tag AI

標籤
貢獻119
194
03:55 AM · Nov 07 ,2025
wintersun 頭像 Goblinscholar 頭像 lying7 頭像 codingtea 頭像 OBCE666 頭像 huggingface 頭像 joas-pambou 頭像 XY-Heruo 頭像 u_16773655 頭像 poloai 頭像 yupi 頭像 znai 頭像

@AI / 博客 RSS 訂閱

huggingface 頭像

HuggingFace - huggingface_hub 1.0 正式版現已發佈：開源機器學習基礎五週年回顧

簡要總結： 經過五年的持續開發，huggingface_hub 發佈 v1.0 正式版！這一里程碑標誌着這個庫的成熟與穩定。它已成為 Python 生態中支撐 20 萬個依賴庫 的核心組件，並提供訪問超過 200 萬公開模型、50 萬公開數據集 和 100 萬 Space 應用 的基礎能力。本次更新包含為支持未來十年開源機器學習生態而做出的重大變更，由近 300 位貢獻者和數百萬用户共同推動發展。

AI

收藏 評論

u_16060192 頭像

HyperAI超神經 - 跨學科創新遠超人類？AI科學家提假設/做實驗/發頂會開啓科學研究新範式

2024 年 8 月，由 Transformer 論文作者之一 Llion Jones 創立的 Sakana AI 公司宣佈推出全球首位「AI 科學家（AI Scientist）」， 通過自主生成研究想法、設計實驗、編寫代碼、執行實驗乃至撰寫論文，並藉助「AI 審稿人」對結果進行評審與改進，形成了完整閉環的科研生態系統。今年 3 月，該系統產出的一篇計算機科學論文通過了 ICLR 202

AI , 人工智能 , 深度學習

收藏 評論

u_15353393 頭像

騰訊雲數據庫 - 首家！騰訊雲數據庫AI服務通過數據庫運維智能體技術要求測試

Agent 正在深入企業核心場景，加速推動智能化運營。 近日，中國信息通信研究院（信通院）公佈了上半年“可信數據庫”評估結果。騰訊雲自研的數據庫AI服務成功通過《數據庫運維智能體技術要求》專項測試，成為國內首個獲此認證的數據庫產品，標誌着國產數據庫在智能化運維領域實現突破。 (圖：中國信通院CAICT官方微信) 本次“可信

nosql , 運維 , AI , 數據庫 , SQL

收藏 評論

OBCE666 頭像

OBCE666 - 餵飯級教程 —— 基於 OceanBase seekdb 構建 RAG 應用

本文又是一篇餵飯級教程，為大家展示通過 OceanBase seekdb 構建 RAG（檢索增強生成）系統的詳細步驟。 RAG 系統結合了檢索系統和生成模型，可根據給定提示生成新文本。系統首先使用 seekdb 的原生向量搜索功能從語料庫中檢索相關文檔，然後使用生成模型根據檢索到的文檔生成新文本。 前提條件 已安裝 Python 3.11 或以上版本 已安裝 uv 已準備好 LLM AP

AI

收藏 評論

hannah-kuhne-madlaina-kalunder 頭像

Hannah Kühne & Madlaina Kalunder - How To Enable Collaboration In A Multiparty Setting

As Artificial Intelligence becomes more widespread and pervasive, the transition to a data-driven age poses a conundrum for many: Will AI replace me at my job? Can it become smarter than humans? Who

Voice , ux , AI , User Interaction

收藏 評論

poloai 頭像

poloai - Gemini 3.0 Pro 遷移避坑指南：OpenAI API 無縫兼容，多模型協同靠 PoloAPI 更高效

在 AI 模型迭代加速的當下，很多開發者都面臨這樣的困境：看中了 Gemini 3.0 Pro 的 100 萬 token 長上下文、3D 理解等強大特性，想將其集成到現有項目中，但項目代碼早已深度綁定 OpenAI API 格式 —— 重寫代碼耗時耗力，還可能引發線上故障；放棄遷移又錯失技術升級機會。其實，Gemini 3.0 Pro 的原生 OpenAI API 兼容功能，能讓遷移零壓力，而

AI

收藏 評論

u_17593768 頭像

JUGG11 - 5分鐘從入門到精通！PandaWiki：零代碼小白的AI編程助手

還在為編程查資料抓狂？5 分鐘解鎖 PandaWiki，AI 幫你搞定 80% 編程難題 作為編程新手，是不是總被這些問題困住：想查 API 用法翻遍官網找不到重點，遇到報錯搜半天全是零散答案，寫技術文檔卡殼半天憋不出字？直到發現 PandaWiki 這款 “AI 編程神器”，不用懂複雜操作，5 分鐘就能上手，讓編程查資料、寫文檔的效率直接翻倍！ 第一步：3 分鐘搭建

github , 服務器 , AI , 人工智能 , 深度學習 , 解決方案

收藏 評論

wintersun 頭像

PetterLiu - SWE-smith規模化生成軟件工程訓練數據

1. 破解軟件工程領域AI的數據瓶頸 近年來，大型語言模型（LM）Agent在自動化軟件工程（Software Engineering, SE）任務方面取得了顯著進展。然而，在能力飛速提升的背後，開源社區與掌握海量私有數據的專有模型之間正形成一道日益擴大的鴻溝。其核心癥結在於：高質量、大規模訓練數據的嚴重稀缺已成為制約開源模型發展的根本瓶頸。為了確保開放研究在這一關鍵領域保持競爭力，我們必須建

AI

收藏 評論

wintersun 頭像

PetterLiu - 中國電動汽車充換電市場技術趨勢、核心挑戰與未來競爭格局

中國電動汽車充換電市場技術趨勢、核心挑戰與未來競爭格局 1. 市場概述：從基礎設施建設到服務生態演進 在中國電動汽車市場以前所未有的速度迅猛發展的宏大背景下，充換電基礎設施不僅是關鍵的配套支撐，更已上升為決定產業成敗的核心戰略環節。根據國家規劃，到“十四五”末期，中國的充電基礎設施體系需滿足超過2000萬輛電動汽車的充電需求，這清晰地勾勒出一個規模龐大且充滿潛力的市場。當前，行業正經歷一場深刻

AI

收藏 評論

u_17182302 頭像

u_17182302 - 下一代AI心理產品，會長什麼樣？

下一代AI心理產品，會長什麼樣？ 本文共 1903 字，閲讀預計需要 3 分鐘。 你認為的下一代 AI 心理產品會是什麼樣？ 很多人會先想到：更會聊、更像人，然後按小時、按次數收費。 這條路能走，但不算**“下一代”。** 真正的分歧在於： 人類諮詢按小時計費，核心原因是稀缺；而 AI 不稀缺。 它的價值不該被鎖在“你開口説話的一小時”，

AIGC二三事 , AI產品 , AI , 心理學 , 人工智能 , 數據分析

收藏 評論

atila-fassina 頭像

Atila Fassina - What Does AI Really Mean?

In 2024, Artificial Intelligence (AI) hit the limelight with major advancements. The problem with reaching common knowledge and so much public attention so quickly is that the term becomes ambiguous

Guides , AI , User Interaction

收藏 評論

gogoSandy 頭像

風雨中的小七 - 解密Prompt系列65. 三巨頭關於大模型內景的硬核論文

這一章我們不談應用，而是通過三巨頭 Google、OpenAI、Anthropic 三篇充滿腦洞的論文，深入探討模型內部狀態的可訪問性與可操控性。我們將從三個維度展開： 模型是否有自我認知？ 如何引導這種認知？ 如何從數學和電路層面解釋這種認知？ Google：In-Context Learning 本質上是隱式梯度更新 📄 Google:# Learning without

AI

收藏 評論

lying7 頭像

躺柒 - 讀智能新物種07權利理論

1.權利理論 1.1.權利理論是關於誰應該獲得什麼類型的權利，以及為什麼他們應該獲得這項權利的理論 1.2.某人或某物一旦足夠像我們，就應該享有權利，這樣的想法很普遍 1.3.將虛構的未來機器人與人類相提並論的故事，並不能完全捕捉到如果機器人權利成為話題，我們將面臨的真正混亂 1.4.西方動物權利的歷史和現狀提供了更為準確的、截然不同的圖景，這些故事可供我們借 1.4.1.歷史清楚地揭

AI

收藏 評論

xjwhaha 頭像

哈哈丶丶 - 從 Tool Calling 到 A2A，再到 MCP. 大模型 Agent訪問外部世界的橋樑

隨着大語言模型（LLM）能力不斷增強，我們逐漸發現一個事實： 真正有價值的，不是模型“會説話”，而是模型“能做事”。 因為再強大的LLM，其核心優勢仍然在於語言理解與推理能力，而非實時計算或外部狀態獲取。, 在某些簡單事情上, 例如 查詢當前時間, 當前地區的天氣, 進行一個簡單的數學運算, 其實都不是大模型擅長的事情, 我們也不需要大模型全知全能, 這不是一個正確的路線. 大模型應該像人類

AI

收藏 評論

paul-boag 頭像

Paul Boag - Giving Users A Voice Through Virtual Personas

In my previous article, I explored how AI can help us create functional personas more efficiently. We looked at building personas that focus on what users are trying to accomplish rather than demogr

User Research , ux , AI , Design

收藏 評論

u_15591470 頭像

ceshiren2022 - 無代碼開啓AI測試：字節Coze助力測試效率倍增實戰指南

關注 霍格沃茲測試學院公眾號，回覆「資料」, 領取人工智能測試開發技術合集 最近團隊裏的測試任務越來越繁重，特別是那些重複性的功能驗證和測試數據準備，幾乎佔用了我們大部分時間。直到上個月，我偶然接觸到了字節跳動的Coze平台，這個零代碼的AI工具徹底改變了我們的測試工作流程。 從手動到自動的轉變 還記得那天下午，我面對着一個需要測試的登錄功能，不僅要驗證正常登錄場景，還要測試數十

coze , AI , 人工智能 , 深度學習 , 自動化測試

收藏 評論

wintersun 頭像

PetterLiu - 優化需求評審流程論LLM與人工審查協同模式

重新定義需求評審的未來 高質量的需求是軟件項目成功的基石，然而，傳統的需求評審流程往往耗時、繁瑣且容易出錯。需求文檔中的模糊性、不一致性和遺漏是導致項目失敗最常見的因素之一。大型語言模型（LLM）作為一種顛覆性技術，為解決這些長期存在的挑戰提供了新的可能性。它強大的自然語言處理能力，能夠以前所未有的規模和速度分析文本，發現潛在缺陷。 本文的核心是，LLM在需求評審中的最佳定位並非取代人類專

AI

收藏 評論

codingtea 頭像

Coding茶水間 - 基於深度學習的非機動車頭盔檢測系統演示與介紹(YOLOv12/v11/v8/v5模型+Pyqt5界面+訓練代碼+數據集)

視頻演示 基於深度學習的非機動車頭盔檢測系統 1. 前言​ 大家好，歡迎走進 Coding 茶水間。 在城市騎行安全日益受關注的當下，我們想和大家分享一個用技術守護出行的小成果——基於 YOLO 算法的非機動車頭盔檢測系統。它的核心很簡單：幫我們快速判斷騎車人有沒有戴頭盔，用直觀的界面和靈活的功能，把“安全檢測”變成可操作、可觀察的過程。 這套系統不只是“能檢測”這麼簡單：從主界面的分區設計，到參

AI

收藏 評論

codingtea 頭像

Coding茶水間 - 基於深度學習的35種鳥類檢測系統演示與介紹(YOLOv12/v11/v8/v5模型+Pyqt5界面+訓練代碼+數據集)

視頻演示 基於深度學習的35種鳥類測系統演示與介紹 1. 前言 在自然與科技深度交織的時代，我們對周遭生命的觀察與認知，正被算法悄然拓展邊界。鳥類作為生態系統中靈動的註腳，其多樣性與分佈狀態不僅是自然研究的課題，更牽動着無數觀鳥愛好者、生態保護者的目光。然而，傳統的人工觀測與識別方式，常受限於經驗門檻、效率瓶頸，難以應對複雜場景下的精準捕捉——當鏡頭掠過林梢、水面或城市綠地，那些轉瞬即逝的身影，如

AI

收藏 評論

qianfeng0819 頭像

qianfeng0819 - sample article

清晨七點半，鬧鐘響過，你第一反應不是伸懶腰，而是摸手機；地鐵裏，視線黏在跳動的短視頻上；辦公室，雙眸被兩塊 27 寸屏幕“前後夾擊”；傍晚回家，本想放鬆，卻又打開投影儀追新劇……一天下來，眼睛像跑完馬拉松，酸、脹、幹、霧輪番上陣。數據顯示，我國近視人口已超 6 億，青少年近視率居世界前列。視力“滑坡”不再是個人小事，而是全民健康的“大考”。 一、眼睛為何“過勞”？

yyds乾貨盤點 , NLP , automation , AI , 人工智能

收藏 評論

Goblinscholar 頭像

哥布林學者 - 吳恩達深度學習課程四：計算機視覺 第三週：檢測算法 （一）目標定位與特徵點檢測

此分類用於記錄吳恩達深度學習課程的學習筆記。 課程相關信息鏈接如下： 原課程視頻鏈接：[雙語字幕]吳恩達深度學習deeplearning.ai github課程資料，含課件與筆記:吳恩達深度學習教學資料 課程配套練習（中英）與答案：吳恩達深度學習課後習題與答案 本篇為第四課的第三週內容，3.1到3.2的內容。 本週為第四課的第三週內容，這一課所有內容的中心只有一個：計算機視覺。應

AI

收藏 評論

wintersun 頭像

PetterLiu - 從日誌解析到通用工程LLM

導言 在當今的工程領域，我們普遍面臨一個核心挑戰：如何從海量的、非結構化的數據（如日誌、配置文件、告警信息）中高效提取價值。這些數據是診斷系統故障、洞察系統行為的“救命稻草”，但其雜亂無章的格式對機器而言形同“天書”。大語言模型（LLM）的出現，以其前所未有的語義理解能力，為破解這一難題帶來了希望。然而，希望的背後隱藏着一個致命的矛盾：若將每日億級的日誌逐條交由LLM處理，其巨大的成本與時間延遲

AI

收藏 評論

Goblinscholar 頭像

哥布林學者 - 吳恩達深度學習課程三： 結構化機器學習項目 第二週：誤差分析與學習方法（五）端到端學習

此分類用於記錄吳恩達深度學習課程的學習筆記。 課程相關信息鏈接如下： 原課程視頻鏈接：[雙語字幕]吳恩達深度學習deeplearning.ai github課程資料，含課件與筆記:吳恩達深度學習教學資料 課程配套練習（中英）與答案：吳恩達深度學習課後習題與答案 本篇為第三課的第二週內容，2.9到2.10的內容，也是本篇的理論部分的最後一篇。 本週為第三課的第二週內容，本週的內容關

AI

收藏 評論