分类： 人工智能

# 安装环境 nvm install 22 nvm use 22 npm install -g pnpm pnpm config set registry https://registry.npmmirror.com/ # 下载代码 git clone https://github.com/openclaw/openclaw.git # 开启代理 export https_proxy=http:/

1 LLM 继承BaseChatModel或者SimpleChatModel 设计理念：专注于模型层面，不要预设系统提示词，工具调用时仅输出ToolMessage而不是在内部调用工具 2 Chain chain = prompt | llm | output_parser print(chain.invoke(xxx)) """本质上就是 v1 = prompt.in

本文以清晰直白的方式，系统梳理了大语言模型（LLM）从基础训练到最终对齐的完整技术流程，核心围绕预训练、微调、参数高效微调、偏好对齐四大关键阶段展开，逐一拆解各类技术的定义、核心逻辑与差异。 预训练：Pre-Training，无监督学习，只有text列；还有个CPT继续预训练，用于继续吸收领域知识 微调：Fine-Tuning，一般情况下LLM微调都是监督微调SFT（Supervised fine

架构 训练目标 视角 核心能力 Encoder-only 猜被遮住的词（填空） 双向 理解、分类、抽取 Decoder-only 猜下一个词（续写） 单向左→右 生成、对话、创作 Encoder-Decoder 输入→输出（翻译） 双向理解 + 单向生成 转换、摘要、翻译 1 Encoder-only（BERT 系） 训练任务：MLM（掩码语言模型） 做法：遮住一段文本里的一些 token，让模型

通俗解释机器学习中的召回率、精确率、准确率，一文让你一辈子忘不掉这两个词 赶时间的同学们看这里：提升精确率是为了不错报、提升召回率是为了不漏报 先说个题外话，暴击一下乱写博客的人，网络上很多地方分不清准确率和精确率，在这里先正确区分一下精确率和准确率，以及他们的别称 添加图片注释，不超过 140 字（可选） 切入正题 很多人分不清召回率和精确率的区别，即使记住了公式，过段时间还是会忘掉，这里我会完