<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
  <channel>
    <title>参数优化 on 办公AI智能小助手</title>
    <link>https://blog.qife122.com/tags/%E5%8F%82%E6%95%B0%E4%BC%98%E5%8C%96/</link>
    <description>Recent content in 参数优化 on 办公AI智能小助手</description>
    <generator>Hugo</generator>
    <language>zh-cn</language>
    <copyright>qife</copyright>
    <lastBuildDate>Fri, 03 Oct 2025 22:08:32 +0800</lastBuildDate>
    <atom:link href="https://blog.qife122.com/tags/%E5%8F%82%E6%95%B0%E4%BC%98%E5%8C%96/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>四元数压缩深度学习模型参数技术解析</title>
      <link>https://blog.qife122.com/p/%E5%9B%9B%E5%85%83%E6%95%B0%E5%8E%8B%E7%BC%A9%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E6%A8%A1%E5%9E%8B%E5%8F%82%E6%95%B0%E6%8A%80%E6%9C%AF%E8%A7%A3%E6%9E%90/</link>
      <pubDate>Fri, 03 Oct 2025 22:08:32 +0800</pubDate>
      <guid>https://blog.qife122.com/p/%E5%9B%9B%E5%85%83%E6%95%B0%E5%8E%8B%E7%BC%A9%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E6%A8%A1%E5%9E%8B%E5%8F%82%E6%95%B0%E6%8A%80%E6%9C%AF%E8%A7%A3%E6%9E%90/</guid>
      <description>&lt;h1 id=&#34;某中心科学家荣获iclr杰出论文奖&#34;&gt;某中心科学家荣获ICLR杰出论文奖&lt;/h1&gt;&#xA;&lt;p&gt;某中心云服务部门高级应用科学家与合作者近日荣获国际学习表征会议（ICLR 2021）杰出论文奖，该会议专注于深度学习领域的前沿进展。&lt;/p&gt;&#xA;&lt;p&gt;获奖论文《超越全连接层：使用1/n参数实现超复数乘法的参数化方法》由某中心科学家张 Aston 与南洋理工大学、苏黎世联邦理工学院和蒙特利尔大学的六位研究人员共同完成。&lt;/p&gt;</description>
    </item>
    <item>
      <title>连续时间深度神经网络权重参数化技术解析</title>
      <link>https://blog.qife122.com/p/%E8%BF%9E%E7%BB%AD%E6%97%B6%E9%97%B4%E6%B7%B1%E5%BA%A6%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E6%9D%83%E9%87%8D%E5%8F%82%E6%95%B0%E5%8C%96%E6%8A%80%E6%9C%AF%E8%A7%A3%E6%9E%90/</link>
      <pubDate>Sun, 21 Sep 2025 15:15:54 +0800</pubDate>
      <guid>https://blog.qife122.com/p/%E8%BF%9E%E7%BB%AD%E6%97%B6%E9%97%B4%E6%B7%B1%E5%BA%A6%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E6%9D%83%E9%87%8D%E5%8F%82%E6%95%B0%E5%8C%96%E6%8A%80%E6%9C%AF%E8%A7%A3%E6%9E%90/</guid>
      <description>&lt;h1 id=&#34;权重参数化在连续时间深度神经网络代理建模中的应用&#34;&gt;权重参数化在连续时间深度神经网络代理建模中的应用&lt;/h1&gt;&#xA;&lt;p&gt;连续时间深度学习模型（如神经常微分方程）为复杂物理系统的代理建模提供了有前景的框架。训练这些模型的核心挑战在于学习表达性强且稳定的时变权重，特别是在计算约束条件下。本研究探讨了将权重时序演化约束到多项式基函数张成的低维子空间的参数化策略。&lt;/p&gt;</description>
    </item>
    <item>
      <title>AI大语言模型与监督微调实战指南</title>
      <link>https://blog.qife122.com/p/ai%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B%E4%B8%8E%E7%9B%91%E7%9D%A3%E5%BE%AE%E8%B0%83%E5%AE%9E%E6%88%98%E6%8C%87%E5%8D%97/</link>
      <pubDate>Thu, 11 Sep 2025 13:02:11 +0800</pubDate>
      <guid>https://blog.qife122.com/p/ai%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B%E4%B8%8E%E7%9B%91%E7%9D%A3%E5%BE%AE%E8%B0%83%E5%AE%9E%E6%88%98%E6%8C%87%E5%8D%97/</guid>
      <description>&lt;h1 id=&#34;ai大语言模型与监督微调&#34;&gt;AI大语言模型与监督微调&lt;/h1&gt;&#xA;&lt;p&gt;| Joff Thyer&lt;br&gt;&#xA;安全分析师、恶意软件研究员、新技术研究推广专家&lt;/p&gt;&#xA;&lt;p&gt;本文面向数据科学和人工智能领域的中阶学习者。如需了解基础知识，以下是有用资源列表：&#xA;&lt;a href=&#34;https://towardsdatascience.com/&#34;&gt;https://towardsdatascience.com/&lt;/a&gt;&#xA;&lt;a href=&#34;https://machinelearningmastery.com/&#34;&gt;https://machinelearningmastery.com/&lt;/a&gt;&#xA;&lt;a href=&#34;https://openai.com/news/&#34;&gt;https://openai.com/news/&lt;/a&gt;&lt;/p&gt;&#xA;&lt;h2 id=&#34;大语言模型&#34;&gt;大语言模型&lt;/h2&gt;&#xA;&lt;p&gt;基于Transformer架构的生成式大语言模型（LLMs）已成为自然语言处理（NLP）中非常流行的技术。众所周知，目前有许多流行的公共LLMs通过基于Web或JSON RESTful API接口日常使用。例如：&lt;/p&gt;</description>
    </item>
    <item>
      <title>四元数压缩深度学习参数获ICLR大奖</title>
      <link>https://blog.qife122.com/p/%E5%9B%9B%E5%85%83%E6%95%B0%E5%8E%8B%E7%BC%A9%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E5%8F%82%E6%95%B0%E8%8E%B7iclr%E5%A4%A7%E5%A5%96/</link>
      <pubDate>Thu, 11 Sep 2025 06:49:11 +0800</pubDate>
      <guid>https://blog.qife122.com/p/%E5%9B%9B%E5%85%83%E6%95%B0%E5%8E%8B%E7%BC%A9%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E5%8F%82%E6%95%B0%E8%8E%B7iclr%E5%A4%A7%E5%A5%96/</guid>
      <description>&lt;h2 id=&#34;某中心科学家荣获iclr杰出论文奖&#34;&gt;某中心科学家荣获ICLR杰出论文奖&lt;/h2&gt;&#xA;&lt;p&gt;某中心高级应用科学家与合作者凭借论文《超越全连接层：基于1/n参数的超复数乘法参数化》获得国际学习表征会议（ICLR 2021）杰出论文奖。该研究通过四元数及高维超复数系统，将全连接层参数需求降至传统方法的四分之一甚至更低。&lt;/p&gt;</description>
    </item>
    <item>
      <title>AI大语言模型与监督微调实战指南</title>
      <link>https://blog.qife122.com/p/ai%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B%E4%B8%8E%E7%9B%91%E7%9D%A3%E5%BE%AE%E8%B0%83%E5%AE%9E%E6%88%98%E6%8C%87%E5%8D%97/</link>
      <pubDate>Thu, 11 Sep 2025 02:35:22 +0800</pubDate>
      <guid>https://blog.qife122.com/p/ai%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B%E4%B8%8E%E7%9B%91%E7%9D%A3%E5%BE%AE%E8%B0%83%E5%AE%9E%E6%88%98%E6%8C%87%E5%8D%97/</guid>
      <description>&lt;h1 id=&#34;ai大语言模型与监督微调&#34;&gt;AI大语言模型与监督微调&lt;/h1&gt;&#xA;&lt;p&gt;| &lt;strong&gt;作者&lt;/strong&gt;：Joff Thyer&lt;br&gt;&#xA;&lt;em&gt;安全分析师、恶意软件研究员、新技术研究推广专家&lt;/em&gt;&lt;/p&gt;&#xA;&lt;p&gt;本文面向数据科学和人工智能领域的中阶学习者。若需了解基础知识，可参考以下资源：&lt;br&gt;&#xA;&lt;a href=&#34;https://towardsdatascience.com/&#34;&gt;https://towardsdatascience.com/&lt;/a&gt;&lt;br&gt;&#xA;&lt;a href=&#34;https://machinelearningmastery.com/&#34;&gt;https://machinelearningmastery.com/&lt;/a&gt;&lt;br&gt;&#xA;&lt;a href=&#34;https://openai.com/news/&#34;&gt;https://openai.com/news/&lt;/a&gt;&lt;/p&gt;</description>
    </item>
    <item>
      <title>AI大语言模型与监督微调实战指南</title>
      <link>https://blog.qife122.com/p/ai%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B%E4%B8%8E%E7%9B%91%E7%9D%A3%E5%BE%AE%E8%B0%83%E5%AE%9E%E6%88%98%E6%8C%87%E5%8D%97/</link>
      <pubDate>Sun, 07 Sep 2025 13:12:35 +0800</pubDate>
      <guid>https://blog.qife122.com/p/ai%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B%E4%B8%8E%E7%9B%91%E7%9D%A3%E5%BE%AE%E8%B0%83%E5%AE%9E%E6%88%98%E6%8C%87%E5%8D%97/</guid>
      <description>&lt;h1 id=&#34;ai大语言模型与监督微调&#34;&gt;AI大语言模型与监督微调&lt;/h1&gt;&#xA;&lt;p&gt;| 作者：Joff Thyer&lt;br&gt;&#xA;安全分析师、恶意软件研究员、新技术研究推广专家&lt;/p&gt;&#xA;&lt;p&gt;本文面向数据科学和人工智能领域的中级学习者。如果您需要了解基础知识，以下是一些有用的资源：&lt;/p&gt;</description>
    </item>
  </channel>
</rss>
