<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[linktokenview的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/linktokenview</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; linktokenview]]></copyright><item><title><![CDATA[GPT 多模态大模型全景解读]]></title><link>https://blog.csdn.net/linktokenview/article/details/170912722</link><guid>https://blog.csdn.net/linktokenview/article/details/170912722</guid><author>linktokenview</author><pubDate>Tue, 17 Nov 2026 11:27:23 +0800</pubDate><description><![CDATA[把这条流程拆开看，真正起作用的不是“模型能识别物体”这个能力，而是三个设计决策。RealWorldQA 提升了 14 个百分点，DocVQA 只提升了 4.4 个百分点——这说明真正被解决的是“真实、杂乱、非摆拍”的场景，而标准文档类任务的瓶颈本来就已经在别处（版面结构、印章、手写）。Be My Eyes 是 2015 年上线的公益平台，思路上非常朴素：视障用户遇到需要“看一眼”的事——分辨冰箱里的饮料、读一封信、确认药盒上的用法——就打开 App 发起视频，另一端由视力正常的志愿者实时描述。]]></description><category></category></item><item><title><![CDATA[DeepSeek-V4.1-Flash GLM-5.3-Flash 实测横评]]></title><link>https://blog.csdn.net/linktokenview/article/details/170912451</link><guid>https://blog.csdn.net/linktokenview/article/details/170912451</guid><author>linktokenview</author><pubDate>Tue, 17 Nov 2026 11:25:42 +0800</pubDate><description><![CDATA[题目：9 项评测共用一个题库，覆盖办公交付（AA-Briefcase、GDP.pdf）、终端与代码（Terminal-Bench 4.0、FrontierCode-AA）、自动化（AutomationBench-AA）与高难推理（HLE-Diamond、CritPt v2）。DeepSeek-V4.1-Flash（模型版本 V4.1-Flash-1017）与 GLM-5.3-Flash 都属于各自家族的 “Flash” 档：小激活参数、低成本、专为长链路 Agent 与代码任务设计。]]></description><category></category></item><item><title><![CDATA[deepseek-v4.1-flash 与 gpt-6.1-terra性能评测对比]]></title><link>https://blog.csdn.net/linktokenview/article/details/170866740</link><guid>https://blog.csdn.net/linktokenview/article/details/170866740</guid><author>linktokenview</author><pubDate>Mon, 16 Nov 2026 16:53:51 +0800</pubDate><description><![CDATA[摘要（≤150字）： 实测显示，gpt-6.1-terra智能指数51分，deepseek-v4.1-flash为33分，能力差距达54.5%。前者首字延迟高、输出慢，但长任务一次通过率更高；后者首字快3.8倍、输出快2.4倍，最大输出达384K tokens。真实账单对比：月20万次请求下，terra仅贵37%，却带来显著能力提升。选型建议：复杂长链任务用terra，高吞吐/交互场景选deepseek，混合路由可实现成本与性能最优平衡。]]></description><category></category></item><item><title><![CDATA[DeepSeek Harness 效率实践]]></title><link>https://blog.csdn.net/linktokenview/article/details/170866704</link><guid>https://blog.csdn.net/linktokenview/article/details/170866704</guid><author>linktokenview</author><pubDate>Mon, 16 Nov 2026 16:52:15 +0800</pubDate><description><![CDATA[本文通过实测DeepSeekHarness（dsh），验证其在智能体工程中提升效率的核心机制：将重复性任务（如跑测试、读日志）交由脚本自动化，让模型专注判断与决策。实测显示，仅需2轮往返、3行改动即完成修复，耗时约5.3秒，核心效率来自“事实自动获取、判断执行合一、验收可量化”。文章提炼六条可落地做法，强调稳定提示词、会话压缩、权限隔离与脚本化验收，指出真正决定工具能否“天天跑”的，是工程边界而非模型能力。]]></description><category></category></item><item><title><![CDATA[GPT-6.1-terra Token消费对比]]></title><link>https://blog.csdn.net/linktokenview/article/details/170820828</link><guid>https://blog.csdn.net/linktokenview/article/details/170820828</guid><author>linktokenview</author><pubDate>Sun, 15 Nov 2026 21:44:01 +0800</pubDate><description><![CDATA[按 12 个月年化：官方 ¥106,920，企业线路 ¥9,922.20，普通线路 ¥4,276.80——也就是说，这个团队一年可以省下约 9.7 万元（企业线路）到 10.3 万元（普通线路），相当于把一个大模型项目的预算，变成了一个模型的年度开销。第二，节省的绝对金额取决于业务结构，而不是模型。月 15 万次请求、输入 8,000 tokens/次（5,000 命中缓存）、输出 1,000 tokens/次 —— 官方月账单 ¥8,910.00，企业线路 ¥826.85，普通线路 ¥356.40。]]></description><category></category></item><item><title><![CDATA[GPT-6.1 Terra大模型研究报告]]></title><link>https://blog.csdn.net/linktokenview/article/details/170803193</link><guid>https://blog.csdn.net/linktokenview/article/details/170803193</guid><author>linktokenview</author><pubDate>Sun, 15 Nov 2026 09:05:29 +0800</pubDate><description><![CDATA[GPT-6.1Terra是OpenAI于2026年10月发布的中端通用大模型，定位为“高性价比、强视觉与操作能力”的智能体核心。其核心优势在于视觉推理与电脑操作（ComputerUse）能力领先，满推理档位在Agents'LastExam中达60.0分，单任务成本仅0.29美元。编程能力显著提升至50.3%（Terminal-Bench4.0），但与Claude系列仍有差距。模型支持六档可调推理，幻觉率降至38%，成本效率处于帕累托前沿。然而，输入超272K Token将触发计价翻倍，且真实会计任务测试中三]]></description><category></category></item><item><title><![CDATA[DeepSeek 大模型网络安全及安全级别]]></title><link>https://blog.csdn.net/linktokenview/article/details/170775828</link><guid>https://blog.csdn.net/linktokenview/article/details/170775828</guid><author>linktokenview</author><pubDate>Sat, 14 Nov 2026 14:58:32 +0800</pubDate><description><![CDATA[公开的安全通报与安全研究反复指出，未做访问控制的本地大模型推理服务（如 Ollama 一类框架的默认端口）是近年被批量扫描利用的主要目标之一。这一点对数据泄露的定性很重要——风险主要来自“记忆化（memorization）”的统计残留，而不是数据库式读取，因此防护手段是训练数据去重与清洗，而不是简单的“封库”。在用户数据的使用上，官方给出的边界是：经安全加密技术处理、严格去标识化且无法重新识别特定个人后，才可能将输入输出用于模型训练优化，并提供“数据用于优化体验”的关闭开关，关闭后不再用于训练。]]></description><category></category></item><item><title><![CDATA[工作流，还是 Agent？]]></title><link>https://blog.csdn.net/linktokenview/article/details/170725677</link><guid>https://blog.csdn.net/linktokenview/article/details/170725677</guid><author>linktokenview</author><pubDate>Fri, 13 Nov 2026 14:27:09 +0800</pubDate><description><![CDATA[本文聚焦AI工程中工作流与Agent的抉择，提出核心判断标准：下一步由代码决定还是模型决定。通过七个维度对比，揭示二者在控制权、确定性、成本、可观测性等方面的本质差异。结合客服工单实测与Klarna两年实践，证明混合架构——以工作流为骨架、Agent为局部决策单元——兼具效率与可控性。结论：不是“新旧之争”，而是“流程”与“判断力”的分工，关键在于将可预测部分写死，不可预知部分交由模型，并用流程与护栏约束风险。]]></description><category></category></item><item><title><![CDATA[在DeepSeek Harness中使用deepseek-V4.1-Flash_1017版本的方法与技巧]]></title><link>https://blog.csdn.net/linktokenview/article/details/170723358</link><guid>https://blog.csdn.net/linktokenview/article/details/170723358</guid><author>linktokenview</author><pubDate>Fri, 13 Nov 2026 14:10:52 +0800</pubDate><description><![CDATA[本文详解AI工程实践中的DeepSeekHarness与V4.1-Flash模型协同应用，从环境配置、八条实操技巧（如稳定前缀以节省成本、会话压缩、合理使用思考档位）到真实案例验证，展示如何通过自动化任务管理与高效推理实现开发提效。强调“把重复判断交给脚本，真判断留给模型”，并指出权限最小化、验收可自动化等关键工程原则，助力构建可复现、可审计的智能开发闭环。]]></description><category></category></item><item><title><![CDATA[许愿式编程]]></title><link>https://blog.csdn.net/linktokenview/article/details/170600568</link><guid>https://blog.csdn.net/linktokenview/article/details/170600568</guid><author>linktokenview</author><pubDate>Thu, 12 Nov 2026 10:59:09 +0800</pubDate><description><![CDATA[三者同时到位，“许愿”才从演示变成了日常。与面向人的搜索框不同，这两个接口的输出是为“给模型读”而优化的：每条结果同时返回排名分（rerank_score，0–3 分，1.5 分以上为优质）、权威度（authority，0–4，3 分以上为极权威）、短摘要（100–200 字符，给前端用）与长摘要（600–800 字符，给模型读），还可以按需返回网页正文。表面看这是一次例行的性能更新，但它同时完成了三件事：把“从零做完整项目”变成可用能力，把搜索做成了对外售卖的 API，把一次复杂任务的账单压到两元出头。]]></description><category></category></item><item><title><![CDATA[一个 token 的诞生：从提示词到第一个字]]></title><link>https://blog.csdn.net/linktokenview/article/details/170423970</link><guid>https://blog.csdn.net/linktokenview/article/details/170423970</guid><author>linktokenview</author><pubDate>Tue, 10 Nov 2026 11:26:49 +0800</pubDate><description><![CDATA[本文拆解大模型生成首个token的全过程，揭示“AI秒回”背后的67亿参数与500毫秒延迟真相。从提示词分词、嵌入、位置编码，到32层Transformer前向计算，最终通过采样输出“巴黎”等结果。核心指出：首字延迟源于长提示词的Prefill阶段，而生成速度受限于显存带宽；67亿参数并非知识条目，而是分布式统计规律的压缩表达。澄清五大误解，强调优化需对准具体瓶颈——量化降显存、批处理提吞吐、缓存管理抗并发。看清流程，方知如何精准优化。]]></description><category></category></item><item><title><![CDATA[vLLM：一张 GPU 卡，凭什么扛住几倍请求？]]></title><link>https://blog.csdn.net/linktokenview/article/details/170418712</link><guid>https://blog.csdn.net/linktokenview/article/details/170418712</guid><author>linktokenview</author><pubDate>Tue, 10 Nov 2026 10:50:48 +0800</pubDate><description><![CDATA[vLLM通过PagedAttention技术，将GPU显存管理从“预分配”升级为“分页按需”，将KVCache浪费率从60%-80%降至4%以下，实现单卡并发能力提升2-5倍。结合连续批处理、前缀缓存、FP8量化等优化，真实案例中12人团队在不换模型、不加卡前提下，将并发从8路提升至42路，首字延迟降低78%，推理成本降至五分之一。vLLM不仅是一个推理引擎，更是将推理从“成本项”变为“能力项”的关键基础设施。]]></description><category></category></item><item><title><![CDATA[vLLM：一张 GPU 卡，凭什么扛住几倍请求]]></title><link>https://blog.csdn.net/linktokenview/article/details/170365887</link><guid>https://blog.csdn.net/linktokenview/article/details/170365887</guid><author>linktokenview</author><pubDate>Mon, 09 Nov 2026 20:35:57 +0800</pubDate><description><![CDATA[本文深度解析vLLM如何通过PagedAttention等技术，将单张GPU卡的推理并发能力提升2至20倍。针对大模型推理“又慢又贵”的核心痛点，vLLM以分页显存管理、连续批处理、前缀缓存等机制，显著降低KVCache浪费与显存占用。结合真实案例，12人团队在不换模型、不加卡的前提下，将并发从8路提升至42路，首字延迟下降78%，成本降至五分之一。文章强调，推理效率的跃迁源于系统级优化，而非单纯硬件升级，真正实现“把推理从成本项变为能力项”。]]></description><category></category></item><item><title><![CDATA[DeepSeek-V4.1-Flash大模型私有化部署方案]]></title><link>https://blog.csdn.net/linktokenview/article/details/170275307</link><guid>https://blog.csdn.net/linktokenview/article/details/170275307</guid><author>linktokenview</author><pubDate>Sun, 08 Nov 2026 08:06:36 +0800</pubDate><description><![CDATA[本文聚焦DeepSeek-V4.1-Flash大模型私有化部署，提出四档算力配置方案，明确显存为关键约束，8卡H20可支撑约170路32K并发。实施周期4–6周，强调并行策略、量化回归与性能基线验收。三年TCO约178万至319万元，投资回收期约15个月。案例显示，某制造集团私有化后成本降62%，首字时延下降67.4%，实现数据不出域、可微调与高可用。核心价值在于安全合规与长期边际成本优势，非单纯token单价。]]></description><category></category></item><item><title><![CDATA[多Agent协同技术讲解]]></title><link>https://blog.csdn.net/linktokenview/article/details/170198050</link><guid>https://blog.csdn.net/linktokenview/article/details/170198050</guid><author>linktokenview</author><pubDate>Fri, 06 Nov 2026 18:01:23 +0800</pubDate><description><![CDATA[本文系统剖析多智能体技术演进，指出其核心并非“智能叠加”，而是通过独立上下文窗口实现并行推理，代价为约15倍token消耗。基于Anthropic实测，token用量解释80%性能差异，凸显其本质是“用算力换能力”。架构上采用主从编排（orchestrator-worker），强调任务必须可拆分、信息量超单窗、需多工具协同，才适合应用。典型场景如研究调研、合规核查等，而强依赖任务则不适用。关键成功要素包括清晰派活指令、合理规模投入与小样本评测。平台侧需警惕无预算控制风险，建议引入统一监控工具如LinkTok]]></description><category></category></item><item><title><![CDATA[MiniMaxH3技术解读]]></title><link>https://blog.csdn.net/linktokenview/article/details/170197406</link><guid>https://blog.csdn.net/linktokenview/article/details/170197406</guid><author>linktokenview</author><pubDate>Fri, 06 Nov 2026 17:31:16 +0800</pubDate><description><![CDATA[MiniMax于2022年创立，使命为“与每个人共创智能”。其核心突破在于H3视频模型——首次以自然语言统一文、图、音、视频生成任务，打破传统多模态孤岛。通过四组件流水线架构与“上下文描述式”提示设计，实现跨模态参考与精准控制，支持2K分辨率、15秒内生成，且原生立体声输出。定价分五档，最低档成本仅为2K的19%，形成“试错-定稿”工作流。与Sora2相比，H3在画质、开放权重与内容政策上更具商业灵活性，尤其适合广告、电商等需高保真品牌渲染的场景。]]></description><category></category></item><item><title><![CDATA[IT 系统集成项目投标技术方案编制全流程]]></title><link>https://blog.csdn.net/linktokenview/article/details/170147894</link><guid>https://blog.csdn.net/linktokenview/article/details/170147894</guid><author>linktokenview</author><pubDate>Thu, 05 Nov 2026 20:07:52 +0800</pubDate><description><![CDATA[本文以农业农村部政务外网DeepSeek大模型智算基础设施采购项目为例，系统阐述IT系统集成投标技术方案编制的全流程。通过“取出文件→拆解指标→归档响应→倒推章节→搭建骨架→逐章撰写→自检交付”七步法，确保响应精准、结构清晰、材料完备。重点强调以评分标准为导向，按分值分配篇幅，逐条对应实质性条款，前置准备证明材料，强化图表与排版规范，最终实现方案可读性、合规性与得分最大化，有效规避无效投标风险。]]></description><category></category></item><item><title><![CDATA[Agent技术解读]]></title><link>https://blog.csdn.net/linktokenview/article/details/170147836</link><guid>https://blog.csdn.net/linktokenview/article/details/170147836</guid><author>linktokenview</author><pubDate>Thu, 05 Nov 2026 20:03:18 +0800</pubDate><description><![CDATA[本文系统梳理Agent技术演进，提出五级能力台阶与三大并行路线：从单轮问答到托管运行时，核心在于“循环自主性”；界定Agent与API边界，强调长任务需平台托管以保障状态与安全；剖析成功率指数衰减原理，提出压步数、确定性优先、每步可校验三原则；结合手机智能助理等案例，揭示动作空间在界面操作中的挑战，倡导用协议互通与可观测性推动生产落地。]]></description><category></category></item><item><title><![CDATA[GPT Image 全景解读]]></title><link>https://blog.csdn.net/linktokenview/article/details/170043838</link><guid>https://blog.csdn.net/linktokenview/article/details/170043838</guid><author>linktokenview</author><pubDate>Wed, 04 Nov 2026 14:24:10 +0800</pubDate><description><![CDATA[GPTImage是一组可编程的出图接口，非聊天功能，支持指定尺寸、质量、张数等参数，具备高可控性与生产可用性。技术路线呈现精度与速度双支并行，型号分层明确，2.5系列支持自定义宽高与人脸保持，1系列仅三档固定尺寸。接口返回base64，需自行处理存储与分发，且请求长度限4000字符。核心能力包括局部重绘、多模态输入、内容审核拦截。2026年3月4日dall-e-3强制退役，暴露接口断代风险，迁移成本显著。选型应优先考虑成本、速度与一致性，避免误用mini型号或依赖多轮编辑。]]></description><category></category></item><item><title><![CDATA[GPT-6 Astra 全景解读]]></title><link>https://blog.csdn.net/linktokenview/article/details/170043587</link><guid>https://blog.csdn.net/linktokenview/article/details/170043587</guid><author>linktokenview</author><pubDate>Wed, 04 Nov 2026 14:19:28 +0800</pubDate><description><![CDATA[GPT-6 Astra 全景解读]]></description><category></category></item></channel></rss>