模型 - 知识库

幻觉不是 bug，是机制的副产品模型生成文本的方式是"根据上文预测下一个最可能的词"。它优化的是"像真的"，不是"是真的"。所以在它不知道的地方，它会用最合理的方式编一个——而且编得比真话还流畅。这一点必须理解清楚：幻觉不会因为模型更大

24 阅读 2026-11-10

办公场景的共同结构办公类任务看起来五花八门，其实都是同一个套路：输入是"原始材料"（录音、草稿、数据、邮件），输出是"特定格式的成品"。 AI 擅长的是"格式转换"和"信息重组"，不擅长的是"判断"和"担责"。所以用得好的人，都是把 AI

12 阅读 2026-11-10

先认清能力边界 AI 视频生成目前最擅长和最不擅长的事，差得很远：擅长：单镜头内的运动、光影氛围、材质质感、慢动作、镜头推拉。不擅长：长时间连续叙事、多角色互动、精确的手部动作、画面内文字、跨镜头的角色一致性。这决定了正确的工作方式：

17 阅读 2026-11-10

一条提示的七个部分生成图不稳定，通常不是模型的问题，是信息缺口太大——你只说了"一只猫"，剩下的一切都交给随机。完整描述按这个顺序排列，命中率最高：【主体】什么，几个，什么状态【动作/姿态】在做什么【环境】在哪里，前景背景有什么

7 阅读 2026-11-10

核心原则：给它"数据长什么样"，而不是"数据本身" 最常见的错误是把整张表贴进去。几千行数据会：烧光上下文、让模型抓不住重点、还可能因为太长而截断。正确做法是给"结构描述"： text 表名：销售明细行数：约 12,000 行字段：

27 阅读 2026-11-10

先说清楚 Agent 是什么普通的模型调用是"一问一答"。Agent 是"模型自己决定下一步做什么"——它可以调用工具、看结果、再决定下一步，循环到任务完成。差别在于控制权：普通调用里，流程是你写死的；Agent 里，流程是模型选的。

11 阅读 2026-11-10

什么时候真的需要 RAG 先排除两种情况：资料总量很少（几千字），直接塞进提示里就行。这叫"长上下文"，不需要 RAG。要模型学会一种风格或固定行为，那该用微调（或直接改系统提示），不是 RAG。 RAG 真正适用的场景：资料多到塞不进

7 阅读 2026-11-10

先说结论 AI 写代码的效果差异，几乎不在模型，而在"你怎么给它任务、怎么验收"。同一个模型，有人用得像个高级实习生，有人用出十年前的复制粘贴水平，区别在流程。下面是这套流程，每一步都能单独用。第一步：把需求拆到"一次能看清" 不要这样

13 阅读 2026-11-10

先算清楚：你到底需要多少显存所有"跑不动"的问题，八成能用一道乘法估出来：显存 ≈ 参数量 × 每参数字节数 + 上下文 KV cache + 运行开销（约 1~2 GB）每参数字节数取决于量化精度： | 量化 | 每参数约 | 7B

9 阅读 2026-11-10