title: “ai usa impact” date: 2024-01-01T00:00:00+08:00 draft: false tags: [“资源”, “链接”] categories: [“资源收集”] author: “Peng Tan” description: “ai usa impact相关资源链接” wordCount: 8 readingTime: 1

title: “Google: 一种通往技术通用人工智能安全的方法” date: “2025-04-17T20:20:00+08:00” draft: false tags: [“AGI”, “安全”, “技术”, “Google”, “技术风险”] categories: [“Safety”, “Security”, “AGI”] description: “本文介绍了Google关于AGI安全的技术报告，并对其技术原理、主要贡献、论文方法、评估结果和局限性进行了详细解读。”

“Superpowers"是一个用于编码代理的软件开发工作流框架，基于可组合技能和初始指令，帮助代理高效完成开发过程。其核心功能包括设计优化、实施计划制定、测试驱动开发（TDD）、子代理驱动开发以及代码审查等。工作流涵盖从设计到实现的完整过程，并通过技能库自动触发相关技能以确保每任务的高效执行和质量把控。

Transformer 模型学习指南 I. 复习大纲

1. 引言 •序列转换模型的局限性（循环神经网络和卷积神经网络）。 •Transformer 模型的提出：完全基于注意力机制，摒弃循环和卷积。 •Transformer 模型的优点：并行化能力强，训练时间短，翻译质量高。 •Transformer 模型在机器翻译和英语成分句法分析上的成功应用。

title: “deep dive into LLMs like ChatGPT” date: 2024-01-01T00:00:00+08:00 draft: false tags: [“资源”, “链接”] categories: [“资源收集”] author: “Peng Tan” description: “deep dive into LLMs like ChatGPT相关资源链接” wordCount: 8 readingTime: 1

什么是 Vector 数据库？

Vector 数据库在自然语言处理、Image Recognition、推荐系统和语义搜索等各个领域发挥着举足轻重的作用，并随着 LLM 的日益普及而变得更加重要。

为什么说神经网络几乎可以学习任何东西？

核心观点： 神经网络之所以被认为几乎能学习任何东西，其核心在于它们的通用近似能力 (Universal Approximation Capability)。这主要由通用近似定理 (Universal Approximation Theorem, UAT) 提供理论支撑。

查询扩展（Query Expansion）

在信息检索中，**查询扩展（Query Expansion）**的核心作用是通过补充或优化用户原始查询的关键词，提升系统对用户需求的理解范围和匹配精度。简单来说，它像一个“智能助手”，帮助搜索引擎或检索系统更全面地捕捉用户意图，避免因用户表达简略、模糊或词汇局限导致的漏检问题。以下是其具体作用和实现逻辑的通俗解释：

title: “Karpathy DeepDive LLM” date: 2024-01-01T00:00:00+08:00 draft: false tags: [“资源”, “链接”] categories: [“资源收集”] author: “Peng Tan” description: “Karpathy DeepDive LLM视频课程” wordCount: 4566 readingTime: 19

[1hr Talk] Intro to Large Language Models

https://www.youtube.com/watch?v=zjkBMFhNj_g 该视频讲稿系统地介绍了大型语言模型（LLMs）。首先，它从基本概念入手，解释了LLM的构成（参数文件和运行代码），并以Llama 2为例进行了说明，强调了其开放权重的特点。接着，深入探讨了LLM的训练过程，分为预训练（海量互联网文本、高昂算力成本）和微调（高质量人工标注数据，塑造助手模型）两个阶段，并提及了可选的**通过人类反馈强化学习（RLHF）**进行性能提升。