用 logprobs 做置信度判断：阈值怎么定才不是拍脑袋
讲解 logprobs 置信度分数为什么经常不校准、如何用可靠性曲线检验分数是否可信，以及自动放行/人工审核/拒答三档阈值的科学设定方法。
Gemini 使用指南
从入门到进阶，系统学习 Gemini 的对话、提示词与多模态能力。
LLM 长上下文 Needle-in-a-Haystack 实测方法与结果解读
讲解 Needle-in-a-Haystack 长上下文测试的原理、自建测试脚本方法，以及主流模型在不同上下文深度下的检索表现与局限。
LLM logprobs 在生产场景的实用价值
深入解析 LLM logprobs（对数概率）在置信度评估、不确定性检测、分类任务和 RAG 系统中的实际应用，含代码示例与实战建议。
长上下文召回能力横评：主流模型谁在"吹牛"
横向对比主流大模型在长上下文场景下的真实召回表现，揭示上下文窗口数字与实际可用长度之间的差距，给出选型建议。
中文数理推理能力对比：模型换个语言做题会不会变笨
同一道数学题换成中文表述，模型准确率往往会下降。本文用中文数理测试集对比主流模型表现，分析语言切换导致推理掉点的原因与规避方法。
LLM 数学推理能力横评：GSM8K、MATH、AIME 全解析
系统横评主流大模型在 GSM8K、MATH、AIME 等数学基准上的表现，分析各模型推理策略与实际使用建议。
LLM 会议纪要生成能力评测
对比 GPT-4o、Claude Sonnet 4.6、Gemini 1.5 Pro 在会议转录文本上的纪要生成能力，含结构化输出、Action Item 提取与中文表现评分。
LLM 多语言任务横评
评测主流 LLM 在日语、韩语、法语、西班牙语、阿拉伯语等非中英语言下的指令遵循与推理能力，附选型建议。
LLM 多轮对话状态管理
系统讲解 LLM 多轮对话中的状态管理策略，涵盖上下文截断、摘要压缩、外部记忆存储与工程实现。
图片输入的 token 计费机制
图片输入并不是按 JPEG 或 PNG 文件字节直接计费。本文拆解视觉模型如何缩放图片、切成 tile 或 patch、应用模型倍率并换算 billable token，比较 OpenAI、Anthropic 与 Gemini 当前机制差异，给出规则版本化、usage 回填、批量请求监控、成本预估和账单核对的工程方法。
LLM 可观测性实战：Langfuse 自部署完整指南
用 Langfuse 在国内自部署 LLM 应用可观测性平台：tracing、用量、成本、调试、用户反馈一站搞定，含 Docker 部署与接入示例。
LLM 中文命名实体识别基准测评
系统评测主流 LLM 在中文 NER 任务上的表现，对比人名、地名、机构名的识别准确率，并给出实际工程接入建议。