文章·工具链·2026年7月28日·阿新聊ai91ai 评测可复现性状态本页说明 91ai 自建评测在 当前仓库 中的可复现程度。它衡量的是公开产物是否足以让第三方复跑，不评价作者是否实际运行过测试，也不替代报告中的 L1–L5 证据分级。可复现性证据分级评测规范
文章·工具链·2026年7月28日·阿新聊aiAI / 大模型 / Agent 评测专题TL;DR： AI 评测不能只看模型榜单。真正有用的评测要同时回答五个问题：模型会不会、系统稳不稳、工具调得准不准、结果能不能被证据支撑、上线后是否安全可控。这个专题把 AI、大模型、RAG、Agent、AI Coding 和安全红队评测…AI 评测评测地图方法论
文章·AI 底层工程·2026年7月28日·阿新聊ai自进化到底是什么——参数、结构、策略、prompt、代码五个层级TL;DR： 自进化 = 系统把自己运行产生的输出或行为当作学习信号，反过来修改自身的某个部分，从而在不需要外部新标注的前提下变得更好。本文建立两个全系列地基：五层级模型（参数、结构、策略、prompt、代码）和统一四步循环（采集→变异→…自进化前沿Meta Learning
文章·AI 底层工程·2026年7月28日·阿新聊ai扩散模型：从噪声到图像——DDPM、潜在扩散与 Stable Diffusion 的完整路径TL;DR： 扩散模型通过"加噪声→学习去噪声"的过程来生成图像。本文从数学基础（前向扩散、反向去噪的推导）开始，经过 DDPM 的训练与采样算法，到 Stable Diffusion 的潜在空间架构，再到 DiT 和 Flow Matc…扩散模型DDPMStable Diffusion
文章·AI 底层工程·2026年7月28日·阿新聊ai强化学习：MDP、Q Learning、Policy Gradient 与 RLHF——RL 的核心框架TL;DR： 强化学习是让智能体通过与环境交互来学习最优行为策略的方法论。本文从马尔可夫决策过程（MDP）讲起，经过Q Learning和Policy Gradient，最终连接到当前大模型训练的核心技术RLHF。强化学习RLHFPolicy Gradient
文章·AI 底层工程·2026年7月28日·阿新聊ai大模型的缩放定律：Scaling Law、Chinchilla、MoE，为什么模型越大越好TL;DR： Scaling Law 描述了语言模型损失如何随参数量（N）、数据量（D）和计算量（C）的幂律关系变化。OpenAI 在 2020 年发现 $L(N) \propto N^{ 0.076}$——参数量每增加 10 倍，损失下…Scaling LawChinchillaMoE
文章·AI 底层工程·2026年7月28日·阿新聊aiTransformer 详解：自注意力、多头注意力、位置编码，逐层拆解TL;DR： Transformer 完全基于注意力机制，不使用 RNN 或 CNN。它的核心是 Scaled Dot Product Attention：用 Query 和 Key 的点积（除以 $\sqrt{d k}$）计算注意力权重…Transformer自注意力大模型
文章·AI 底层工程·2026年7月28日·阿新聊aiAttention 机制：为什么 Attention 比 RNN 好，Query / Key / Value 是什么TL;DR： Attention 机制的核心操作是：用 Query 和所有 Key 计算相似度，得到权重，然后对 Value 做加权求和。它让序列中的每个位置可以直接"看到"所有其他位置，不需要像 RNN 那样逐步传递信息。Query/K…AttentionNLP序列建模
文章·AI 底层工程·2026年7月28日·阿新聊aiCNN 基础：卷积、池化、感受野——为什么图像不用全连接TL;DR： 全连接网络处理图像时参数量爆炸——一张 224x224 的图片展平后有 150,528 个像素，第一个隐藏层如果有 1000 个神经元就是 1.5 亿个参数。CNN 通过三个核心设计解决了这个问题：局部连接（每个神经元只看图…CNN卷积计算机视觉
文章·AI 底层工程·2026年7月28日·阿新聊ai反向传播：计算图、链式法则，以及梯度如何一层层传回去TL;DR： 反向传播（Backpropagation）不是一个新算法，它就是链式法则在计算图上的高效应用。前向传播把数据从输入推向输出，计算出预测值和损失。反向传播把梯度从输出拉回输入，告诉你每个参数该怎么调。核心规则只有一条： 下游梯…反向传播梯度计算图