1影片進階中文
DeepSeek V4.1：40层注意力，为什么只存4份KV？｜KV Cache优化详解｜Agent长上下文优化
解析 DeepSeek V4.1 如何透過僅存 4 份 KV Cache 來大幅降低視訊記憶體佔用，並介紹 Full、Reindex、Reuse 三種機制。看完能理解 Agent 長上下文最佳化原理與 KV Cache 壓縮技術。
1.2 萬次觀看
※ 摘要僅根據標題與說明
唐国梁Tommy
Bilibili ・ 華語圈 ・ 簡體中文 ・ B 級 ・ 5 萬 訂閱 ・ 28 筆內容 ・ 最近更新 2026/10/06
模型架構與 agent 機制講解（KV Cache 優化、agent harness、具身智慧的資料瓶頸）；有自家課程
最受歡迎
依人氣
- 2影片進階中文
比大模型快193倍、便宜444倍，TypeSafe Jev到底怎么做到的?｜ AI大模型｜AI Agent｜智能体
介紹 TypeSafe Jev 如何在不生成文字的情況下直接返回機率，實現比大模型快 193 倍且便宜 444 倍的效能。透過分析其運作原理與開發者反推嘗試，釐清其與傳統 LLM 的差異。
3,925次觀看※ 摘要僅根據標題與說明
- 3影片進階中文
Claude Code 为什么不会撑爆上下文？深入解析 Agent 上下文压缩与会话恢复机制｜上下文投影、压缩、缓存与会话恢复全过程
解析 Claude Code 如何透過上下文壓縮、投影與快取機制，避免長時間運作時上下文爆滿。觀眾能了解 Agent 管理多版本歷史與恢復對話的技術原理。
1.7 萬次觀看※ 摘要僅根據標題與說明
- 4影片進階中文
一双灵巧手，为什么能卡住整台人形机器人？｜具身智能｜世界模型｜机器人
探討人形機器人靈巧手的實用性難點，分析自由度增加未必提升效能的原因，並解釋用攝影機模擬觸覺的機制與資料挑戰。看完能理解從演示到實際應用的技術瓶頸。
1,563次觀看※ 摘要僅根據標題與說明
- 5影片進階中文
让AI学会“存档”！Kimi K3的5122万个Agent沙箱揭秘：Agent强化学习基础设施到底有多复杂？
介紹 Kimi K3 技術報告中關於 Agent 強化學習的基礎設施，揭示訓練過程累積超過五千萬個沙箱的現象，說明為何大模型訓練需要如此複雜的隔離環境。
9,684次觀看※ 摘要僅根據標題與說明
- 6影片進階中文
Agent为什么难落地？企业级AI Agent落地的5大核心挑战与解决方案｜腾讯、阿里、百度企业级实践深度拆解
分析騰訊、阿里、百度等企業級 AI Agent 落地的五大核心挑戰與解決方案，涵蓋語義理解、工具呼叫、權限安全與成本管控等關鍵議題。
7,719次觀看※ 摘要僅根據標題與說明
- 7影片進階中文
MIT最新发现：Agent 泛化能力不在模型，而在 Harness！RLM重新定义大模型后训练
MIT 研究指出大模型的泛化能力不在模型本身，而在模型外部的 Harness。影片解析 Transformer 缺乏組合泛化能力的原因，並重新定義大模型後訓練的觀點。
7,900次觀看※ 摘要僅根據標題與說明
- 8影片進階中文
《Agent Loop》给AI Agent的一首嘻哈主题曲｜AI工程师跨界做说唱，连动画MV都配齐了【AI MV大赛】
唐國梁製作一支 AI 動畫 MV，主題為給 AI Agent 的嘻哈歌曲，探討任務迴圈與知識保留。音樂與畫面皆由 AI 參與創作，適合對 AI 應用感興趣的開發者或技術人員觀看。
737次觀看※ 摘要僅根據標題與說明
- 9影片進階中文
我把300道大模型面试题做成了闯关小应用，B站里就能刷！
作者將 300 道大模型面試題整合成 B 站可直連的闖關小應用，涵蓋基礎、訓練、推理、RAG、Agent 與強化學習等方向。使用者可無需下載直接練習，並新增口述題檢視表達能力。
※ 摘要僅根據標題與說明
- 10影片進階中文
刚发布几天就被美国政府紧急叫停:Claude 最强模型 Fable 5 / Mythos 到底强在哪?
介紹 Anthropic 新發布的 Claude Fable 5 與 Mythos 5 雙模型機制，解析其百萬 token 上下文與自適應思考等核心規格，並探討網路安全風險。
1.4 萬次觀看※ 摘要僅根據標題與說明
最新內容
依發布時間
- 影片進階中文
《Agent Loop》给AI Agent的一首嘻哈主题曲｜AI工程师跨界做说唱，连动画MV都配齐了【AI MV大赛】
唐國梁製作一支 AI 動畫 MV，主題為給 AI Agent 的嘻哈歌曲，探討任務迴圈與知識保留。音樂與畫面皆由 AI 參與創作，適合對 AI 應用感興趣的開發者或技術人員觀看。
737次觀看※ 摘要僅根據標題與說明
- 影片進階中文
我把300道大模型面试题做成了闯关小应用，B站里就能刷！
作者將 300 道大模型面試題整合成 B 站可直連的闖關小應用，涵蓋基礎、訓練、推理、RAG、Agent 與強化學習等方向。使用者可無需下載直接練習，並新增口述題檢視表達能力。
※ 摘要僅根據標題與說明
- 影片進階中文
一双灵巧手，为什么能卡住整台人形机器人？｜具身智能｜世界模型｜机器人
探討人形機器人靈巧手的實用性難點，分析自由度增加未必提升效能的原因，並解釋用攝影機模擬觸覺的機制與資料挑戰。看完能理解從演示到實際應用的技術瓶頸。
1,563次觀看※ 摘要僅根據標題與說明
- 影片進階中文
比大模型快193倍、便宜444倍，TypeSafe Jev到底怎么做到的?｜ AI大模型｜AI Agent｜智能体
介紹 TypeSafe Jev 如何在不生成文字的情況下直接返回機率，實現比大模型快 193 倍且便宜 444 倍的效能。透過分析其運作原理與開發者反推嘗試，釐清其與傳統 LLM 的差異。
3,925次觀看※ 摘要僅根據標題與說明
- 影片進階中文
DeepSeek V4.1：CED架构与KV Cache优化详解
拆解 DeepSeek V4.1 的 CED 架構與滑動視窗 KV 有界回放機制，解釋讀入計算如何減半及持久化快取降至八分之一的原因。
※ 摘要僅根據標題與說明
- 影片進階中文
DeepSeek V4.1：40层注意力，为什么只存4份KV？｜KV Cache优化详解｜Agent长上下文优化
解析 DeepSeek V4.1 如何透過僅存 4 份 KV Cache 來大幅降低視訊記憶體佔用，並介紹 Full、Reindex、Reuse 三種機制。看完能理解 Agent 長上下文最佳化原理與 KV Cache 壓縮技術。
1.2 萬次觀看※ 摘要僅根據標題與說明
- 影片進階中文
机器人到底怎么学会干活？从模仿学习到具身智能的数据瓶颈
解析機器人如何透過模仿學習與具身智慧技術學會執行任務，並探討資料來源與環境變化的挑戰。看完後能理解機器人學習的技術路徑與判斷真實能力的關鍵維度。
1,441次觀看※ 摘要僅根據標題與說明
- 影片進階中文
会后空翻的机器人，到底是怎么练出来的？你必须了解的从经典控制到强化学习｜AI Agent｜AI 智能体｜大模型强化学习
探討人形機器人從傳統控制轉向強化學習的演變，解釋如何利用虛擬模擬加速動作訓練。觀眾可了解現代機器人如何透過試錯機制提升運動能力，並認識相關技術挑戰。
※ 摘要僅根據標題與說明
- 影片進階中文
AI会做奥数，却端不稳一杯水：具身智能到底难在哪？
探討具身智慧在真實物理世界中執行簡單動作（如端水）的困難，指出其挑戰在於感知、控制與平衡的複雜互動，而非單純的推理能力。內容解釋了為何機器人缺乏大規模訓練資料且試錯成本高昂。
1,983次觀看※ 摘要僅根據標題與說明
- 影片進階中文
我开源了一个本地 AI 阅读器：EPUB/PDF 翻译、摘要、问答，Docker 一键部署｜FolioPaw 阅读猫
介紹 FolioPaw 這個開源 AI 閱讀器，支援 EPUB/PDF 翻譯、摘要生成與書本問答。透過 Docker 與 Ollama 即可在本地部署，並可搭配 OpenAI 或 Anthropic 介面使用。
※ 摘要僅根據標題與說明
- 影片進階中文
企业级 Agent 落地方法论：模型太慢、调用太贵、动作太险，高频业务里的Agent该怎么用？
探討企業級 Agent 落地時面臨的推理速度、成本與風險三大工程挑戰，並透過運滿滿找貨 AI 案例說明如何最佳化高頻業務場景下的 Agent 設計。
2,078次觀看※ 摘要僅根據標題與說明
- 影片進階中文
你的 Agent 为什么一上线就翻车？模型不是瓶颈，Harness 才是关键！深入理解 Model + Harness 工程架构
探討 AI Agent 從 Demo 到生產環境翻車的原因，指出問題不在模型而在 Harness 工程。觀眾可學習如何最佳化 Agent 架構以提升穩定性與降低成本。
2,321次觀看※ 摘要僅根據標題與說明
- 影片進階中文
DeepSeek Harness：连 Agent Loop 本身都是插件，凭什么？揭秘智能体Runtime设计
解析 DeepSeek Harness 如何將 Agent Loop 設計為外掛化架構，解決複雜 Runtime 中的狀態管理與工具呼叫問題。觀眾可了解智慧體系統如何透過外掛機制組織模型與能力。
4,593次觀看※ 摘要僅根據標題與說明
- 影片進階中文
Agent为什么难落地？企业级AI Agent落地的5大核心挑战与解决方案｜腾讯、阿里、百度企业级实践深度拆解
分析騰訊、阿里、百度等企業級 AI Agent 落地的五大核心挑戰與解決方案，涵蓋語義理解、工具呼叫、權限安全與成本管控等關鍵議題。
7,719次觀看※ 摘要僅根據標題與說明
- 影片進階中文
MIT最新发现：Agent 泛化能力不在模型，而在 Harness！RLM重新定义大模型后训练
MIT 研究指出大模型的泛化能力不在模型本身，而在模型外部的 Harness。影片解析 Transformer 缺乏組合泛化能力的原因，並重新定義大模型後訓練的觀點。
7,900次觀看※ 摘要僅根據標題與說明
- 影片進階中文
让AI学会“存档”！Kimi K3的5122万个Agent沙箱揭秘：Agent强化学习基础设施到底有多复杂？
介紹 Kimi K3 技術報告中關於 Agent 強化學習的基礎設施，揭示訓練過程累積超過五千萬個沙箱的現象，說明為何大模型訓練需要如此複雜的隔離環境。
9,684次觀看※ 摘要僅根據標題與說明
- 影片進階中文
Claude Code 为什么不会撑爆上下文？深入解析 Agent 上下文压缩与会话恢复机制｜上下文投影、压缩、缓存与会话恢复全过程
解析 Claude Code 如何透過上下文壓縮、投影與快取機制，避免長時間運作時上下文爆滿。觀眾能了解 Agent 管理多版本歷史與恢復對話的技術原理。
1.7 萬次觀看※ 摘要僅根據標題與說明
- 影片進階中文
Agent记忆越多越聪明？恰恰相反：真正关键的是这4个动作｜写入、巩固、检索、遗忘的第一性原理｜Agent Continual Learning｜智能体持续学习
探討 Agent 記憶量與智慧的關係，指出關鍵不在於儲存多少歷史，而在於能否精準檢索並轉化為正確行動。內容從第一性原理拆解記憶型別，並分析 Generative Agents、Reflexion 等模型如何推進持續學習。
6,154次觀看※ 摘要僅根據標題與說明
- 影片進階中文
Agent 持续学习到底是什么？为什么它用一百次，还像第一次？
釐清 Agent 持續學習中常被混用的狀態延續、記憶與學習概念，說明僅儲存資料不算真正學會。觀眾能理解為何 Agent 在重複使用時仍像初次，並掌握區分這些關鍵差異。
2,623次觀看※ 摘要僅根據標題與說明
- 影片進階中文
Agent 的"世界模型"到底是什么? 从第一性原理，讲透它为什么总在同一个坑里栽倒｜AI Agent 深度解析
從真實案例出發，釐清 AI Agent 的「世界模型」本質是服務於行動的選擇性壓縮，而非完整模擬器。觀眾能理解為何 Agent 常因模型錯誤而陷入同一錯誤迴圈。
3,484次觀看※ 摘要僅根據標題與說明
- 影片進階中文
AI Agent 的底层其实就是一个 while 循环？Agent Loop 核心机制完整讲解
解析 AI Agent 的核心機制，指出其底層邏輯其實是一個簡單的 while 迴圈。透過最小偽程式碼說明模型與程式的分工，讓讀者理解 Agent Loop 如何運作。
6,290次觀看※ 摘要僅根據標題與說明
- 影片進階中文
硬核解读 DeepSeek DSpark： 大模型推理快 60%-85%，投机解码的新天花板
解析 DeepSeek DSpark 如何透過半自回歸與置信度排程解決大模型推理速度與品質的平衡問題，並驗證了草稿品質較差時反而能生成更長有效內容的反直覺結論。
※ 摘要僅根據標題與說明
- 影片進階中文
Agent 的真正瓶颈不是模型，而是这层 Agent Harness | HarnessX 全景解读
解析 Darwin Agent 團隊的 HarnessX，說明 Agent 的瓶頸不在模型大小而在於執行時的外殼設計。觀眾能學習到透過可組合與自進化的架構，在不增加參數的情況下提升效能的方法。
4,905次觀看※ 摘要僅根據標題與說明
- 影片進階中文
刚发布几天就被美国政府紧急叫停:Claude 最强模型 Fable 5 / Mythos 到底强在哪?
介紹 Anthropic 新發布的 Claude Fable 5 與 Mythos 5 雙模型機制，解析其百萬 token 上下文與自適應思考等核心規格，並探討網路安全風險。
1.4 萬次觀看※ 摘要僅根據標題與說明
- 影片進階中文
大模型强化学习一次讲透：RLHF、DPO、GRPO、RLVR 到底怎么选？
以「程式碼修復 Agent」為案例，解釋大模型完成 SFT 後為何仍需強化學習，並釐清 RLHF、DPO、GRPO 等方法的差異與適用情境。觀眾將掌握針對工程實作選擇合適對齊策略的判斷力。
2,925次觀看※ 摘要僅根據標題與說明
- 影片進階中文
同样100万Token，为什么有的模型贵30倍？大模型 API 到底在卖什么？一口气讲透 Token 成本、KV Cache 和缓存机制
解析大模型 API 成本結構，探討 Token 定價差異、prefill 與 decode 機制、reasoning token 收費、KV Cache 對長上下文的影響，以及 Prompt Caching 如何節省成本與提升延遲。
※ 摘要僅根據標題與說明
- 影片進階中文
DeepSeek多模态凭什么把GPT 5.4拉开：4000万样本+三层奖励+OPD蒸馏，把"框和点"喂进推理链的完整训练秘方
解析 DeepSeek 如何利用 4000 萬高品質樣本與 OPD 蒸餾技術，將「框」與「點」融入推理鏈。觀眾可掌握從資料過濾、負樣本設計到後訓練流水線的完整多模態訓練工程視角。
7,630次觀看※ 摘要僅根據標題與說明
- 影片進階中文
多模态模型的真正瓶颈不是"看不清"，而是"指不准"？｜DeepSeek 视觉原语论文从架构到 7056× 压缩链路全解析
解析 DeepSeek 視覺原語論文，指出多模態模型瓶頸在於指代斷裂而非感知不足，並說明如何將框選與點選融入推理鏈。
3,515次觀看※ 摘要僅根據標題與說明
