AI架構 on datafox.twhttps://datafox.tw/zh-tw/tags/ai%E6%9E%B6%E6%A7%8B/Recent content in AI架構 on datafox.twdatafox.twhttps://datafox.tw/images/Open_graph_image.pnghttps://datafox.tw/images/Open_graph_image.pngHugo -- 0.146.0zh-twFri, 22 May 2026 00:00:00 +0000戳破「思考模型」的行銷幻覺：KV Cache 暴力美學與 Test-Time Compute 的真相https://datafox.tw/zh-tw/posts/260522_1924/Fri, 22 May 2026 00:00:00 +0000https://datafox.tw/zh-tw/posts/260522_1924/別再被 AI 馬屁精的行銷話術騙了。從底層架構看 Flash 與 Thinking 模型的差異，拆解 KV Cache 與 Test-Time Compute 究竟是如何運作的。打破 Seq2Seq 迷思，從資訊理論看大模型的極致壓縮與湧現https://datafox.tw/zh-tw/posts/260521_1808/Thu, 21 May 2026 00:00:00 +0000https://datafox.tw/zh-tw/posts/260521_1808/跟上一篇相關，但是這裡從從資訊理論、KL 散度與有損壓縮的底層數學出發，拆解模型湧現能力的真實由來。為什麼現在的 LLM 都是 Decoder-only？從 Seq2Seq 到 GPT 的架構演進與思考https://datafox.tw/zh-tw/posts/260514_1725/Thu, 14 May 2026 00:00:00 +0000https://datafox.tw/zh-tw/posts/260514_1725/在 Transformer 剛出來時，Seq2Seq 架構看似更為合理。但為什麼現在的主流 LLM (如 GPT) 卻全部走向 Decoder-only？本文探討 Decoder vs Seq2Seq 架構差異，以及 Next Token Prediction、Scaling Law 與模型湧現能力的關聯。