Text-RCNN 详解：双向循环结构与最大池化的结合
讲解 Text-RCNN 如何兼顾 RNN 与 CNN 的优势：用双向循环结构获取上下文信息以避免 RNN 的位置偏置，再用最大池化自动筛选对分类最重要的特征，绕过 CNN 滑动窗口大小难定的问题，并给出词表示与文本表示的学习过程。
TextCNN 详解：用一维卷积抽取文本特征的经典模型
讲解 TextCNN 的模型结构：依次经过嵌入层、一维卷积层、最大池化层、全连接层与 softmax，利用卷积和池化抽取关键词特征来完成句子分类，并说明多通道设置与不同卷积核尺寸的作用。
Text-GCN 详解：用词共现图做文本分类
讲解 Text-GCN：用词共现与文档-词关系为整个语料库构造一张异构图，把文档和词都作为节点，再用图卷积网络学习节点表示并送进分类器，无需预训练词嵌入即可在多个基准上超过当时的文本分类方法。
TextRNN 详解：基于多任务学习的循环神经网络文本分类
讲解这篇把多任务学习引入 RNN 文本分类的工作：现实问题常被拆成相互关联的子任务，文章提出三种不同的信息共享机制，让所有任务在同一个网络中共同学习，从而利用任务间的共享表示提升效果。
命名实体识别 NER 综述：从词典规则到深度学习的技术演进
系统梳理命名实体识别任务：从 MUC-6 提出的任务定义出发，介绍基于词典规则与统计机器学习的传统方法，再展开深度学习 NER 的通用框架——输入层、编码层与解码层的典型设计与代表模型。
Elasticsearch 相似度算法详解：TF-IDF 与 BM25 的原理与演进
讲解 Elasticsearch 计算文档相似度的两种核心算法：由词频与逆文档频率构成的 TF-IDF，以及 5.0 之后成为默认、在 7.x 中取代 TF-IDF 的 BM25，并说明自定义相似度算法的适用场景。
FastText 详解：层次 Softmax 与 N-Gram 特征的高效文本分类
讲解 Facebook AI Research 开源的 fastText 文本分类器：由模型架构、层次 Softmax 与 N-gram 特征三部分构成，在保持分类效果的同时把训练时间大幅缩短，并对比其与 word2vec 词向量的异同。
Word2vec 详解：Skip-gram、CBOW 与训练技巧
讲解 Word2vec 的原理：以语言模型为外壳、实际取训练后的权重作为词向量，分别展开用一个词预测上下文的 Skip-gram 与用上下文预测中心词的 CBOW，并推导一般情形与负采样、高频词下采样等训练 trick。
隐马尔可夫模型(HMM)详解：概率图模型与序列标注原理
隐马尔可夫模型(HMM)是经典的概率图模型，通过隐藏状态序列与观测序列的联合建模，结合前向-后向算法与维特比算法解决分词、标注等序列问题。
美团 LongCat-Flash 技术报告解读：5600 亿参数的智能体 MoE 模型
解读美团 LongCat-Flash 这一 5600 亿参数的混合专家模型：用零计算专家按 token 动态分配 186 亿到 313 亿激活参数、用快捷连接 MoE 提升推理效率，在兼顾计算效率的同时强化智能体能力。
视觉多模态理解模型盘点（5～8 月）：GLM-4.5V、MiMo-VL 等
盘点 2025 年 5 到 8 月发布的视觉多模态模型：GLM-4.5V 与 GLM-4.1V-Thinking、MiMo-VL-7B-RL、MiniCPM-V-4、Intern-S1、step3、Qwen2.5-VL-72B、InternVL3-8B 与 Ovis2.5，逐一给出参数规模、上下文长度与能力特点。
人类对齐与强化学习—On-Policy 与 Off-Policy 深度辨析
从基本定义、原理区别、数学表达、实例类比到矛盾分析，逐层辨析强化学习中 on-policy 与 off-policy 两种学习策略的本质差异：训练所使用的数据究竟来自当前策略还是其他策略。