2026-01-14 学习记录--LLM-申请Hugging Face 访问令牌（以Meta-Llama-3.1-8B-Instruct为例）

优质文章学习记录

— 4 min read
2026-01-14 学习记录--LLM-申请Hugging Face 访问令牌（以Meta-Llama-3.1-8B-Instruct为例）

LLM-申请 Hugging Face 访问令牌（以Meta-Llama-3.1-8B-Instruct为例）

一、请求访问Llama模型 ⭐️

随便进入想要访问的Llama模型，这里展示的是Meta-Llama-3-8B-Instruct。
1、 点击链接，申请访问Llama模型
在这里插入图片描述
2、 填写相关申请信息，注意如下：👇🏻(1)、国家最好选「美国」，然后填 「美国的大学」；(2)、操作这一步时，节点需要是对应国家的节点（若是美国，那么节点也要是美国）。
在这里插入图片描述
3、 提交成功后，就可开始申请Llama模型的Hugging Face 访问令牌啦~

二、申请Llama模型的Hugging Face 访问令牌（以Meta-Llama-3.1-8B-Instruct为例）⭐️

在这里插入图片描述
1、判断是否需要申请
访问Meta-Llama-3.1-8B-Instruct模型在Hugging Face上的官方仓库。
假若你看见“You need to agree to share your contact information to access this model”字样，说明需要申请授权。
在这里插入图片描述
2、申请Hugging Face 访问令牌的方法
申请Hugging Face 访问令牌：1、 在这个页面点击 “Expand to review and access”2、 展开后把协议拉到底，勾选/确认 同意条款 & 同意分享联系信息（HF 需要把你的联系信息共享给 Meta，用于许可证合规）3、 「提交」后，一般会立刻变成可访问（有时需要几分钟刷新）
完成后你会看到类似：“You have been granted access”或者 Files and versions 里能正常看到文件列表（不再是提示框）
在这里插入图片描述


在这里插入图片描述
3、判断是否申请成功
判断是否申请成功：1、点击「头像」2、点击「Settings」3、进入「Gated Repositories」，就可以看见 申请的Llama 3.1 model出现了，不过目前请求状态（Request Status）是“PENDING”，需要几分钟时间，变成“ACCEPTED”，才说明有访问权限了。
在这里插入图片描述


在这里插入图片描述
在这里插入图片描述


在这里插入图片描述
或者 👇🏻
当再次访问Meta的Llama-3.1-8B-Instruct模型在Hugging Face上的官方仓库，看见“Gated model You have been granted access to this model”字样，也说明申请授权成功。
在这里插入图片描述

三、获取Access Token ⭐️

在这里插入图片描述
在这里插入图片描述


在这里插入图片描述


在这里插入图片描述


在这里插入图片描述
根据需求选择令牌类型（Token type）：细粒、读、写
在这里插入图片描述


在这里插入图片描述


在这里插入图片描述


在这里插入图片描述

Read more

山东菏泽测试员：我是如何靠AI逆袭年薪60万的？

山东菏泽测试员：我是如何靠AI逆袭年薪60万的？

一、起点：外包测试员的困境与觉醒 作为一名来自山东菏泽的软件测试员，我最初深陷外包行业的典型困境：价值感低微，被视为“人肉执行器”，只负责重复性手工测试或基础功能验证，难以触及核心业务逻辑。技术成长严重受限，项目周期短且切换频繁，缺乏系统性沉淀机会；职业通道狭窄，晋升至测试开发或管理岗位异常艰难，薪资长期停滞在低位。工作稳定性差，项目结束即面临失业风险，创新参与度几乎为零。2018年，我的年薪不足10万元，菏泽作为三四线城市，资源匮乏加剧了这些挑战。然而，AI技术的崛起——特别是AI-Testing领域的突破——成为转折点。AI不仅能自动化海量重复任务（如用例生成和执行），还能辅助复杂测试（如智能探索性测试），释放人力并提升洞察力。这让我意识到：掌握AI不是取代测试员，而是重塑价值链的关键，是逆袭的起点。 二、逆袭第一步：从工具使用者到效率大师 要突破年薪瓶颈，我首先聚焦效率革命，利用AI将自己从低价值劳动中解放。起步阶段，我自学Python和机器学习基础，通过在线课程（如Coursera）掌握Selenium、Appium等自动化框架。但传统工具局限明显：用例执行依赖静态脚本，

大模型Token入门详解：概念、原理、换算与核心作用【AI基础】

用通俗直白的语言拆解Token相关知识点，全程无晦涩术语，适合AI初学者、大模型入门人群快速掌握核心逻辑，干货好懂易记。 一、Token核心定义：大模型的语言基础单元 我们常说的大语言模型上下文窗口，它的计量单位并不是日常的字数或者词语数，而是Token。大模型的本质是做数字矩阵运算，本身无法直接理解人类的自然语言，必须依靠Tokenizer（分词器）充当“翻译官”，完成文字与数字之间的双向转换，这也是大模型能够理解、生成文字的核心前提。 二、Tokenizer两大核心功能：编码与解码 分词器Tokenizer的工作流程主要分为两步，分工明确且逻辑连贯，支撑起语言与机器指令的转换闭环： * 编码（Encoding）：将用户输入的文本内容，转换成模型能够识别的数字序列，包含两个关键步骤。第一步是切分，把完整的语句拆分成模型可处理的最小单元，也就是Token；第二步是映射，为每个Token分配专属的数字编号，即Token ID，让模型能够读取和处理。 * 解码（Decoding）：把模型输出的Token ID，反向还原成人类可以正常读懂的自然文字，该过程不需要再次对文本进
一文搞懂MCP、Agent、Skills：AI时代三大核心概念深度对比，搞懂了少走3年弯路

一文搞懂MCP、Agent、Skills：AI时代三大核心概念深度对比，搞懂了少走3年弯路

先搞懂MCP：一个容易混淆的术语 MCP有两个不同的含义 很多人看到"MCP"就懵了，因为这个缩写在AI领域有两个完全不同的含义： 含义1：Model Context Protocol（Anthropic提出的开放协议） 官方定义： MCP是Anthropic在2024年11月发布的开放协议，让AI应用能够标准化地连接数据源和工具。 大白话解释： 就像USB接口统一了设备连接标准一样，MCP统一了AI应用与工具之间的连接方式。 之前的问题： * ChatGPT要接入Google搜索，需要专门写代码 * Claude要接入同样的搜索，又要重新写一遍 * 每个AI应用都要为每个工具写专门的对接代码 有了MCP： * 工具开发者按MCP标准开发一次 * 所有支持MCP的AI应用都可以直接使用 * 就像插USB设备一样简单 这才是当前AI社区讨论最多的"MCP"！ ✅ 含义2：Control Plane（AI系统的控制层） 有些文章会把AI系统的控制层也叫"MCP"（Model Control Plane），但这不是标准术语。 更准确的叫法是： * O

【GitHub项目推荐--AutoResearch：AI自主研究代理，让AI自己优化AI模型】⭐⭐⭐⭐⭐

简介 AutoResearch 是由知名AI研究员Andrej Karpathy开发的开源项目，其核心使命是创建一个完全自主的AI研究系统，让AI代理能够自行设计和优化神经网络模型。该项目代表了一种全新的研究范式：不再是人类研究者手动调整超参数和架构，而是将整个研究过程交给AI代理自主进行。AutoResearch提供了一个精简但完整的LLM训练环境，AI代理可以在这个环境中不断实验、评估、迭代，最终发现更优的模型配置。 核心定位：AutoResearch的核心价值在于将AI研究过程本身自动化。传统AI研究依赖于人类研究者的直觉、经验和试错，这个过程既耗时又受限于人类认知的局限性。AutoResearch通过固定时间预算的自主实验循环，实现了研究过程的规模化、系统化和无偏见优化。项目设计哲学是"让AI研究AI"，探索在有限计算资源下，自主代理能否超越人类的研究效率。 技术背景：项目基于简化的单GPU nanochat实现，采用Python开发，依赖PyTorch等基础库。整个代码库保持极简设计，只有三个核心文件：prepare.py（数据准备和工具）、train.py（模型和训练