tag AI

標籤
貢獻161
790
03:55 AM · Nov 07 ,2025
wintersun 頭像 Goblinscholar 頭像 lying7 頭像 codingtea 頭像 dmx778 頭像 OBCE666 頭像 yupi 頭像 poloai 頭像 XY-Heruo 頭像 yjmyzz 頭像 u_16060192 頭像 huggingface 頭像

@AI / 博客 RSS 訂閱

lying7 頭像

躺柒 - 讀共生：4.0時代的人機關係14科技公司（下）

1.自動化解決方案 1.1.我們是在為什麼樣的用途構建產品？‘老大哥’‘老母親’，還是‘老管家’？​ 1.1.1.大多數可以規模化的技術對於這三類用途都適用 1.1.2.意圖很重要 1.1.2.1.意圖是為人類提供服務，是在數字世界中重新創造管家的功能和體驗 1.1.3.開發直觀的邊緣自然語言處理功能以創建類似於人類的數字助理時，這方面的努力主

AI

收藏 評論

u_15591470 頭像

ceshiren2022 - AI引領天貓測試流程變革：從人工操作到智能化的實踐經驗與落地案例

在AI時代，天貓技術質量團隊不斷探索如何在測試全流程中引入AI，提升效率、保障質量，並實現可管理化、可溯化的測試流程。本文將結合實踐經驗，分享AI在測試鏈路中的落地方案和技術架構思路。 1️⃣ 測試體系變革：從人工到AI自動化 傳統測試工作鏈條主要包括五大核心階段： 需求解析 → 用例生成 → 測試數據構造 → 執行驗證 → 對比校驗 AI的引入目標：通過自然語言理解和大模型驅動

AI , 測試數據 , 人工智能 , 深度學習 , 自動化測試

收藏 評論

paul-boag 頭像

Paul Boag - How UX Professionals Can Lead AI Strategy

Your senior management is excited about AI. They’ve read the articles, attended the webinars, and seen the demos. They’re convinced that AI will transform your organization, boost productivity, and

workflow , ux , AI

收藏 評論

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

lying7 頭像

躺柒 - 讀共生：4.0時代的人機關係12消費者（下）

1.購物方式 1.1.零售商利用增強現實技術幫助消費者購買傢俱，讓消費者能夠將虛擬產品放置在預定的三維空間中 1.2.零售商利用增強現實技術幫助消費者購買眼鏡、服裝、時尚配飾和選擇新發型 1.3.零售商利用增強現實技術來增強顧客的實體店購物體驗 1.3.1.虛擬優惠、虛擬食品成分表、店內地圖、增強鏡、店內遊戲化 1.4.數字助理被用作數字購物助理 1.5.由人工智能生成的購物單和購物推薦

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

dmx778 頭像

大模型玩家七七 - 智能客服不是問答機器人，微調更不是“多訓點數據”

大多數“智能客服失敗”，不是模型不行，而是期望錯了 如果你做過或接觸過智能客服項目，大概率會經歷一個相似的心理過程： 一開始覺得： “現在大模型這麼強，客服這種問答場景，不是正好對口嗎？” 然後你會很快發現現實是： 問題很雜 規則很多 灰度極多 一句話答錯，後果可能很嚴重 最後，團隊往往會把希望寄託在一件事上： “那我們給模型微調一下吧。” 而真正的問題是—— 你往往

AI

收藏 評論

wintersun 頭像

PetterLiu - 如何用 Trae IDE與Agent重塑軟件需求工程概要

基於不止於代碼-如何用 Trae IDE與Agent重塑軟件需求工程 在 AI 編程工具爆發的今天，大多數人的目光仍聚焦在 Copilot 的代碼補全上。但作為資深開發者，我們都清楚一個殘酷的現實：如果需求（PRD）本身就是垃圾，寫代碼的速度越快，產出“技術債務”的速度就越快。 最近，AI 輔助開發的概念已從簡單的“輔助編程”演進為 “氛圍編程 2.0 (Vibe Coding)” ——即通過 C

AI

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

codingtea 頭像

Coding茶水間 - 基於深度學習的汽車自動駕駛目標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 基於深度學習的汽車自動駕駛目標檢測系統 1. 前言​ 目前鐵路鐵軌巡檢主要依賴人工目測，存在效率低、漏檢率高及受主觀因素影響大等弊端，難以滿足現代鐵路的高安全性需求。為此，本文提出基於YOLO深度學習算法的解決方案，通過構建專用數據集訓練模型，並開發圖形化界面（GUI）將算法工程化，旨在用機器視覺替代人工，實現鐵軌缺陷的自動化、智能化識別，解決傳統檢測方式的痛點。 本系統集成了多元化的檢

AI

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

dmx778 頭像

大模型玩家七七 - 大模型從“瞎聊”到“幹活”：指令微調核心邏輯全拆解

大模型從“瞎聊”到“幹活”：指令微調核心邏輯全拆解 指令微調破局，讓大模型從 “瞎聊” 變 “能幹” 大家好，我是七七！剛入門大模型時，我總被一個問題困擾：明明Llama 2、Qwen這些模型能聊天説地，可一讓它幹具體活就掉鏈子——讓它寫電商文案，通篇空話套話；讓它整理會議紀要，邏輯混亂漏重點；讓它做客服話術，答非所問不專業。 後來才明白，預訓練大模型就像“剛識字的小孩”，只會基礎的語言表達，卻

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

dmx778 頭像

大模型玩家七七 - 你以為 PPO 很高級，其實它更像個“微調旋鈕”

為什麼 PPO 在真實業務裏越來越重要 如果你是從論文或者課程裏接觸 PPO 的，那大概率會有一種“這東西看起來很厲害”的感覺。策略梯度、clip、KL 約束、reward model，一整套體系下來，很容易讓人產生錯覺：只要把 PPO 跑起來，大模型就能被“精細打磨”。 但真正進到業務裏，你會發現情況完全不是這麼回事。 大多數業務方找你，並不是因為模型“不會回答”，而是因為模型“回答得讓人不放心

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