漫步远方，心荡神往

国内开源大模型最新动态 从 2025 到 2026.01 这段时间，国内开源大模型蓬勃发展，日益繁荣，我们总结下近期（2025.11-2026.02）国内大模型发展最新

新年的钟声已经敲响，我们迎来了充满活力与奔赴感的 2026 马年！🎉 感谢过去一年里的陪伴与支持，新的一年，愿我们策马前行，奔赴更远的目标，收获更多值得

推理常见加速手段 大模型推理的常见加速手段，本质上围绕 “少算、快算、少等、少搬” 四个方向展开： 一方面通过算法与模型层优化，如 KV Cache、Fl

导读 本文尝试以一种偏“杂谈”的方式，围绕大模型推理部署中的几个关键技术节点，梳理其演进脉络与核心动机。 最早的大模型部署，基本沿用了传统深度学

大语言模型（LLM）的核心是通过自回归方式逐词预测（next token prediction）。文本首先被 tokenizer 拆分为词或子词（如 BPE、BBPE 技术），每个 token 对应一个嵌入向量，并加入位置编码（如 RoPE）以保留顺序信息。模型基于 Transformer 结构，训练时通过注意力机制学习上下文关系，输出每个 token 的下一个词概率分布（softmax 归一化）。推理时采用自回归生成，通过采样策略（如 Top-k）和温度系数控制随机性。ALiBi 技术解决了长文本位置编码的外推问题，使模型能处理超越训练长度的输入。整个过程本质是序列条件概率建模，通过海量数据学习语言的统计规律。