论文多模态国际英文原文
DDPM：去噪扩散概率模型（论文首次公开）
通过逐步加噪与学习去噪研究图像生成，为后来扩散式视觉模型提供基础；此处是论文节点。
为什么值得读
- 论文首次公开日期：2020/06/19；来源核对日期：2026-10-19。
- 历史节点回溯；当时的预览、接口与产品状态不代表目前仍可用。
- 链接 2 天前可访问
- 有中文导读
正在加载学习内容…
汇集已审核的国内外技术博客与论文导读：先看中文要点和原文日期，再决定是否读原文。资源库按主题整理常青资料，这里按时间排列。
通过逐步加噪与学习去噪研究图像生成，为后来扩散式视觉模型提供基础；此处是论文节点。
研究大规模自回归语言模型的少样本学习，区分论文实验设置与后来 API 产品的开放时间。
RAG 论文把预训练生成模型与外部文档检索结合，让知识密集型任务可参考非参数化记忆。这里记录首次论文公开日期，而非后续会议或代码发布时间。
在查询和文档的词元表示之间进行后期交互，为检索精度与效率的折中提供新的设计。
DPR 论文提出面向开放域问答的稠密段落检索，用双编码器学习问题与文档的向量表示。可用于理解后来 RAG 系统中检索模块的技术来源。
REALM 研究在语言模型预训练时加入可学习的知识检索器，让模型从外部文档读取信息。它是检索增强路线的早期论文，日期采用 arXiv 首次提交。
神经语言模型缩放定律论文分析模型规模、数据量和训练算力与损失之间的经验关系。其结论具有实验范围，不应直接当作所有模型的固定公式。
结合双向编码与自回归解码进行去噪预训练，面向生成和理解任务，日期采用论文首次提交。
把多类自然语言任务统一成文本输入输出，并系统比较预训练与微调设置，提供通用语言模型训练的早期研究。
BERT 研究双向语言表示预训练，并在多项自然语言理解任务上进行微调评估。这里记录的是论文公开节点，不代表所有后续模型同时发布。
Transformer 论文提出以注意力机制为核心的序列转换架构，在机器翻译实验中展示结果。该节点用于追溯大模型技术基础，记录论文首次公开日期。