<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>AI原理 :: x7peeps</title><link>https://blog.x7peeps.com/AI/01-LLM%E5%8E%9F%E7%90%86%E4%B8%8E%E5%B7%A5%E7%A8%8B/index.html</link><description>大语言模型技术栈：从 Transformer 到 GPT/Claude 的架构演进 大语言模型技术栈：从 Transformer 到 GPT/Claude 的架构演进 大语言模型（LLM）已从学术论文中的实验性工作，演变为支撑数十亿用户日常交互 … Token 经济学与推理参数：成本、延迟、质量的三角博弈 Token 经济学与推理参数：成本、延迟、质量的三角博弈 在生产级 LLM 应用中，Token 是一切的度量单位——它既是模型理解与生成的基本粒度，也是计费的最 … LLM API 工程：多模型对接、流式输出与容错设计 LLM API 工程：多模型对接、流式输出与容错设计 在生产环境中对接 LLM API，远不只是调用一个 HTTP 接口那么简单。开发者需要面对的是：多家模型供 … 模型选择与部署策略：GPT、Claude、开源模型、国产模型全景 模型选择与部署策略：GPT、Claude、开源模型、国产模型全景 模型选型是 LLM 工程落地中最关键的前置决策之一。选错了模型，要么是花了冤枉钱——用旗舰模型 … Claude注册与配置 claude注册 claude免费，平替chatgpt 注册账号 进入https://www.anthropic.com/product 推理模型技术范式：从 Chain-of-Thought 到 Test-Time Compute Scaling 推理模型技术范式：从 Chain-of-Thought 到 Test-Time Compute Scaling 大语言模型的能力边界正在经历一次根本性的重构 … Mixture of Experts 架构：稀疏激活如何重塑大语言模型的效率与规模 Mixture of Experts 架构：稀疏激活如何重塑大语言模型的效率与规模 大语言模型的 Scaling Law 曾长期遵循一个简单假设：更大的参数量意 … 多模态大模型技术栈：从 Vision-Language Model 到原生多模态架构的技术演进 多模态大模型技术栈：从 Vision-Language Model 到原生多模态架构的技术演进 多模态 AI 已从实验室中的"图像描述工具" … ASI-Bench 本地横评方法论：信息梯度与决策归因评测的完整拆解 ASI-Bench 本地横评方法论：信息梯度与决策归因评测的完整拆解 导读：这是一篇关于"怎么科学地评测本地模型"的方法论文章，用信息梯度 … 长上下文技术栈：从 512 到 10M Token 的位置编码演进与工程实践 长上下文技术栈：从 512 到 10M Token 的位置编码演进与工程实践 大语言模型的上下文窗口（Context Window）是其理解与生成能力的物理边界 … LLM 幻觉检测与缓解技术全景：从理论机制到生产级防护 LLM 幻觉检测与缓解技术全景：从理论机制到生产级防护 大语言模型（LLM）已从实验室的学术原型演变为支撑数十亿用户日常交互的基础设施级产品。然而，幻觉 … 小语言模型（SLM）技术全景：从 Phi-4 到 Gemma 3 的端侧部署与工程实践 小语言模型（SLM）技术全景：从 Phi-4 到 Gemma 3 的端侧部署与工程实践 2025 年以来，大语言模型（LLM）的竞争格局正在发生微妙的分化。一方 …</description><generator>Hugo</generator><language>zh-CN</language><lastBuildDate>Fri, 30 Oct 2026 14:47:30 +0800</lastBuildDate><atom:link href="https://blog.x7peeps.com/AI/01-LLM%E5%8E%9F%E7%90%86%E4%B8%8E%E5%B7%A5%E7%A8%8B/index.xml" rel="self" type="application/rss+xml"/><item><title>大语言模型技术栈：从 Transformer 到 GPT/Claude 的架构演进</title><link>https://blog.x7peeps.com/AI/01-LLM%E5%8E%9F%E7%90%86%E4%B8%8E%E5%B7%A5%E7%A8%8B/%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B%E6%8A%80%E6%9C%AF%E6%A0%88%E4%BB%8ETransformer%E5%88%B0GPT%E5%92%8CClaude%E7%9A%84%E6%9E%B6%E6%9E%84%E6%BC%94%E8%BF%9B/index.html</link><pubDate>Fri, 30 Oct 2026 14:47:30 +0800</pubDate><guid>https://blog.x7peeps.com/AI/01-LLM%E5%8E%9F%E7%90%86%E4%B8%8E%E5%B7%A5%E7%A8%8B/%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B%E6%8A%80%E6%9C%AF%E6%A0%88%E4%BB%8ETransformer%E5%88%B0GPT%E5%92%8CClaude%E7%9A%84%E6%9E%B6%E6%9E%84%E6%BC%94%E8%BF%9B/index.html</guid><description>大语言模型技术栈：从 Transformer 到 GPT/Claude 的架构演进 大语言模型（LLM）已从学术论文中的实验性工作，演变为支撑数十亿用户日常交互的基础设施级产品。作为 AI 应用开发者，理解从底层 Transformer 架构到上层应用框架的完整技术栈，是做出正确技术选型、构建高质量 AI 应用的前提。</description></item><item><title>Token 经济学与推理参数：成本、延迟、质量的三角博弈</title><link>https://blog.x7peeps.com/AI/01-LLM%E5%8E%9F%E7%90%86%E4%B8%8E%E5%B7%A5%E7%A8%8B/Token%E7%BB%8F%E6%B5%8E%E5%AD%A6%E4%B8%8E%E6%8E%A8%E7%90%86%E5%8F%82%E6%95%B0%E6%88%90%E6%9C%AC%E5%BB%B6%E8%BF%9F%E8%B4%A8%E9%87%8F%E7%9A%84%E4%B8%89%E8%A7%92%E5%8D%9A%E5%BC%88/index.html</link><pubDate>Fri, 30 Oct 2026 14:47:30 +0800</pubDate><guid>https://blog.x7peeps.com/AI/01-LLM%E5%8E%9F%E7%90%86%E4%B8%8E%E5%B7%A5%E7%A8%8B/Token%E7%BB%8F%E6%B5%8E%E5%AD%A6%E4%B8%8E%E6%8E%A8%E7%90%86%E5%8F%82%E6%95%B0%E6%88%90%E6%9C%AC%E5%BB%B6%E8%BF%9F%E8%B4%A8%E9%87%8F%E7%9A%84%E4%B8%89%E8%A7%92%E5%8D%9A%E5%BC%88/index.html</guid><description>Token 经济学与推理参数：成本、延迟、质量的三角博弈 在生产级 LLM 应用中，Token 是一切的度量单位——它既是模型理解与生成的基本粒度，也是计费的最小单元，更是决定推理延迟的关键变量。一个表面上看起来简单的 API 调用，背后牵涉到 Token 化效率、推理参数配置、上下文窗口管理、成本预算控制等一系列工程决策。这些决策之间存在复杂的耦合关系，构成了一个经典的三角博弈：成本、延迟、质量三者不可兼得，开发者必须根据业务场景做出精准的权衡取舍。</description></item><item><title>LLM API 工程：多模型对接、流式输出与容错设计</title><link>https://blog.x7peeps.com/AI/01-LLM%E5%8E%9F%E7%90%86%E4%B8%8E%E5%B7%A5%E7%A8%8B/LLM-API%E5%B7%A5%E7%A8%8B%E5%A4%9A%E6%A8%A1%E5%9E%8B%E5%AF%B9%E6%8E%A5%E6%B5%81%E5%BC%8F%E8%BE%93%E5%87%BA%E4%B8%8E%E5%AE%B9%E9%94%99%E8%AE%BE%E8%AE%A1/index.html</link><pubDate>Fri, 03 Jul 2026 15:17:54 +0800</pubDate><guid>https://blog.x7peeps.com/AI/01-LLM%E5%8E%9F%E7%90%86%E4%B8%8E%E5%B7%A5%E7%A8%8B/LLM-API%E5%B7%A5%E7%A8%8B%E5%A4%9A%E6%A8%A1%E5%9E%8B%E5%AF%B9%E6%8E%A5%E6%B5%81%E5%BC%8F%E8%BE%93%E5%87%BA%E4%B8%8E%E5%AE%B9%E9%94%99%E8%AE%BE%E8%AE%A1/index.html</guid><description>LLM API 工程：多模型对接、流式输出与容错设计 在生产环境中对接 LLM API，远不只是调用一个 HTTP 接口那么简单。开发者需要面对的是：多家模型供应商 API 规范不统一、流式输出协议存在差异、调用失败率高于传统 REST 服务、Token 计费模型复杂、速率限制策略各异。本文从后端工程视角出发，系统梳理多模型对接、流式输出、容错设计三个核心问题，提供可直接落地的工程方案。</description></item><item><title>模型选择与部署策略：GPT、Claude、开源模型、国产模型全景</title><link>https://blog.x7peeps.com/AI/01-LLM%E5%8E%9F%E7%90%86%E4%B8%8E%E5%B7%A5%E7%A8%8B/%E6%A8%A1%E5%9E%8B%E9%80%89%E6%8B%A9%E4%B8%8E%E9%83%A8%E7%BD%B2%E7%AD%96%E7%95%A5GPTClaude%E5%BC%80%E6%BA%90%E6%A8%A1%E5%9E%8B%E5%9B%BD%E4%BA%A7%E6%A8%A1%E5%9E%8B%E5%85%A8%E6%99%AF/index.html</link><pubDate>Fri, 30 Oct 2026 14:47:30 +0800</pubDate><guid>https://blog.x7peeps.com/AI/01-LLM%E5%8E%9F%E7%90%86%E4%B8%8E%E5%B7%A5%E7%A8%8B/%E6%A8%A1%E5%9E%8B%E9%80%89%E6%8B%A9%E4%B8%8E%E9%83%A8%E7%BD%B2%E7%AD%96%E7%95%A5GPTClaude%E5%BC%80%E6%BA%90%E6%A8%A1%E5%9E%8B%E5%9B%BD%E4%BA%A7%E6%A8%A1%E5%9E%8B%E5%85%A8%E6%99%AF/index.html</guid><description>模型选择与部署策略：GPT、Claude、开源模型、国产模型全景 模型选型是 LLM 工程落地中最关键的前置决策之一。选错了模型，要么是花了冤枉钱——用旗舰模型跑分类任务；要么是质量坍塌——用轻量模型做复杂推理。更隐蔽的陷阱在于：你在评估阶段用 API 跑通了 POC，上线时才发现 10 万次日请求的成本远超预算，或者数据合规要求不允许把用户数据发往境外。</description></item><item><title>Claude注册与配置</title><link>https://blog.x7peeps.com/AI/01-LLM%E5%8E%9F%E7%90%86%E4%B8%8E%E5%B7%A5%E7%A8%8B/claude%E6%B3%A8%E5%86%8C%E4%B8%8E%E9%85%8D%E7%BD%AE/index.html</link><pubDate>Mon, 05 May 2025 00:00:00 +0800</pubDate><guid>https://blog.x7peeps.com/AI/01-LLM%E5%8E%9F%E7%90%86%E4%B8%8E%E5%B7%A5%E7%A8%8B/claude%E6%B3%A8%E5%86%8C%E4%B8%8E%E9%85%8D%E7%BD%AE/index.html</guid><description>通过Slack注册和使用Claude的详细步骤。</description></item><item><title>推理模型技术范式：从 Chain-of-Thought 到 Test-Time Compute Scaling</title><link>https://blog.x7peeps.com/AI/01-LLM%E5%8E%9F%E7%90%86%E4%B8%8E%E5%B7%A5%E7%A8%8B/%E6%8E%A8%E7%90%86%E6%A8%A1%E5%9E%8B%E6%8A%80%E6%9C%AF%E8%8C%83%E5%BC%8F%E4%BB%8EChain-of-Thought%E5%88%B0Test-Time-Compute-Scaling/index.html</link><pubDate>Fri, 30 Oct 2026 14:47:30 +0800</pubDate><guid>https://blog.x7peeps.com/AI/01-LLM%E5%8E%9F%E7%90%86%E4%B8%8E%E5%B7%A5%E7%A8%8B/%E6%8E%A8%E7%90%86%E6%A8%A1%E5%9E%8B%E6%8A%80%E6%9C%AF%E8%8C%83%E5%BC%8F%E4%BB%8EChain-of-Thought%E5%88%B0Test-Time-Compute-Scaling/index.html</guid><description>推理模型技术范式：从 Chain-of-Thought 到 Test-Time Compute Scaling 大语言模型的能力边界正在经历一次根本性的重构。2024 年 9 月，OpenAI 发布 o1 推理模型，首次在商业产品中实现了测试时计算缩放（Test-Time Compute Scaling）——让模型在回答问题之前"思考"更长时间，从而大幅提升推理准确率。这一范式转变标志着 LLM 从单纯追求"训练时参数规模"转向"推理时计算投入"的新时代。</description></item><item><title>Mixture of Experts 架构：稀疏激活如何重塑大语言模型的效率与规模</title><link>https://blog.x7peeps.com/AI/01-LLM%E5%8E%9F%E7%90%86%E4%B8%8E%E5%B7%A5%E7%A8%8B/Mixture-of-Experts%E6%9E%B6%E6%9E%84%E7%A8%80%E7%96%8F%E6%BF%80%E6%B4%BB%E5%A6%82%E4%BD%95%E9%87%8D%E5%A1%91%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B%E7%9A%84%E6%95%88%E7%8E%87%E4%B8%8E%E8%A7%84%E6%A8%A1/index.html</link><pubDate>Fri, 30 Oct 2026 14:47:30 +0800</pubDate><guid>https://blog.x7peeps.com/AI/01-LLM%E5%8E%9F%E7%90%86%E4%B8%8E%E5%B7%A5%E7%A8%8B/Mixture-of-Experts%E6%9E%B6%E6%9E%84%E7%A8%80%E7%96%8F%E6%BF%80%E6%B4%BB%E5%A6%82%E4%BD%95%E9%87%8D%E5%A1%91%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B%E7%9A%84%E6%95%88%E7%8E%87%E4%B8%8E%E8%A7%84%E6%A8%A1/index.html</guid><description>Mixture of Experts 架构：稀疏激活如何重塑大语言模型的效率与规模 大语言模型的 Scaling Law 曾长期遵循一个简单假设：更大的参数量意味着更强的能力，但代价是成比例增长的计算开销。GPT-4 据报训练成本超过 1 亿美元，Llama 2 耗费 330 万 A100 GPU 小时——当参数规模逼近万亿级别，Dense 模型的线性扩展路径正变得难以持续。</description></item><item><title>多模态大模型技术栈：从 Vision-Language Model 到原生多模态架构的技术演进</title><link>https://blog.x7peeps.com/AI/01-LLM%E5%8E%9F%E7%90%86%E4%B8%8E%E5%B7%A5%E7%A8%8B/%E5%A4%9A%E6%A8%A1%E6%80%81%E5%A4%A7%E6%A8%A1%E5%9E%8B%E6%8A%80%E6%9C%AF%E6%A0%88%E4%BB%8EVision-Language-Model%E5%88%B0%E5%8E%9F%E7%94%9F%E5%A4%9A%E6%A8%A1%E6%80%81%E6%9E%B6%E6%9E%84%E7%9A%84%E6%8A%80%E6%9C%AF%E6%BC%94%E8%BF%9B/index.html</link><pubDate>Fri, 30 Oct 2026 14:47:30 +0800</pubDate><guid>https://blog.x7peeps.com/AI/01-LLM%E5%8E%9F%E7%90%86%E4%B8%8E%E5%B7%A5%E7%A8%8B/%E5%A4%9A%E6%A8%A1%E6%80%81%E5%A4%A7%E6%A8%A1%E5%9E%8B%E6%8A%80%E6%9C%AF%E6%A0%88%E4%BB%8EVision-Language-Model%E5%88%B0%E5%8E%9F%E7%94%9F%E5%A4%9A%E6%A8%A1%E6%80%81%E6%9E%B6%E6%9E%84%E7%9A%84%E6%8A%80%E6%9C%AF%E6%BC%94%E8%BF%9B/index.html</guid><description>多模态大模型技术栈：从 Vision-Language Model 到原生多模态架构的技术演进 多模态 AI 已从实验室中的"图像描述工具"演变为能够同时理解文本、图像、音频、视频的通用智能系统。2024 年 GPT-4o 的发布标志着一个分水岭——模型不再只是"看图说话"，而是从底层架构层面原生支持多种模态的联合训练与推理。到 2026 年，多模态能力已从"差异化优势"变成了"入场门票"，没有视觉理解能力的大模型几乎无法进入生产级应用场景。</description></item><item><title>ASI-Bench 本地横评方法论：信息梯度与决策归因评测的完整拆解</title><link>https://blog.x7peeps.com/AI/01-LLM%E5%8E%9F%E7%90%86%E4%B8%8E%E5%B7%A5%E7%A8%8B/ASI-Bench%E6%9C%AC%E5%9C%B0%E6%A8%AA%E8%AF%84%E6%96%B9%E6%B3%95%E8%AE%BA%E4%BF%A1%E6%81%AF%E6%A2%AF%E5%BA%A6%E4%B8%8E%E5%86%B3%E7%AD%96%E5%BD%92%E5%9B%A0%E8%AF%84%E6%B5%8B%E7%9A%84%E5%AE%8C%E6%95%B4%E6%8B%86%E8%A7%A3/index.html</link><pubDate>Thu, 27 Aug 2026 10:50:00 +0800</pubDate><guid>https://blog.x7peeps.com/AI/01-LLM%E5%8E%9F%E7%90%86%E4%B8%8E%E5%B7%A5%E7%A8%8B/ASI-Bench%E6%9C%AC%E5%9C%B0%E6%A8%AA%E8%AF%84%E6%96%B9%E6%B3%95%E8%AE%BA%E4%BF%A1%E6%81%AF%E6%A2%AF%E5%BA%A6%E4%B8%8E%E5%86%B3%E7%AD%96%E5%BD%92%E5%9B%A0%E8%AF%84%E6%B5%8B%E7%9A%84%E5%AE%8C%E6%95%B4%E6%8B%86%E8%A7%A3/index.html</guid><description>ASI-Bench 本地横评方法论：信息梯度与决策归因评测的完整拆解 导读：这是一篇关于"怎么科学地评测本地模型"的方法论文章，用信息梯度（Information Gradient）和决策归因（Decision Attribution）两个维度量化"模型能否自己想到正确方法"，在两个本地模型（35B MoE 与 27B chat）上完成了 40 次跑通的实测，输出包含实验设计、完整数据表和三个不避开就白测的方法论陷阱。</description></item><item><title>长上下文技术栈：从 512 到 10M Token 的位置编码演进与工程实践</title><link>https://blog.x7peeps.com/AI/01-LLM%E5%8E%9F%E7%90%86%E4%B8%8E%E5%B7%A5%E7%A8%8B/%E9%95%BF%E4%B8%8A%E4%B8%8B%E6%96%87%E6%8A%80%E6%9C%AF%E6%A0%88%E4%BB%8E512%E5%88%B010M-Token%E7%9A%84%E4%BD%8D%E7%BD%AE%E7%BC%96%E7%A0%81%E6%BC%94%E8%BF%9B%E4%B8%8E%E5%B7%A5%E7%A8%8B%E5%AE%9E%E8%B7%B5/index.html</link><pubDate>Wed, 15 Jul 2026 16:21:46 +0800</pubDate><guid>https://blog.x7peeps.com/AI/01-LLM%E5%8E%9F%E7%90%86%E4%B8%8E%E5%B7%A5%E7%A8%8B/%E9%95%BF%E4%B8%8A%E4%B8%8B%E6%96%87%E6%8A%80%E6%9C%AF%E6%A0%88%E4%BB%8E512%E5%88%B010M-Token%E7%9A%84%E4%BD%8D%E7%BD%AE%E7%BC%96%E7%A0%81%E6%BC%94%E8%BF%9B%E4%B8%8E%E5%B7%A5%E7%A8%8B%E5%AE%9E%E8%B7%B5/index.html</guid><description>长上下文技术栈：从 512 到 10M Token 的位置编码演进与工程实践 大语言模型的上下文窗口（Context Window）是其理解与生成能力的物理边界——它决定了模型在单次推理中能"看到"多少信息。2017 年原始 Transformer 的上下文长度仅为 512 个 Token，而到了 2025 年，Google Gemini 2.5 Pro 已支持 100 万 Token，Meta Llama 4 Scout 更是达到了惊人的 1000 万 Token。这一跨越四个数量级的扩展，不仅是"数字变大"那么简单，而是位置编码、注意力机制和系统工程三个维度协同演进的结果。</description></item><item><title>LLM 幻觉检测与缓解技术全景：从理论机制到生产级防护</title><link>https://blog.x7peeps.com/AI/01-LLM%E5%8E%9F%E7%90%86%E4%B8%8E%E5%B7%A5%E7%A8%8B/LLM%E5%B9%BB%E8%A7%89%E6%A3%80%E6%B5%8B%E4%B8%8E%E7%BC%93%E8%A7%A3%E6%8A%80%E6%9C%AF%E5%85%A8%E6%99%AF%E4%BB%8E%E7%90%86%E8%AE%BA%E6%9C%BA%E5%88%B6%E5%88%B0%E7%94%9F%E4%BA%A7%E7%BA%A7%E9%98%B2%E6%8A%A4/index.html</link><pubDate>Fri, 30 Oct 2026 14:47:30 +0800</pubDate><guid>https://blog.x7peeps.com/AI/01-LLM%E5%8E%9F%E7%90%86%E4%B8%8E%E5%B7%A5%E7%A8%8B/LLM%E5%B9%BB%E8%A7%89%E6%A3%80%E6%B5%8B%E4%B8%8E%E7%BC%93%E8%A7%A3%E6%8A%80%E6%9C%AF%E5%85%A8%E6%99%AF%E4%BB%8E%E7%90%86%E8%AE%BA%E6%9C%BA%E5%88%B6%E5%88%B0%E7%94%9F%E4%BA%A7%E7%BA%A7%E9%98%B2%E6%8A%A4/index.html</guid><description>LLM 幻觉检测与缓解技术全景：从理论机制到生产级防护 大语言模型（LLM）已从实验室的学术原型演变为支撑数十亿用户日常交互的基础设施级产品。然而，幻觉（Hallucination）——模型以高度自信的语调生成看似合理但事实上错误或无依据的内容——始终是制约 LLM 在高可靠性场景落地的核心瓶颈。2023 年"hallucination"一词被剑桥词典选为年度词汇，而 2025 年 OpenAI 发表在 Nature 的研究进一步揭示：幻觉并非单纯的"模型缺陷"，而是训练与评估体系中激励机制错位的系统性产物。</description></item><item><title>小语言模型（SLM）技术全景：从 Phi-4 到 Gemma 3 的端侧部署与工程实践</title><link>https://blog.x7peeps.com/AI/01-LLM%E5%8E%9F%E7%90%86%E4%B8%8E%E5%B7%A5%E7%A8%8B/%E5%B0%8F%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B%E6%8A%80%E6%9C%AF%E5%85%A8%E6%99%AF%E4%BB%8EPhi-4%E5%88%B0Gemma3%E7%9A%84%E7%AB%AF%E4%BE%A7%E9%83%A8%E7%BD%B2%E4%B8%8E%E5%B7%A5%E7%A8%8B%E5%AE%9E%E8%B7%B5/index.html</link><pubDate>Fri, 30 Oct 2026 14:47:30 +0800</pubDate><guid>https://blog.x7peeps.com/AI/01-LLM%E5%8E%9F%E7%90%86%E4%B8%8E%E5%B7%A5%E7%A8%8B/%E5%B0%8F%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B%E6%8A%80%E6%9C%AF%E5%85%A8%E6%99%AF%E4%BB%8EPhi-4%E5%88%B0Gemma3%E7%9A%84%E7%AB%AF%E4%BE%A7%E9%83%A8%E7%BD%B2%E4%B8%8E%E5%B7%A5%E7%A8%8B%E5%AE%9E%E8%B7%B5/index.html</guid><description>小语言模型（SLM）技术全景：从 Phi-4 到 Gemma 3 的端侧部署与工程实践 2025 年以来，大语言模型（LLM）的竞争格局正在发生微妙的分化。一方面，GPT-5、Claude Opus、Gemini Ultra 等前沿模型持续冲击能力天花板；另一方面，一个截然不同的趋势正在悄然崛起——小语言模型（Small Language Models，SLMs）正以惊人的速度从实验室走向生产环境。微软 Phi-4-mini（3.8B）在数学推理上超越了 2023 年的 70B 级模型，Google Gemma 3 4B 可在手机端实时运行并支持 140+ 语言，Qwen3-4B 的综合能力已接近两年前的 Qwen2.5-72B。</description></item></channel></rss>