20260429:一些新东西
This commit is contained in:
@@ -0,0 +1,77 @@
|
||||
# Crawl4AI：赋能AI用户的开源智能网页爬虫与数据提取工具
|
||||
|
||||
**来源**: 知乎专栏
|
||||
**作者**: 沈飞
|
||||
**链接**: https://zhuanlan.zhihu.com/p/717965307
|
||||
**获取日期**: 2024年（文章发布时间）
|
||||
**文章类型**: 技术介绍 / 工具推荐
|
||||
|
||||
## 文章摘要
|
||||
|
||||
Crawl4AI 是一个专为大型语言模型（LLM）和 AI 应用设计的开源网页爬虫与数据提取工具。它能够自动将网页内容转换为结构化的 Markdown 格式，简化 RAG（检索增强生成）和模型微调所需的数据获取流程。
|
||||
|
||||
## 核心特性
|
||||
|
||||
### 1. 智能内容提取
|
||||
- **自动转换**: 将网页内容自动转换为结构化 Markdown 格式
|
||||
- **多种提取方式**: 支持 JSON CSS 提取、JSON XPath 提取、LLM 提取
|
||||
- **数据获取简化**: 专门为 RAG 和微调场景优化数据获取流程
|
||||
|
||||
### 2. 技术架构
|
||||
- **协议支持**: 支持 HTTP(S) 协议
|
||||
- **合规性**: 遵守 robots.txt 规则
|
||||
- **开源协议**: Apache 2.0 许可证
|
||||
|
||||
### 3. 配置灵活性
|
||||
- **自定义 User-Agent**: 支持自定义请求头标识
|
||||
- **代理设置**: 支持通过代理服务器访问
|
||||
- **会话管理**: 支持会话状态管理
|
||||
|
||||
### 4. 缓存机制
|
||||
- **多种缓存模式**:
|
||||
- ENABLED（默认）: 启用缓存
|
||||
- DISABLED: 禁用缓存
|
||||
- READ_ONLY: 只读模式
|
||||
- WRITE_ONLY: 只写模式
|
||||
- BYPASS: 绕过缓存
|
||||
- **缓存管理命令**:
|
||||
- `aclear_cache()`: 清除缓存
|
||||
- `aflush_cache()`: 刷新缓存
|
||||
|
||||
## 应用场景
|
||||
|
||||
### 1. RAG 数据准备
|
||||
- 自动抓取和格式化网页内容用于知识库构建
|
||||
- 支持大规模数据采集和预处理
|
||||
|
||||
### 2. 模型微调
|
||||
- 获取高质量训练数据
|
||||
- 支持特定领域内容抓取
|
||||
|
||||
### 3. AI 应用开发
|
||||
- 为 AI 代理提供实时数据获取能力
|
||||
- 支持自动化信息检索流程
|
||||
|
||||
## 技术亮点
|
||||
|
||||
1. **LLM 友好**: 专为大型语言模型应用设计，输出格式直接可用
|
||||
2. **易于集成**: 简单的 API 设计，便于嵌入现有工作流
|
||||
3. **开源生态**: Apache 2.0 许可证，支持社区贡献和二次开发
|
||||
4. **灵活配置**: 丰富的配置选项适应不同场景需求
|
||||
|
||||
## 评价与意义
|
||||
|
||||
Crawl4AI 代表了 AI 时代数据获取工具的发展方向：
|
||||
- **从通用到专用**: 专为 AI/LLM 工作流优化
|
||||
- **从原始到结构化**: 自动转换为 AI 可用的格式
|
||||
- **从复杂到简单**: 降低数据获取的技术门槛
|
||||
|
||||
## 相关资源
|
||||
|
||||
- **知乎原文**: https://zhuanlan.zhihu.com/p/717965307
|
||||
- **项目信息**: Crawl4AI 开源项目
|
||||
- **许可证**: Apache 2.0
|
||||
|
||||
---
|
||||
*创建时间: 2026-04-22*
|
||||
*Wiki 集成: 已完成*
|
||||
62
raw/papers/deepseek-ai-deepseek-v4-2026.md
Normal file
62
raw/papers/deepseek-ai-deepseek-v4-2026.md
Normal file
@@ -0,0 +1,62 @@
|
||||
# DeepSeek-V4: Towards Highly Efficient Million-Token Context Intelligence
|
||||
|
||||
> **Source**: Hugging Face (technical report)
|
||||
> **Authors**: DeepSeek-AI
|
||||
> **Date**: 2026
|
||||
> **Link**: https://huggingface.co/deepseek-ai/DeepSeek-V4-Pro/blob/main/DeepSeek_V4.pdf
|
||||
> **Models**: DeepSeek-V4-Pro (1.6T/49B activated), DeepSeek-V4-Flash (284B/13B activated)
|
||||
|
||||
## Abstract
|
||||
|
||||
We present a preview version of DeepSeek-V4 series, including two strong Mixture-of-Experts (MoE) language models — DeepSeek-V4-Pro with 1.6T parameters (49B activated) and DeepSeek-V4-Flash with 284B parameters (13B activated) — both supporting a context length of one million tokens.
|
||||
|
||||
## Key Upgrades over DeepSeek-V3
|
||||
|
||||
1. **Hybrid attention architecture**: Compressed Sparse Attention (CSA) + Heavily Compressed Attention (HCA) for long-context efficiency
|
||||
2. **Manifold-Constrained Hyper-Connections (mHC)**: Upgrades conventional residual connections for stability and expressivity
|
||||
3. **Muon optimizer**: Faster convergence and greater training stability
|
||||
|
||||
## Architecture Summary
|
||||
|
||||
- Retains DeepSeekMoE framework (fine-grained + shared experts) and Multi-Token Prediction (MTP)
|
||||
- Hybrid CSA/HCA: CSA compresses KV cache along sequence dimension then applies sparse attention; HCA applies aggressive compression with dense attention
|
||||
- mHC constrains residual mapping to doubly stochastic matrices (Birkhoff polytope) via Sinkhorn-Knopp algorithm
|
||||
- Muon with hybrid Newton-Schulz orthogonalization for most modules; AdamW for embeddings, heads, biases, RMSNorm
|
||||
|
||||
## Infrastructure Highlights
|
||||
|
||||
- Fine-grained communication-computation overlap in Expert Parallelism (1.5-1.73x speedup)
|
||||
- MegaMoE2 mega-kernel (open-sourced)
|
||||
- TileLang DSL with Z3 SMT solver integration
|
||||
- Batch-invariant and deterministic kernel libraries
|
||||
- FP4 quantization-aware training for MoE experts
|
||||
- Inference: heterogeneous KV cache with on-disk storage
|
||||
|
||||
## Pre-Training
|
||||
|
||||
- DeepSeek-V4-Flash: 32T tokens; DeepSeek-V4-Pro: 33T tokens
|
||||
- Both natively support 1M-length contexts after pre-training
|
||||
|
||||
## Post-Training Pipeline
|
||||
|
||||
Two-stage paradigm:
|
||||
1. **Specialist Training**: Independent expert models trained per domain (math, coding, agent, instruction following) via SFT + RL (GRPO)
|
||||
2. **On-Policy Distillation (OPD)**: Multi-teacher reverse-KL distillation merging expert capabilities into unified model
|
||||
|
||||
## Key Evaluation Results
|
||||
|
||||
- **Knowledge (SimpleQA, MMLU-Pro, HLE, GPQA)**: Significantly outperforms open-source models; closing gap with Gemini-3.1-Pro
|
||||
- **Reasoning**: Superior to GPT-5.2, Gemini-3.0-Pro; trails GPT-5.4/Gemini-3.1-Pro by ~3-6 months
|
||||
- **Agent**: On par with Kimi-K2.6, GLM-5.1; outperforms Claude Sonnet 4.5 in internal eval
|
||||
- **Long-Context**: Surpasses Gemini-3.1-Pro on academic benchmarks at 1M tokens
|
||||
- **Chinese Writing**: 62.7% win rate vs Gemini-3.1-Pro
|
||||
|
||||
## Efficiency (1M-token context vs DeepSeek-V3.2)
|
||||
|
||||
- DeepSeek-V4-Pro: 27% FLOPs, 10% KV cache
|
||||
- DeepSeek-V4-Flash: 10% FLOPs, 7% KV cache
|
||||
|
||||
---
|
||||
|
||||
*Format: Raw paper archive. See [[deepseek-v4-million-token-context]] for the wiki page.*
|
||||
*Last Updated: 2026-04-27*
|
||||
46
raw/papers/godel-tutorial-2026.md
Normal file
46
raw/papers/godel-tutorial-2026.md
Normal file
@@ -0,0 +1,46 @@
|
||||
# 哥德尔不完备定理教程 — 原始存档
|
||||
|
||||
- **标题**: 哥德尔不完备定理教程：从哥德尔编号到人工智能的边界探索
|
||||
- **类型**: 综合教程/教学资料（面向数学系本科生）
|
||||
- **年份**: 2026年4月
|
||||
- **语言**: 中文
|
||||
- **页数**: 43页（含附录）
|
||||
- **来源**: PDF 直接提交
|
||||
- **文件**: godel_tutorial.pdf
|
||||
|
||||
## 摘要
|
||||
|
||||
哥德尔不完备定理是 20 世纪数学与逻辑学中最深刻的成果之一。1931 年，年仅 25 岁的奥地利逻辑学家库尔特·哥德尔在其论文中证明了两条影响深远的定理：
|
||||
|
||||
- **第一不完备定理**：任何包含皮亚诺算术的一致形式系统，必然存在在该系统中既不能被证明也不能被否证的真命题。
|
||||
- **第二不完备定理**：任何包含皮亚诺算术的一致形式系统，不能在该系统内部证明自身的一致性。
|
||||
|
||||
本教程面向数学系本科生，从希尔伯特计划的历史背景出发，系统地介绍哥德尔不完备定理的形成、核心内容、证明技术，及其对数学基础、计算机科学和哲学的深远影响。
|
||||
|
||||
## 章节结构
|
||||
|
||||
1. **历史背景**：希尔伯特计划与数学危机（集合论悖论、三大学派、哥德尔生平）
|
||||
2. **哥德尔第一不完备定理**：形式系统、哥德尔编码、可表示性、原始递归函数、证明思路
|
||||
3. **哥德尔第二不完备定理**：一致性命题的形式化、证明概要
|
||||
4. **证明技术详解**：哥德尔编号、对角线替换函数 Sub、自指命题 G 的构造
|
||||
5. **对数学基础的影响**：希尔伯特计划终结、连续统假设独立性、形式主义衰落与多元主义
|
||||
6. **对计算机科学的影响**：可计算性理论、停机问题、形式验证、自动定理证明
|
||||
7. **哲学影响与人类思维**：数学真理本质、卢卡斯-彭罗斯论证、知识界限、哥德尔宇宙
|
||||
8. **应用与误用**：物理学讨论、AI 讨论、常见误解澄清
|
||||
9. **现代发展**：巴黎-哈灵顿定理、古德斯坦定理、蔡廷的算法信息论
|
||||
|
||||
## 关键概念
|
||||
|
||||
[[godel-incompleteness-theorems]] · [[godel-numbering]] · [[hilberts-program]] · [[peano-arithmetic]] · [[self-reference]] · [[diagonalization-method]] · [[halting-problem]] · [[lucas-penrose-argument]] · [[chaitin-algorithmic-information-theory]] · [[metamathematics]]
|
||||
|
||||
## 参考文献精选
|
||||
|
||||
- Gödel, K. (1931). Über formal unentscheidbare Sätze...
|
||||
- Nagel & Newman (1958). Gödel's Proof
|
||||
- Hofstadter, D. R. (1979). Gödel, Escher, Bach
|
||||
- Smullyan, R. M. (1992). Gödel's Incompleteness Theorems
|
||||
- Franzén, T. (2005). Gödel's Theorem: An Incomplete Guide to Its Use and Abuse
|
||||
- Paris & Harrington (1977). A Mathematical Incompleteness in Peano Arithmetic
|
||||
- Chaitin, G. J. (1974). Information-Theoretic Limitations of Formal Systems
|
||||
- Lucas, J. R. (1961). Minds, Machines and Gödel
|
||||
- Penrose, R. (1989). The Emperor's New Mind
|
||||
38
raw/papers/llm-attention-survey-2026.md
Normal file
38
raw/papers/llm-attention-survey-2026.md
Normal file
@@ -0,0 +1,38 @@
|
||||
# 大语言模型注意力机制全面分析
|
||||
|
||||
- **类型**: 综述论文 (Review Paper)
|
||||
- **日期**: 2026年4月
|
||||
- **来源**: 直接上传 PDF
|
||||
- **文件名**: LLM注意力机制全面分析
|
||||
- **标签**: #attention-mechanism #LLM #transformer #survey
|
||||
|
||||
## 摘要
|
||||
|
||||
注意力机制是Transformer架构的核心组件，也是大语言模型（LLM）取得突破性进展的关键因素。本文从数学原理、机制分类、实际应用问题及解决方案等多个维度，对LLM中的注意力机制进行全面系统的综述分析。首先，从缩放点积注意力的数学基础出发，详细推导了自注意力、多头注意力及其各种变体的数学表达。其次，系统梳理了从标准多头注意力（MHA）到多查询注意力（MQA）、分组查询注意力（GQA）、多潜在头注意力（MLA）以及各类稀疏注意力和线性注意力架构的发展脉络。然后，深入分析了当前注意力机制面临的核心挑战，包括二次计算复杂度、KV缓存内存瓶颈、注意力熵崩溃、长上下文"Lost in the Middle"现象以及注意力漂移导致的幻觉问题。最后，全面介绍了FlashAttention系列、KV缓存压缩与量化、稀疏注意力优化、架构创新及训练策略优化等前沿解决方案。
|
||||
|
||||
## 关键概念
|
||||
|
||||
- [[multi-head-attention]] (MHA) — 标准多头注意力机制
|
||||
- [[multi-query-attention]] (MQA) — 共享KV头的注意力变体
|
||||
- [[grouped-query-attention]] (GQA) — MHA与MQA之间的折中方案
|
||||
- [[multi-head-latent-attention]] (MLA) — 低秩压缩KV缓存
|
||||
- [[flash-attention]] — IO感知的注意力优化
|
||||
- [[attention-entropy-collapse]] — 注意力退化与熵崩溃
|
||||
- [[kv-cache-bottleneck]] — KV缓存内存瓶颈
|
||||
- [[lost-in-the-middle]] — 长上下文中的信息丢失现象
|
||||
- [[sparse-attention-patterns]] — 稀疏注意力模式
|
||||
- [[linear-attention-methods]] — 线性注意力与替代架构
|
||||
- [[rotary-position-embedding]] — 旋转位置编码
|
||||
- [[attention-sinks]] — 注意力汇技术
|
||||
|
||||
## 结构
|
||||
|
||||
1. 注意力机制的数学原理
|
||||
2. 主要变体（MHA/MQA/GQA/MLA/稀疏/线性）
|
||||
3. 挑战与问题（复杂度/缓存/熵崩溃/Lost in Middle/幻觉）
|
||||
4. 优化策略（FlashAttention/KV压缩/稀疏优化/架构创新/训练策略）
|
||||
5. 未来展望与结论
|
||||
|
||||
## 参考文献
|
||||
|
||||
共43篇，涵盖Vaswani 2017 (Attention is All You Need)、Shazeer 2019 (MQA)、Ainslie 2023 (GQA)、DeepSeek 2024 (MLA/V2)、Dao 2022 (FlashAttention)、Gu & Dao 2024 (Mamba) 等核心工作。
|
||||
Reference in New Issue
Block a user