自然语言处理
NLP 经典模型如何演进到大语言模型？
原题词向量 Word2Vec / GloVe 解决了什么问题？
原题RNN、LSTM、GRU 为什么曾经是序列建模主力？
原题Seq2Seq 和 Attention 如何推动机器翻译？
原题Transformer 为什么成为 NLP 和多模态大模型的基础结构？
原题Self-Attention 的核心计算是什么？
原题BERT 和 GPT 的预训练目标有什么区别？
原题T5 的 Text-to-Text 思想有什么意义？
原题传统 NLP 任务在大模型时代还重要吗？
原题机器翻译、情感分析、问答系统的经典路线是什么？
原题知识图谱和 RAG 有什么关系？
原题NLP 与强化学习、元学习、Agent 有什么联系？
原题多模态模型如何从 CLIP 走向视觉语言助手？
原题CLIP 的图文对比学习为什么重要？
原题BLIP、BLIP-2、Flamingo 分别解决了什么问题？
原题LLaVA 的视觉指令微调有什么意义？
原题Florence-2 为什么被称为统一视觉任务模型？
原题CLIP 的文本编码器如何把自然语言变成视觉条件？
原题CLIP 有哪些代表性变体，分别解决什么问题？
原题多模态模型如何压缩视觉 token 以提升效率？
原题NLP、多模态和生成模型如何组合成 AIGC 系统？
原题文本编码器在文生图、视频生成和多模态理解中有什么作用？
原题RAG、多模态 Agent 和工具调用如何复用经典 NLP 模型思想？
原题
暂无题目