用 Guardrails 给大模型输出兜底，跑偏的字段当场拦下重试
你有没有遇到过这种事：让大模型返回一个 JSON，prompt 里千叮万嘱「只返回 JSON、不要解释」，结果它还是给你前面加一句「好的，这是您要的结果：」，或者把金额字段返回成「大约一百块」。下游解析直接炸，半夜被告警叫起来。我们线上一个抽取服务就栽在这上面。
如何在自己的数据上微调一个小模型（完整指南）
你不需要一个 70B 的模型。你不需要 10 万美元的算力。你也不需要一支机器学习团队。一个 15 亿参数的模型，只要在 200-500 个高质量样本上做好微调，在你那个具体任务上就能胜过被泛泛提示的前沿大模型。这就是完整指南。数据收集。清洗。数据集构建。QLoRA 训练。
1B端侧模型实现实时语音转写，Nemotron-3.5-ASR实战
根据实测数据，Nemotron-3.5-ASR 在 Q4_K_M 量化下的权重约为 1.0GB。至此，我们已经完成了从语音输入、模型推理、链式编排到数据持久化的完整闭环。
「假电脑」教AI用电脑，出的题连GPT-6 Astra都做不对
合成环境后，再在里面合成高质量的 agent 任务、对应的 verifier 验证器，来组成 {environment， task， verifeir} 训练样本，只在这些合成的环境中训练两个 Qwen 模型，却在 8 个横跨 web agent， claw agent 和 GUI computer-use agent OOD 常见评测榜单上全部有提升。
让大模型读懂 K 线的语言：Kronos，第一个开源金融 K 线基础模型
图：Kronos 项目 Logo，来源于项目官方仓库 README。我盯盘十几年，一直有个执念：K 线图其实是市场的"语言"，可通用大模型偏偏读不懂它。现在，这句话终于被一个开源项目认真回答了。
模型幻觉编造数据，加个后置校验对不上原文就打回重来
上周我们组接了个活儿，从一堆财报 PDF 里抽关键数字，做成结构化 JSON 入库。一开始想得挺简单，丢给 GPT-4o 让它输出，字段填得规规矩矩，看着特别舒服。结果抽检的时候发现，有一条营收数字是 12.7 亿，原文里压根找不到，最接近的是「营业收入 11.9 亿元」。
GPT-6爆改模型权重，数学能力狂飙6倍，MIT博一新作破圈了
不用训练、不算梯度，只让GPT-6 Astra改写另一款小模型0.016%权重，数学成绩就能原地暴涨6倍!
不用梯子！Codex接入永久免费全模态模型，我跑通了，全程3步
很多做开发、玩AI工具的朋友，应该都听过Codex。它本身是面向代码场景的智能代理工具，能读代码、查bug、写新项目、看懂截图里的界面需求，还能联动工具自动执行任务，是写代码非常好用的助手。
私有AI实战09：Qwen、DeepSeek等开源大模型这么多，到底选哪个？
同样是8B大模型，为什么有的写中文更顺手，有的更适合数学推理，还有的在代码生成和工具调用上表现不同？本地部署时，究竟应该选择哪个？