Auntilz墨痕

索引 / 标签

#对比

共 12 篇

  1. Ch07 CNN与CV

    对比-CNNvsTransformer

    概述 CNN 和 Transformer 是深度学习两大核心架构。CNN 统治计算机视觉近十年，Transformer 自 2020 年 ViT 起全面渗透视觉领域，2026 年两者在各自优势

    约 2 分钟495 字
  2. Ch08 RNN序列模型

    对比-RNNvsTransformer

    概述 RNN（含 LSTM/GRU）和 Transformer 是处理序列数据的两代架构。Transformer 凭借并行计算和长距离建模能力在 2017 年后逐步取代 RNN 成为 NLP

    约 2 分钟587 字
  3. Ch11 模型微调

    对比-DPOvsRLHF

    概述 DPO（Direct Preference Optimization）和 RLHF（Reinforcement Learning from Human Feedback）都是将人类偏好注

    约 2 分钟552 字
  4. Ch11 模型微调

    对比-LoRvsQLoRA

    概述 LoRA（Low-Rank Adaptation）和 QLoRA（Quantized LoRA）都是参数高效微调（PEFT）方法，QLoRA 在 LoRA 基础上引入量化技术，大幅降低显

    约 1 分钟447 字
  5. Ch11 模型微调

    对比-SFTvsRLHF

    概述 SFT（Supervised Fine-Tuning）和 RLHF（Reinforcement Learning from Human Feedback）是 LLM 训练管线中两个关键阶

    约 1 分钟468 字
  6. Ch13 RAG

    对比-AgenticRAGvsGraphRAG

    Agentic RAG 和 Graph RAG 是 RAG 进化树上的两个高级分支。Agentic RAG 让模型动态决定检索策略，Graph RAG 利用知识图谱的结构化推理能力增强检索。

    约 2 分钟545 字
  7. Ch13 RAG

    对比-RAGvs微调

    概述 RAG（Retrieval-Augmented Generation）和 Fine-tuning 是让 LLM 掌握特定领域知识的两种正交手段。RAG 给模型"查资料"，微调是"改模型参

    约 2 分钟543 字
  8. Ch13 RAG

    对比-稠密检索vs稀疏检索

    稠密检索（Dense Retrieval）和稀疏检索（Sparse Retrieval）是信息检索的两大范式。稠密检索基于语义向量相似度，稀疏检索基于关键词匹配，2026 年的标配是两者混合。

    约 2 分钟548 字
  9. Ch14 Agent原理

    对比-StaticvsDynamicvsAgenticWorkflow

    概述 Static、Dynamic 和 Agentic Workflow 是 LLM 应用编排的三种模式，代表了从"完全确定性"到"完全自主"的连续谱。 核心对比 | 维度 | Static

    约 2 分钟496 字
  10. Ch15 Agent通信协议

    LangChain: 链式思维

    概述 LangChain 和 LangGraph 是 Lang 生态中两个核心框架。LangChain 面向链式编排，LangGraph 面向有状态图编排，两者定位互补。 核心对比 | 维度

    约 1 分钟449 字
  11. Ch15 Agent通信协议

    对比-MCPvsA2A

    概述 MCP（Model Context Protocol）和 A2A（Agent-to-Agent Protocol）是 2025-2026 年涌现的两个关键协议，分别解决 Agent 生态

    约 1 分钟402 字
  12. Ch15 Agent通信协议

    对比-ToolUsevsFunctionCalling

    概述 Tool Use（Anthropic）和 Function Calling（OpenAI）是让 LLM 调用外部工具/API 的机制。两者在技术本质上高度相似，但命名和部分细节存在差异。

    约 2 分钟507 字