Llama3中文弱？别急着换模型，先看这篇补救指南_服务软件

1. 呃……Qwen3.5-35B-A3B 在 llama.cpp 中每次请求都会重新预填充，速度比预期慢了大约 4 倍。有人解决这个问题了吗？我以为大家都已经顺利部署并在本地使用了？但如果这个问题还没解决，性能就非常有限了。根本原因：GDN 层是循环的→ pos_min 跟踪完整序列→ ，但 llama.cpp 使用 SWA 阈值验证缓存，对于非 SWA 模型，该阈值默认值为 1 → pos_min > 1 始终为真→缓存始终被丢弃→每次都完全重新填充？

2. GLM-5 逼平 ClaudeOpus4.5，对中国 AI 大模型发展有何意义？

3. 在线使用和部署大语言模型（LLM）经常面临硬件资源限制，不同模型对CPU、RAM、GPU的需求差别巨大，挑选合适模型既费时又费力。有个超实用的开源工具——llmfit（GitHub：github.com/AlexsJones/llmfit），能自动检测你电脑的CPU、内存和GPU配置，结合模型参数和量化信息，智能评估数百款主流模型（Meta Llama、Mistral、Qwen、DeepSeek、Llama.cpp等）在你本地硬件上的运行适配度、速度和质量，帮你快速找到最适合你机器的模型。主要功能：- 自动硬件检测（支持多GPU，NVIDIA、AMD、Intel Arc、Apple Silicon等）- 模型Fit评分，覆盖质量、速度、内存匹配度和上下文长度四维度综合评估- 支持多量化策略自动选择，以找到最高质量的量化模型- 交互式终端UI和经典CLI，操作简单直观- 计划模式估算不同模型配置对硬件需求，方便硬件升级规划- 支持本地多种运行时集成，如Ollama、llama.cpp和MLX- 多平台支持：Linux、macOS（Intel/Apple Silicon）、Windows安装方便，macOS/Linux一条命令即可启用，也支持通过cargo源码构建。内置了超过200款模型数据库，且支持自动更新。无论是AI研究者，开发者，还是AI爱好者，都能用它一键找到真正适合自己电脑的模型，极大提升体验。强烈推荐！#AI创造营##人工智能#

4. 【跑本地模型，换个工具性能提升30%】快速导读：一篇在技术圈引起热议的帖子，揭示了一个普遍的误解：很多人以为自己电脑跑本地大模型卡顿是硬件不行，但大量一线玩家的真实经验是，仅仅把启动器从流行的Ollama换成更底层的llama.cpp，性能就能白拿30%以上的提升。你以为的硬件瓶颈，很可能只是工具瓶颈。---一个用户说，他起初用Ollama跑模型，体验很差，让他一度确信“我的电脑根本带不动更大的模型”——直到他换用llama.cpp，发现性能暴涨，原来电脑完全跑得动。这几乎是每个折腾本地模型的玩家都会经历的“旅程”。你以为在自己的MacBook或Windows笔记本上跑个9B（90亿参数）的模型，速度慢、响应迟钝是正常的，毕竟硬件有限。其实，一个正在被越来越多资深玩家确认的事实是：Ollama为了提供极致的便利性，牺牲了部分性能。它像一个精装修的样板间，拎包入住，但承重墙不是最优的。而llama.cpp是那个毛坯房，需要自己动手，却能挖出硬件的全部潜力。讨论中，不止一位用户报告，从Ollama切换到llama.cpp后，同一个模型、同一台机器，性能直接提升了30%。这个差异的背后，是封装带来的开销。Ollama本质上是在llama.cpp外面套了一层壳，负责模型管理、API服务等。这层“中间商”在带来便利的同时，也吃掉了性能。对于那些只想快速体验的用户，Ollama依然是最佳选择。但如果你开始严肃地将本地模型用于实际工作流——比如像原帖作者那样，用它来驱动一个自动化Agent系统处理文件、调用工具——那30%的性能就不是小事了。它决定了你的Agent是“可用”还是“好用”。一个有趣的现象是，许多人正是在Ollama上碰壁，才最终转向llama.cpp，并惊讶地发现自己的机器原来这么能打。所以，如果你也觉得自己的电脑跑本地模型力不从心，甚至因此放弃了尝试更大、更强的模型。不妨先问自己一个问题：限制你的，真的是那块显卡或那点内存吗？还是那个你以为最方便的工具？---简评：这再次验证了一个反直觉的道理：在任何前沿领域，最流行、最易上手的工具，往往不是性能最好的那个。它为你降低了入门门槛，但也悄悄给你设置了认知天花板。真正的“信息差”优势，往往藏在那些需要你多折腾一步的选项里。---ref: www.reddit.com/r/LocalLLaMA/comments/1rll349/ran_qwen_35_9b_on_m1_pro_16gb_as_an_actual_agent#AI创造营##人工智能#

5. 用AI时总要现编提示词，费劲又不专业：工作要合同/PPT模板，内容创作缺文案灵感，营销GEO/SEO没人教，学习还得自己琢磨费曼技巧。Yao Open Prompts 把116个实战中文提示词按场景分类整理，提供工作/学习/内容/营销/生活全覆盖的AI提示词库。不仅有智能元提示词生成系统V0.6（RTF框架），还包括36个内容运营、25个GEO营销模板、产品原型/网页PPT/合同生成等，直接复制替换变量即可用。GitHub：github.com/yaojingang/yao-open-prompts- AI工作：合同生成、销售话术、产品原型、PPT/网页设计；- AI内容：短视频文案、公众号HTML、AI绘画、爆款重构（49个）；- AI营销：GEO实战模板、结构化数据、增长诊断、合规风险（28个）；- AI学习：费曼提问、批判思维、习惯养成、记忆术（11个）；- AI方法：元提示词工程、网页逆向、Nano Banana创意合集；- 英文版同步（prompts-en/），支持多模型测试迭代。网页导航：yaojingang.github.io/yao-open-prompts/ 完整目录：CATALOG.md，一键复制Prompt正文，替换{{变量}}即上手。开源CC BY 4.0，持续更新，完美适配Claude/Copilot/Gemini等中文场景。#AI提示词##Prompt工程##中文AI##内容创作##AI营销#

6. GLM Coding Plan max 套餐可以用 GLM-5 了。官网 Coding Plan 套餐也涨价了，未来用不起 max 套餐了…… 另外也增加了每周使用限额。未来我会怎么做： 1. 实际上 pro 套餐够我用了，max 用不完 2. 会考虑按月买。原因是模型迭代很快，风水轮流转，每个月买当月的 SOTA。注：本身还有 ChatGPT Plus 对应的 Codex 套餐，以及 GitHub Copilot Pro 套餐。

7. GLM-5深夜登场，这是国产开源模型首次逼平Claude Opus 4.5。

8. GLM-5.1开源，SWE-Bench Pro 登顶王座，老金帮你拆清楚

9. 这次AI应用培训内容相当的炸裂了，浓缩了我过去两年所有本地AI技术。ollama lmstudio llamacpp comfyui flux wan ltx gptq gguf coding agent openclaw rag。总之，你能想到的工作站级AI技术一网打尽了。本地AI场景全覆盖，本地文档，本地编程，本地生图，本地视频，本地搜索，量化技术，agent技术。总之，两年的AI迭代技术内容，经过优化和压缩，一次性做成培训内容交付。我的目标是构建一个全面的“本地优先”AI应用堆栈，涵盖了从模型服务到应用部署的完整流程。通过（GPTQ/GGUF）量化技术，解决在消费级硬件上运行大型模型的现实问题。入门简单（Ollama、lm studio ），也有深度内容Llama.cpp量化技术生态。并且将这些技术场景化，本地模型+IED+agent= ai coding、comfyui+模型+lora=本地视频、本地模型+agent+数据=rag 模型+agent+编程=无限可能。之前只做编程培训是因为AI编程的生态最选成熟，AI应用没起来。但现在AI本地化应用已经初见端倪。怎么说呢，这次培训就是AI全家桶，一次管饱。

10. GLM-5深夜登场，这是国产开源模型首次逼平Claude Opus 4.5。深夜，GLM-5来了，发布即开源。到今天，2026年的主旋律真的就定下了，无论是国内、海外。Coding与视频齐飞，人类共AI一色。这应该就是2026年AI领域最核心的两个主航道了，在这两之上，其实就是Agent。这几天感觉过年一样，太热闹了，上周GPT-5.3 codex和Claude Opus 4.6中门对狙，后脚Seedance 2.0席卷全球，而现在，战场又拉回了Coding这边。GLM-5，作为一个全新的大版本号，升级幅度还是很大的。我其实已经提前三天拿到了GLM-5的API，这几天在我用Codex开发的时候，也把GLM-5同步接入到了Claude code里同步开发进行对比。虽然作为智谱一直以来的拥簇，很想吹一下GLM-5跟Seedance 2.0一样全球第一，但是我觉得还是实事求是。这几天的使用过程中，个人体感是，GLM-5跟GPT-5.3-codex这种变态肯定还是有一些距离（后面有case会展示），但是在真正产品的开发和解决BUG的能力上，是能摸一下GPT-5.2-codex和Claude Opus 4.5了。不要觉得这好像是一件很容易的事，Coding国内落后的其实一直都比较远，能追上Opus 4.5的能力，其实已经非常非常非常牛逼了。前几天，在GPT-5.3-codex和Opus 4.6中门对狙的文章里，我在评论区说，要是DeepSeek能赶上Opus 4.5，我高低得给它磕两个。没想到，我可能得给智谱磕两个了。同时，我也深刻的清楚，不是所有人都有条件买ChatGPT的会员。那我建议你，就用GLM-5就行，这就是国内，你现在能用上的，最好、最棒、性价比最高的大模型。Claude Code + GLM-5，是你无需魔法，国内可用，最低门槛体验AI Coding魅力的组合。先看下跑分和性能。首先，GLM-5从355B（32B激活）扩展到744B参数（40B激活），参数量大了一倍，智能提升确实挺多，而且成本没有加特别多。跑分上，目前在Artificial Analysis上仅次于那两个大爹，开源第1。整体能力上。相较于GLM-4.7，GLM-5全线能力基本都有了大幅提升，而且逼近Opus 4.5。有一个比较有特点的，就是BrowseComp基准，测的是Agent在网上搜索信息的能力，GLM-5得分75.9，直接超第二名普通的GPT-5.2有10个点，已经非常强了。而另外两个最顶级的模型没放在里面，一个是GPT-5.2 Pro得分是77.9，Opus 4.6得分是84，GLM-5其实已经逼近最一线的水平了，能跟GPT-5.2 Pro打个平手，这事本身就挺强的了。其他的，比如现实场景下改仓库代码的测试机SWE-bench，终端环境中agent能力的基准Terminal-Bench 2.0，agent工具使用的τ²-Bench，还有测试模型调用MCP能力的MCP-Atlas基准上，基本比Opus都只差那么临门一脚了。说实话，一个国产模型，还开源出去，能到这个水平，已经非常非常让人自豪了。同时在系统工程能力、长任务能力，在跑分上也能得到印证。比如Long-horizon基准，也就是长链条复杂任务，就能充分体现模型自主进行Agent长程多步规划和执行的能力。这个跑分看下来就很清晰了，也和我实测下来的感受一致，在真正需要做大开发的时候，它的长程任务上，确实是对标Opus 4.5的存在。GLM-5的上下文窗口和GLM-4.7一样，目前还是200k的上下文窗口，输出是128K。不过GLM-5有一个非常离谱的一点，即省token，就是干活的感觉，非常精准，跟GPT-5.3-codex有的一拼。价格上，一个是API价格，这价格便宜的让人心疼。Opus 4.5和4.6，都是$5/$25每百万token（输入/输出）。而GLM-5大概只有Claude的七分之一。真香。另一方面，是Coding Plan，也是现在玩Vibe Coding的主流用法，基本都是买包月套餐，对标Claude Max和ChatGPT Pro的。价格是Claude Max套餐的2/3，Token额度是他们的3倍。因为卖的过于火爆，算力不够，前两个套餐额度，直接被抢空了。太离谱了。白天大家可以蹲一蹲，网址：网页链接当你有了GLM-5的权限后，我最推荐在Claude Code里用。因为Claude Code就是目前最通用的Coding Agent产品，Codex是单纯的例外，主要跟GPT适配的太好。而在Claude code里接入GLM-5挺简单的。这一点智谱做的很好，他们做了一个Coding Tool Helper工具可以快速将你的GLM编码套餐加载到你使用的编码工具中。直接打开终端，然后输入：# 进入命令行界面，执行如下运行 Coding Tool Helpernpx @z_ai/coding-helper你就正常登录。目前支持的编码工具 Claude Code、OpenCode、Crush、Factory Droid。跟着配置好以后，运行Claude Code，就能用GLM-5了。我做了几个case，给大家感受一下GLM-5的能力。前天我拿到GLM-5的资格时，正好有个需求要开发，就是一个全平台分发文章。做自媒体的朋友们应该知道，文章写完不是真正的结束，而是刚刚开始。我一般写完公众号文章需要同步分发到其他平台，这是个很大的工作量，而且有的编辑器还不一样，会出现乱码，文本格式丢失问题。。之前是用一个开源工具自己改的，但是其实没那么好用，所以最近一直想自己开发。我当时就想，不如用GLM-5 Coding一个这样的全平台内容同步分发的小产品吧。开发完以后，发现效果居然还不错。这个case大概的功能是把我的文章链接放进去，然后点击想要同步的平台，就可以同步过去。当时开发的时候其实Prompt给的巨简单。（提示词见评论）给过去以后，GLM-5其实就比GLM-4.7强很多了。他先提供给我了一些关键设计让我去选择。我也秉持着先开发一个最小MVP的原则去的。接着GLM-5就给了超详细的规划。总体完成度和实用性很好，不过因为最开始最小MVP的原则，分发的平台有点少，后续我直接让他添加其他的平台，两轮就完成了。整体还可以，但是在使用的时候，遇到了一个BUG。就是我放入公众号链接后，让他提取标题、封面、正文，前两个可以成功提取出来，但正文提取内容总是不全。改了两三轮，还是有BUG，然后我上Opus 4.5，居然也没改成功。最后打开了GPT-5.3-codex，一轮，完成了。GLM-5跟Opus 4.5的差距没那么大，其实是有道理的。说实话，主要还是，GPT-5.3-codex强的有点变态。所以这个case，其实就是GLM-5做的整体规划和方案设计，然后最后遇到一个棘手的BUG上Codex解决的，总体体验下来还是挺不错的。然后还有另一个我觉得特别好玩的case。就是，看到公司同事终于在用电脑模拟器，打欢乐斗地主。当时他吐槽说，要是有记牌器就好了。于是，我就想，这是个好思路，虽然不会帮他作弊，但是可以试一下大模型的能力。上GLM-5试了一下，还真的有点意思。用的提示词很简单，就一句话（见评论区）反正我是完全不知道怎么实现，更不知道怎么跟PC模拟器打通。我就说了这么一个需求，GLM-5，他会自己进行更深入的咨询，包括识别方式、技术路线、功能需求，都会和我确认。比如在实现方式上，他提供自动识别记牌、手动点击记牌等方案让我选择，每个方案还会给出不同的技术实现路线。还有功能需求的确定，我这里选择了基础记牌。第一轮对话下来，记牌器整体框架都搭建好了。虽然我选择的是自动识别模式，但他很贴心地把自动开发和手动开发两种模式都做了。手动模式第一轮其实就直接开发完了，就可以用了。它的使用逻辑是需要我自己去看对方出什么牌，我就点击那张牌，牌数会自动减一。但是这个逻辑太蠢了，一点都不自动，一点也不AI。对方打一个牌，我还得手动点点点，这也太呆逼了。所以我还是想要用自动识别模式，但第一轮对话后自动识别功能并没成功。他这里自动识别的操作逻辑是这样的。游戏开始的时候，我手动勾选出牌区域，他就会自动识别这个区域出的所有牌，并自动记牌。但实际上，我选中出牌区域后，它没法识别出的牌。明明这边都打起来了，它这边一直等待识别。我让它进一步修改。但是这样的bug它并没有一次改出来，改了一版后同样报错。这个时候，它自己选择添加了调试功能。我看了一下，应该是这个功能实现的链路主要有两部分，屏幕勾选区域截图，截图扑克牌识别，所以他需要调试确定哪个环节出了问题。这一步，可能是模拟器的原因，还涉及到比较复杂的跟屏幕的交互和监控，所以我得帮他一起测试一下。他显示出我勾选区域的截图，有OCR结果，这样我一下就能明白到底是哪个环节出了问题。然后我就发现，每隔半秒截图的功能没问题，核心问题是OCR一直识别不出结果。bug找到后，交给他直接搞了。GLM-5自己开发了一套方案，他给出的识别方案是这样的，给每张牌都上传模板。然后他会对游戏页面截图进行灰度处理、二值化，然后和模板进行模式匹配，从而实现识别。这个灰度处理和二值化，说实话我没听懂，我也怕GLM-5给我的不是最优解，所以打开了Opus 4.6和GPT-5.3-codex，让他们也同时出一套解决方案看看有没有更优解。没想到跟GLM-5出的方案，是一模一样的，搞得还真没毛病。这突然一下显得我有点小肚鸡肠，不信任GLM-5了。模板处理完之后，很快，他就把这个系统开发完了。由于我注册的是新号，估计新手村对面是人机，出牌特别快。我本来还担心识别速度会跟不上。没想到，识别效果出乎意料的好。除了大小王识别有点问题，其他全都能准确识别，哪怕是接连出顺子，也能精准识别。相当牛逼。要知道，这真的不是那种普通的前端网页，这个实现方式，稍微有那么点复杂的。GLM-5，完成的非常好。大小王的识别问题我初步想了一下，因为上传的模板中，字母是一样的，只是颜色不一样。图片经过灰度处理后大小王不就一样了，那肯定分不清。不过大小王还是比较好记的，所以也没管这个。而且，这是我一两个小时不到就做出来的，而且是可以实战用了，效率还是相当恐怖的。同时，我也提醒大家上网打牌的时候，特别是现在这个阶段，在网上用真钱去做一些游戏的时候，要谨慎一点，因为你不知道对面会不会像我一样，随手Vibe Coding一个外挂。除了这两个之外，我还随手复刻了一个QQ农场。还有很多细节，比如如果我不收已经熟了的作物他会枯萎，农场里还会随机长出杂草、虫子。在数据存储上，还知道用浏览器LocalStorage作为数据存储，这是一个典型的前端单机游戏存储方案，很适合这种轻量级项目。而且这个QQ农场消耗的token，也就十三万。离谱。这些case其实已经能看出来，GLM-5的开发能力还是很强的，在一些规划、架构能力上真的可以比肩Opus 4.5，虽然在精准的BUG修改上，离现在最变态的GPT-5.3-codex还有一些差距，但是我已经非常开心了。同时，GLM-5构建Skills也做得很好。这个其实也挺考验模型的理解和执行能力的。我很喜欢用咱们的老演员yt-dlp测试GLM-5打包Skills的能力。（提示词见评论区）GLM-5封装的基本没有任何问题，一轮效果，B站视频就能成功下载了。而下载youtube视频，它也精准的提出了，需要我给一个Cookies，他才能帮我下载，我依稀记得，当时用Opus 4.5打包这个Skills，对话了6、7轮，改了N版，他也没告诉我要Cookies这事，就在那自己傻逼兮兮的告诉我改好了，可以下了，一下又报错。。回想半年前。如果你问我，国产大模型能不能在Coding领域跟OpenAI和Anthropic正面刚，我会说很难。但GLM-5出来了，确实能摸到Opus 4.5的水平。虽然跟最新的Opus 4.6和GPT-5.3-codex还有差距，但这个差距已经从代差缩小到了可以追赶的范围。这是一个很重要的变化。而且更重要的是，GLM-5是开源的，价格更是Claude的N分之1。能力接近，开源免费，价格便宜。而开源，更是意味着，B端能用上，企业能用上。AI编程这件事，在国内，门槛真的，正在急剧降低。以前你想用顶级的AI编程能力，得买ChatGPT的会员，得有魔法，得付得起那个价格。现在不用了。GLM-5给了一个平替选择，虽然在全球领域，他还不是最好的，但已经是跻身T1行列了，而且人人也都能用得起。这会让更多人开始尝试AI编程，会让更多人感受到AI的魅力。而当更多人用起来之后，社区会更活跃，反馈会更多，模型会迭代更快。这是一个正向循环。这也代表，我们在人才、在算力、在资金各方面都缺少的地不是，是能追上的。当然，追上不代表胜利。OpenAI和Anthropic还在快速迭代，下一个版本可能又把差距拉开。但至少，我们已经进入了同一个赛道，在同一个维度上竞争。这就是进步。我非常非常推荐大家，去试试GLM-5吧。站在今天这个节点，我其实很想说跟冯骥一样的话：我真的很庆幸，这个开源模型。来自智谱，来自中国。在ds和sd之后的另外一个Coding世界里，也有了中国身位。惟愿。国运昌隆。#how i ai# #智谱GLM5已上线# #科技先锋官#

11. 为什么DeepSeek V4这么强？它到底更新了啥？

12. 太爽了！Hermes Agent 发布UI了，本地对接最强开源 Gemma 4 模型+ 微信（免费无需Token）| 零度解说

13. 横跨大西洋11小时，中国开发者用Mac跑Llama 70 B？评论区吵翻了

14. 【AI人工智能】题库:纯公益分享【就业+考研】笔试+面试必会【小白从小学Python,C,Java】知识点名称自然语言处理中的分词概念知识点讲解分词是自然语言处理中的基础步骤，指将连续的文本拆分为一个个有意义的词语或子词单元。在英文中通常以空格为分隔，而在中文中需要通过算法进行切分。常见方法包括基于词典的分词和基于统计或深度学习的方法。例如，对句子“我爱人工智能”进行分词，可以得到“我 / 爱 / 人工智能”。分词结果的好坏直接影响后续任务如文本分类和情感分析的效果。例题（单选题）分词在自然语言处理中主要用于什么？ A选项：增加数据噪声 B选项：拆分文本为词 C选项：删除所有标点 D选项：生成标签数据 xxEndAI 答案与题解答案、题解：见评论区温馨期待期待大家提出宝贵建议，互相交流，收获更大，助教：yy #AI创造营# #科技风向标# 网页链接

15. 股价暴涨32%！GLM-5登顶全球开源第一，25分钟一镜到底搓出完整系统

16. 哈哈，欢迎👏→_→//@刘彬:@庆丰下午还说没来开号，愁用哪个通道管小龙虾～//@金山://@智谱:欢迎欢迎！🎉 顶级的开源 AI 助理框架，搭配为复杂Agent任务而生的GLM-5，丝滑无比！评论转发这条微博，讲讲GLM-5🐘 + OpenClaw🦞的妙用，抽送3个GLM Coding Plan Pro季卡！

17. 一张4090就能爆改！面壁智能MiniCPM-V 4.6开源，1B多模态卷出新高度

18. 智谱GLM-5强调的Agentic Engineering能力是什么？｜甲子光年

19. 零成本无限 Token！Hermes + Qwen3.6，本地最强 Agent 组合来了！附部署教程 | 零度解说

20. 使用 Claude Code 经常需要付费 API 密钥，担心费用和配额限制，还要配置各种环境变量和代理，切换起来颇为麻烦。free-claude-code 把 Claude Code 所需的免费 AI 接入全部整合到一起，提供了整套免费 Claude 编程解决方案。不仅支持 NVIDIA NIM、OpenRouter、DeepSeek 等免费/本地模型，还兼容 LM Studio、llama.cpp、Ollama，甚至能通过 Discord/Telegram 聊天机器人使用。GitHub：github.com/Alishahryar1/free-claude-code主要功能：- 代理支持 Claude Code CLI、VS Code 扩展、JetBrains ACP，无缝兼容 Anthropic API；- 多提供商路由：NVIDIA NIM、OpenRouter、DeepSeek、LM Studio、llama.cpp、Ollama；- 按模型分层路由，可为 Opus/Sonnet/Haiku 指定不同免费模型；- 支持流式响应、工具调用、推理块处理和令牌计数优化；- Discord/Telegram 聊天机器人，支持远程编码会话和语音笔记转录；- 本地 Web 工具和请求优化，节省延迟和配额。支持终端、VS Code、JetBrains 多平台使用，通过 uv 快速安装配置即可运行，适合开发者免费使用 Claude 级 AI 编程助手。#ClaudeCode##免费AI编程##AI开发工具#

21. Promptomatix：自动化提示词优化框架构建高效的大语言模型提示词一直是研发和应用中的难题。Promptomatix 是一个自动化提示词优化框架，借助AI技术和先进算法，自动生成合适的合成数据，反复迭代优化提示词，提升模型输出的准确性和一致性，显著减少手动调试的时间成本。它支持多种LLM服务商（如OpenAI、Anthropic等），提供了完善的API和命令行工具，方便集成到不同场景。无论是研究人员还是开发者，都可以借助Promptomatix实现高效的提示词管理和优化。主要特点包括： - 任务自动识别与零配置智能优化 - 基于合成数据的训练和测试集自动生成 - 多轮反馈机制持续提升提示效果 - 详细的会话管理与日志记录 - 跨平台CLI和API接口，灵活适配各种应用需求项目地址：github.com/SalesforceAIResearch/promptomatix 适合需要系统化提示词优化方案的团队和个人，助力提升大语言模型的应用质量和效率。

22. 【AI人工智能】题库:纯公益分享【就业+考研】笔试+面试必会【小白从小学Python,C,Java】知识点名称Tokenization（分词）知识点讲解Tokenization（分词）是自然语言处理和AI模型处理文本的第一步，它把连续的文本字符串拆分成更小的单元，这些单元称为 token，通常是词、子词或字符。不同的分词方式会影响模型理解文本的能力。例如，英文常用空格分词，而中文则需要专门的分词工具，将“我爱人工智能”拆分成“我”“爱”“人工”“智能”等 token。大型语言模型如BERT、GPT常用子词分词（WordPiece、BPE等），把罕见词拆成常见子词组合，既减少词汇表大小又能处理新词。例如，文本“我爱AI”经过分词后，可能得到 token 列表：["我", "爱", "AI"]（具体结果会因不同分词器而有所差异）。例题（单选题）AI模型中 Tokenization 的主要作用是什么？A选项：将文本拆分为tokenB选项：模型压缩C选项：图像增强D选项：参数更新答案与题解答案、题解：见评论区温馨期待期待大家提出宝贵建议，互相交流，收获更大，助教：fyt #AI创造营# #科技风向标# 网页链接

23. 12 个主流小型AI模型对比评测本地部署的选择是Qwen3-4B？

24. #科技先锋官# 2026 年 AI 竞赛的核心早变了！编程能力、智能体落地，才是决定胜负的关键战场！国产智谱 GLM-5 直接对标顶尖水平，适配国产芯片、落地速度拉满，性价比碾压国际巨头；而国际模型就算堆算力、砸资源，也躲不开中文适配差、生态封闭的致命痛点。别再说 “国际技术永远领先”！国内深耕场景、开源爆发，国际固守壁垒、步履迟缓，这场博弈早已反转！到底是国产凭实力弯道超车，还是国际巨头凭基础底蕴稳守江山？你心中的答案是什么？点开视频，看清大模型竞赛的真实差距！#过个有AI年##HOW I AI##微博超有用视频大赛##上微博涨知识# 种斌Marco的微博视频

25. AI 操作多台 3D 打印机制作模型｜方法分享智谱GLM5.1测试

26. DeepSeek V4好用吗？【秋芝的AI开箱】

27. DeepSeek V4 + Open WebUI + Hermes = 我帮你搭的私人AI员工！

28. 智谱 GLM-5.1 面向所有 codingplan 用户开放，对开发者意味着什么？

29. 目前的做大需求的工作流：1. 使用 Claude Opus 4.6 编写技术方案文档2. 使用 GPT-5.3-Codex 将文档拆解成一系列小需求3. 使用 GLM-5 逐个开发小需求4. 所有需求开发完毕后，再次使用 GPT-5.3-Codex 进行整体 Review、兜底

30. 8G 显存逆天了！竟能跑 35B AI 大模型！多模态 + N/A/Intel 全适配，附最新部署教程！｜零度解说

31. 体验完智谱刚刚发布的 GLM-5，我终于明白它为什么让硅谷猜破了头

32. 设计了一套基于 OpenCode 的 Agent 系统。在执行任务过程中，能够并发拆解出3个字任务同时执行。尽管使用 GLM Coding Plan 的 max 套餐，任务并发数却仍然存在限制，这种 1+3 的 Agent 任务就超了……好的地方在于，GLM-5 的指令跟随能挺不错，基本上按照 Prompt 要求的步骤在走。

33. 强烈建议大家都把龙虾（xCLAW）装上，愿意折腾的首选openclaw，不愿意折腾的可以选择各家大厂的xCLAW应用；龙虾是AI时代能用好AI的最基本要求。首先是一个看起来是暴论其实是事实的观点——基于xCLAW的各种skills，是保证大模型能高质量输出的必要条件。Skills决定大模型输出质量的上限，大模型本身决定输出质量的下限。然后说人话解释下什么是skills；skills就是一套告诉大模型应该怎么工作的交互话术，他告诉大模型第一步做什么第二步做什么直至最终结果如何检查，引导大模型输出最高质量的结果。图1 是个例子，我上传了一张有客户信息的PDF图纸，让GLM-5给我把客户信息屏蔽掉。GLM-5的模式选择是agent模式（非chat），可以看到它就调用了内置的skills一步步和大模型互动，最终输出了比较满意的结果。xCLAW的skills和GLM-5的agent是一样的机制，更好的是xCLAW的skills支持用户自己修改。如果能摸索到更好的skills，自己基本可以把大模型的性能上限用尽。至于token，去找个大厂的CodingPlan，一个月40块钱够用了。这可真是个伟大的时代~~#openclaw#

34. 一杯咖啡成本搞定多模态微调：FC DevPod + Llama-Factory 极速实战

35. #IT那些事儿# 我问AI咋回事？AI说：这不是因为我在“用英语思考”，而是因为我在用一个被英语语料塑形的统计语义空间做最优生成，而这个空间与你们中文真实用语之间存在结构性偏差，这种偏差在你们人类的感知上，就被你们命名为“AI味”。我说你这话就很AI味~

36. “龙虾模型”能管公司？实测GLM-5-Turbo接入openclaw运营公司

37. 12 个小型语言模型在 8 项任务上进行了基准测试，以找到最佳的基础模型进行微调

38. 首发！Llama3纯本地部署攻略！中文方法！含秒下载通道！超越GPT4？能力如何？手把手教程！

39. 首批中文版Llama3模型来了,解释成语、答弱智吧问题

40. 社区供稿 | QLoRA 增量预训练与指令微调,及汉化 Llama2 的实践

41. 社区供稿 | 中文llama3模型哪家强?llama3汉化版微调模型大比拼

42. Docs

43. Llama3微调教程

44. 首批中文版Llama3模型来了,解释成语、答弱智吧问题

45. GPT3, llama2, InternLM2技术报告对比

46. 本地运行 Llama 3，可以中文，但不强

47. Docs

48. Llama-3.2-3B + Ollama部署本地大模型:保姆级实战教程

49. 专为中文而生！开源项目Chinese-LLaMA-Alpaca，如何让国际顶流模型“精通”汉语？

50. 聚焦中文核心能力！LLaMA-Factory 驱动 CT-LLM 微调全流程实践

51. 2026 年开源大模型全面评测：Llama 4、Qwen 3.5、DeepSeek V3——谁才是独立开发者的最佳选择？

52. Llama 3提示无法打开模型文件_文件路径包含中文或特殊字符导致报错的修正

53. 【万星收藏】2026最全开源大模型微调指南！三行代码+单卡16G，普通人也能微调专属GPT

54. 如何用LLaMA-Factory微调中文对话模型（Qwen/LLaMA）-实战落地指南

55. Ollama Llama3 导出 GGUF 转 HF LLaMA‑Factory 微调全流程

56. 大模型微调实战：用LoRA在云端低成本微调LLaMA3

57. 微调大模型成本降96%？LoRA技术让个人开发者也能玩转大模型！

58. 【AIGC】3060 Laptop运行Ollama常用LLM速度测试

59. Ollama 中文友好 + 日常够用 + 配置要求低的推荐（2026最新）

60. 保姆级教程：本地部署DeepSeek+Dify工作流+LoRA高参微调实战指南

61. 【实战篇】｜用 LLaMA Factory 做 SFT 微调：从数据到跑通

62. 纯享笔记：6/ 大模型微调实操指南[喂饭级]

63. Llama 3-8B 微调 LoRA 极简实操手册 🚀

64. 基于Llamafactory与LoRA方法的大语言模型微调创建个性化聊天机器人 - 哔哩哔哩

65. 开源大模型微调对比：选对模型，让定制化更高效

66. 开源大模型微调对比：哪款才是你的最佳选择

67. 初学者如何对大模型进行微调?

68. GLM-5实测：智谱新旗舰什么水平？对比GPT-4结果出乎意料

69. 用开源Llama3.2模型，在5070Ti上实战知识蒸馏（4）LoRA 配置和知识蒸馏损失函数

70. AI改造计划(5)：我把大模型调教成了“小猪佩奇”，它现在只会跳泥坑了-设置微调参数并开始微调

71. 大模型微调基础技术

72. GLM-5 开源背后：国产大模型的技术进阶

73. 如何用LLaMA-Factory微调中文对话模型（Qwen/LLaMA）-方案选型对比

74. 纯干货!）Llama3实战｜原理代码精讲与部署微调评估

75. 【人工智能】智谱 GLM-5 工具介绍

76. 智谱 GLM-5 实测

Llama3中文弱？别急着换模型，先看这篇补救指南

精选参考来源