（从最微观的"忧心的家长"到最宏观的"世界银行行长"），把每次回答时模型内部的隐藏向量都记下来，再做几何分析。结果：这 75 个角色不是几百个孤立的点——*它们排在一根直线上*。从微观到宏观，每个角色都是这根线上的一个刻度。换角色不是换一套风格模板，是沿着一把"视野远近"的尺子挪一个位置。 ──────── *"角色"不是模型的属性，是这根轴上的一个坐标。所谓"扮演谁"，本质是"挪到哪一格刻度"。* 这个洞见超出 LLM。 你在生活里"扮演角色"——CEO、父亲、咨询顾问、学生家长——之间的切换，可能也不是几百个独立模板，而是同一个你沿着几根类似的轴（粒度、时间尺度、利他度、风险偏好）调位置。模型把这件事做得这么干净，可能不是因为它特别简单，是因为它继承了人类语言里就编码了的这种结构——*我们的语言对"视野远近"这件事，本身就是个连续刻度*。

🎧 #播客更新# Vol. 160 一年多以后，再聊AI写代码Vibe Coding 我们就把 Simon Willison 的博文：The Year of LLMs 结合我们自己过去一年的 Vibe Coding 经验聊了一期。也提前祝各位听众姥爷们春节快乐哦🏮 - 小宇宙: - 官网:

最近如果想系统补一下强化学习，尤其是 LLM post-training，这套 Berkeley CS 185/285 很值得收藏。 Sergey Levine 的 Deep Reinforcement Learning 2026 春季版课程资料已经完整放出来了，昨天课程录像也开始上传到 YouTube。 课程从 imitation learning、Policy Gradient、Actor-Critic、Q-Learning，一直讲到 Model-Based RL、Offline RL 和 Exploration。 我比较感兴趣的是今年还专门加入了「RL with Sequences & LLMs」。 里面会从 RL 的视角重新讲 RLHF、Verifier Reward、GRPO、KL Regularization 这些现在做 LLM post-training 经常看到的东西。 而且不只是听课，Homework 4 直接要求自己实现 GR-REINFORCE 和 GRPO，再真正跑训练实验做对比。 最近 RL、Agent 和 LLM post-training 连得很紧，这套课正好可以把很多零散的概念重新串起来。 课程： YouTube 上搜索 RAIL 的「CS 185/285 (Spring 2026)」播放列表就能看到最新课程录像。

🛠️ 别再只收藏课程了，这 5 个开源项目让你跟着敲代码，从零把大模型搓出来： 1. Karpathy nn-zero-to-hero（23.6k star）：从反向传播手推到 GPT，一步步敲出 micrograd、makemore、GPT。 2. nanoGPT（61.4k star）：300 行训练一个 GPT-2，Karpathy 亲写，改几行就能跑自己的模型。 3. LLMs-from-scratch（99.5k star）：《从零构建大模型》配套代码，一章一章把 LLM 拼出来。 4. 动手学深度学习 d2l（29.2k star）：名校教材，代码、数学、练习齐全，边看边跑。 5. labml 注释实现（67.2k star）：60 多篇论文逐行注释，Transformer、Diffusion 都能对着敲。 光看课你只会点头，敲完一遍才是真懂。

$PLTR $PLTR 的Maven AI系统早在3月就正式获得了美国军方的“记录项目”（Program of Record）地位——这一称号确保了从美国国防预算中获得长期资金。在商业方面，该公司于5月与美国农业部（USDA）签订了一份价值高达3亿美元的重大数字合作合同。Palantir享有相当高的市场溢价，从根本上来说，这是因为它从一个小众的大数据工具转变为一个成熟的企业智能操作系统。 1. AIP平台：通过“无漏洞区域”占据主导地位 幻觉和数据安全仍然是企业部署大语言模型（LLMs）面临的最大痛点。Palantir的核心竞争优势在于其人工智能平台（AIP）。除了利用AI能力外，它还构建了严谨的本体论，以确保所有AI操作严格在企业安全和合规边界内运行。在Q1财报电话会议上，该公司的40法则指标飙升至异常的145%，这一表现接近整个软件行业的上限。 2. 美国商业市场的超大规模扩张 批评者曾认为，Palantir过于依赖政府合同，客户成本高且可扩展性有限。其创新的Bootcamps模式改变了这一状况，使企业能够在短短几天内重塑现实世界的工作流程。Q1财报显示，美国商业收入同比飙升133%，在全国范围内的大中型企业中释放出巨大的增长潜力。 3. 从原始计算到运营效率的必然转变 NVIDIA通过GPU销售计算能力，而Palantir则将昂贵的算力和硬件资源转化为切实的商业价值。其解决方案将合同审查时间缩短50%，并在短短15秒内完成物料清单审批。随着2026年AI硬件基础设施的成熟，软件驱动的成本降低和效率提升已成为企业普遍的必要需求。