Tag: module-m5
-
【AI 核心深度 M5-069】解释 few-shot 示例的选择与排序影响。（Few-Shot Example Selection and Ordering Effects in In-Context Learning）深度数理推导与工程落地解析
示例的选择（相似性/多样性）与顺序（近因效应）显著影响效果；随机顺序不可靠，需按任务设计。
-
【AI 核心深度 M5-070】解释提示的脆弱性与鲁棒性问题。（Prompt Brittleness and Robustness in Large Language Models）深度数理推导与工程落地解析
微小改动（措辞、顺序、格式）可导致性能大幅波动；成因包括分布敏感、注意力位置效应与评测噪声。
-
【AI 核心深度 M5-071】解释自反思（reflection / self-critique）的机制与局限。（Self-Reflection and Self-Critique Mechanisms and Limitations in LLMs）深度数理推导与工程落地解析
让模型检查自己的输出并修订；能修正显式错误，但对’自信的错误’无效，且可能’改错’。
-
【AI 核心深度 M5-072】解释 prompt 的格式敏感性与 chat template 的影响。（Prompt Formatting Sensitivity and the Impact of Chat Templates）深度数理推导与工程落地解析
同一语义的不同格式（标点、角色标记、换行）会改变输出；chat template 的差异会造成跨模型性能显著变化。
-
【AI 核心深度 M5-073】描述一个完整 RAG 系统的组成。（Architecture and Components of a Complete RAG System）深度数理推导与工程落地解析
索引（切分+嵌入+建库）、检索（召回+重排）、生成（上下文拼接+生成）、以及评估与监控。
-
【AI 核心深度 M5-074】解释分块（chunking）策略与取舍。（Document Chunking Strategies and Trade-offs in RAG）深度数理推导与工程落地解析
固定长度、递归、语义、按结构切分；粒度影响召回与上下文质量，常配重叠与元数据。
-
【AI 核心深度 M5-075】解释混合检索与融合（BM25 + 稠密 + RRF）。（Hybrid Search and Reciprocal Rank Fusion (BM25 + Dense + RRF)）深度数理推导与工程落地解析
BM25 擅长精确匹配（术语/编号），稠密擅长语义；用 RRF 或加权融合两者排名，兼顾精确与语义。
-
【AI 核心深度 M5-076】解释重排（reranking）的作用与代价。（Cross-Encoder Reranking: Value, Trade-offs, and Compute Cost）深度数理推导与工程落地解析
用交叉编码器对候选精排，比双塔更准但更慢；通常召回 top-100 → 重排 top-5，兼顾效率与精度。
-
【AI 核心深度 M5-077】解释 RAG 的评估维度与方法。（Evaluation Dimensions and Frameworks for RAG Systems）深度数理推导与工程落地解析
分检索层（Recall@k/MRR/NDCG）与生成层（忠实度/答案相关性/上下文利用）评估，并做端到端与失败分析。
-
【AI 核心深度 M5-078】解释 Self-RAG 与自适应检索。（Self-RAG and Adaptive Retrieval Mechanisms）深度数理推导与工程落地解析
让模型自己决定’是否需要检索、检索什么、是否采信’；用反思 token 训练，避免’无差别检索’的浪费。