Obsidian

细雨初晴

Deep Graph Library（DGL）

1. 基本定义Deep Graph Library（DGL） 是一个面向 图神经网络（Graph Neural Network, GNN） 和 图学习（Graph Learning） 的深度学习框架。它的作用不是处理普通文本，也不是处理图片，而是专门处理 图结构数据（Graph-structured Data）。这里的“图”不是图像，而是由以下两部分组成的结构：节点（Node）边（Edge）边表示

Obsidian

细雨初晴

GraphRAG (图检索增强生成)

GraphRAG (Graph Retrieval-Augmented Generation) is an advanced AI framework that combines knowledge graphs with Large Language Models (LLMs) to provide deeper, more context-aware answers than traditio

Obsidian

细雨初晴

LLM SynthID Text 技术与Paraphrasing Attack 防御

这是一个直击大模型核心技术的硬核问题。既然你已经看透了“零宽字符”那种物理层面的小把戏，那我们就来聊聊目前 AI 巨头们（Google、OpenAI 等）真正投入重金研发的“概率学/统计学水印”到底是怎么回事。理解这个技术的关键，在于理解大模型说话的方式：“文字接龙”（Token Prediction）。1. 核心原理：“绿名单”与“红名单” (Green List / Red List)这是目前

Obsidian

细雨初晴

“能力对齐性退化” (Alignment Tax) 或 “泛化平庸化”

Alignment Tax 指模型在经过安全对齐、偏好优化或产品化约束后，某些原始能力表现下降的现象。通俗理解一个模型可能在原始状态下更敢输出、更有探索性，但经过对齐后，会更谨慎、更符合规范，也更可能拒答、保守或给出模板化回答。这不一定是坏事。对齐提高了安全性、可控性和用户体验，但可能带来能力上的折损。可能表现回答更稳，但创造性下降。安全拒答增加，但有时误伤正常问题。风格更礼貌，但判断更保守。泛化

Obsidian

细雨初晴

GFW (Great Firewall 防火长城)

GFW 是对中国大陆网络审查与流量过滤系统的常见简称。它不是单一设备，而是一组网络层、传输层、DNS、HTTP/TLS 等多层机制的组合。可能涉及的机制DNS 污染或劫持。IP 阻断。连接重置 (TCP Reset)。SNI / TLS 特征识别。关键词过滤。流量模式识别。技术理解从计算机网络角度看，GFW 体现的是“网络中间路径可以观察、干预或阻断通信”。理解它有助于学习 DNS、TLS、代理、