tag 人工智能

標籤
貢獻928
984
06:37 AM · Oct 27 ,2025
deephub 頭像 u_13357275 頭像 pannideniupai 頭像 elhix0bg 頭像 xingxingshangdeliushu 頭像 u_17579295 頭像 lab4ai 頭像 u_15591470 頭像 u_17512334 頭像 rtedevcomm 頭像 qingfouai 頭像 tecdat 頭像

@人工智能 / 博客 RSS 訂閱

lab4ai 頭像

Lab4AI - 數小時視頻，關鍵僅幾秒：AI如何像偵探一樣找到答案？LongVT：先定位再核驗，精準不瞎猜

數小時視頻，關鍵僅幾秒：AI如何像偵探一樣找到答案？LongVT：先定位再核驗，精準不瞎猜 01論文概述 這篇文章由MiroMind AI與南洋理工大學核心領銜（通訊作者：Shijian Lu、Xingxuan Li），聯合香港科技大學（廣州）、清華大學以及LMMs-Lab 團隊共同完成。 論文名稱：LongVT: Incentivizing "Thinking with Long Videos

人工智能

收藏 評論

aws_aidevcommunity 頭像

亞馬遜雲開發者 - 通過自動化工具實現亞馬遜雲上資源標籤管理

背景 在雲計算日新月異的時代，企業對亞馬遜雲科技資源的使用正在呈現指數級增長。從最初的幾十個資源擴展到數百甚至上萬個，有效管理這些雲資源已成為企業 IT 運營中的關鍵挑戰。亞馬遜雲科技資源標籤（Tags）作為一種元數據機制，已發展成為現代雲資源管理策略的基石。 📢限時插播：Amazon Q Developer 來幫你做應用啦！ 🌟10分鐘幫你構建智能番茄鍾應用，1小時搞定新功能拓展

亞馬遜雲科技 , 自動化 , 人工智能

收藏 評論

dtstack 頭像

袋鼠雲數棧 - 企業數據資產管理核心框架：L1-L5分層架構解析

背景分層結構的背景主要源於數據倉庫和大型信息系統建模的實踐，特別是受到以下方法論的影響： 維度建模：由 Ralph Kimball 提出，強調從業務過程（對應主題域）出發，構建事實表和維度表（對應邏輯實體）。 範式建模：由 Bill Inmon 提出，強調集成的、面向主題的、非易失的數據集合，其EDW（企業數據倉庫）的構建需要自上而下的分層設計。 企業架構框架：如TOGAF，其數據架構部分強調業務

大數據 , 知識 , 數據庫 , 人工智能

收藏 評論

dbkangaroo 頭像

袋鼠 - 袋鼠數據庫工具 8.0.1 版已上線

袋鼠數據庫工具 是一款 AI 驅動的熱門數據庫系統客户端(MariaDB / MySQL / Oracle / PostgreSQL / Redis / SQLite / SQL Server / ...) ，支持建表、查詢、模型、同步、導入導出等功能，支持 Windows / Mac / Linux 等操作系統，致力於打造一款好用、好玩、開發友好的開發者工具。 重點特性介紹 這個版本繼續完善 R

MySQL , 數據庫 , postgresql , 人工智能 , sqlite

收藏 評論

u_16099199 頭像

數據俠客行 - delphi TcxeditrepositoryImageComboBoxItem獲取當前索引

方法一： VB獲取計算機名稱，內、外網IP,很簡單，僅作示例。這些在編大軟件時作為裝飾。 Author:Minghacker 添加winsock控件,Inet控件 Private Declare Function ReleaseCapture Lib "user32" () As Long none窗體的移動 Private Dec

控件 , 機器學習 , ip , text , 人工智能

收藏 評論

deephub 頭像

deephub - 自愈型RAG系統：從脆弱管道到閉環智能體的工程實踐

RAG系統在生產環境中有個老大難問題：脆弱。演示時用精心準備的問題去問，效果看起來很驚豔。但真正上線後，用户的問題五花八門，向量數據庫返回的文檔語義上相似但實際答非所問，LLM又特別喜歡討好，拿着一堆噪音數據照樣能編出一套看似合理的答案。 那麼問題出在哪呢？標準RAG是典型的開環架構：輸入 → 嵌入 → 檢索 → 生成，一條線走到底。每個環節都假設上游輸出是完美的，一旦某步出錯，錯誤就會一路傳導到

llm , 教程 , 人工智能 , Python

收藏 評論

u_16213563 頭像

網絡安全守護先鋒 - 機器學習假設函數

①假設函數(hypothesis function) 在給定一些樣本數據(training set)後，採用某種學習算法(learning algorithm)對樣本數據進行訓練，得到了一個模型或者説是假設函數。 當需要預測新數據的結果時，將新數據作為假設函數的輸入，假設函數計算後得到結果，這個結果就作為預測值。 假設函數的表示形式一般如下：θ 稱為模型

機器學習 , 機器學習假設函數 , 最小值 , 梯度下降算法 , 代價函數 , 人工智能

收藏 評論

elhix0bg 頭像

阿里雲大數據AI - 阿里雲 AI 搜索開放平台新功能發佈：新增GTE自部署模型

一、背景與核心價值 隨着企業全球化業務擴展和多語言數據處理需求激增，精準的文本語義理解與向量化能力成為搜索服務的關鍵。阿里雲AI搜索開放平台正式推出GTE多語言通用文本向量模型（iic/gte\_sentence-embedding\_multilingual-base），來源於ModelScope模型庫，並開放自部署能力，助力企業構建更高併發、更低延遲的多語言搜索與分析系統。 二、新增功能詳解：

雲計算 , 搜索 , 阿里雲 , 人工智能

收藏 評論

u_17603562 頭像

落花生生 - 2025 企業 IT 成本翻倍？華為雲對象存儲讓數據存儲成本直降 20%

2025 年，全球存儲硬件市場的價格狂飆讓企業 IT 部門陷入兩難境地。作為固態硬盤核心組件的 NAND Flash，自 2025 年第一季以來價格累計上漲高達 246%，其中 70% 的漲幅集中在短短 60 天內。 由於 NAND Flash 佔 SSD 生產成本的 90%，硬件廠商無力消化成本壓力，只能將漲價傳導至終端，直接導致企業存儲硬件採購支出同比翻倍。與此同時，A

it , 數據 , 數據安全 , 人工智能 , 深度學習

收藏 評論

u_16213672 頭像

mob64ca140d96d9 - opencv內參圖 opencv內參標定

補充 （1）由於（u,v）(#像素座標系#)只代表像素的列數和行數，還需建立以物理單位（如毫米）表示的（x，y）（#圖像座標系#） （2） 1.內參： 資料: 注：opencv含有4個內參 - fx、fy、v0、u0 ( fx = f / dx ; fy = f / dy ) 2

角點 , opencv內參圖 , 張正友 , 人工智能 , 圖像平面 , 圖像標定 , 計算機視覺

收藏 評論

sinteredpaste 頭像

低温燒結銀 - 低温燒結可焊接納米銀漿AS9120W對FPC製造格局的重構

低温燒結可焊接納米銀漿AS9120W對FPC製造格局的重構 一、AS9120W納米銀漿的核心特性：突破傳統FPC製造瓶頸 AS9120W作為低温燒結可焊接納米銀漿，其核心特性直接針對傳統FPC製造的痛點，如高温損傷基材、焊接性能不足、線路精度受限，為FPC製造提供了全新解決方案： 1超低温燒結（120℃）：傳統銀漿需200℃以上高温燒結，易導致柔性基材如PI、

智能手錶 , FPC , 可穿戴設備 , 納米銀漿 , 人工智能 , 深度學習 , 應用領域

收藏 評論

teayear 頭像

學技術贏未來 - AI技術之MindSpore全場景協同的AI框架核心技術與生態實踐

在人工智能技術深度滲透千行萬業的當下，AI框架作為連接算法研究與產業落地的核心載體，其性能、易用性與場景適配能力直接決定了AI價值的釋放效率。傳統AI框架往往面臨“開發效率與執行性能難以兼顧”“端邊雲部署架構割裂”“分佈式訓練門檻高”等痛點，難以滿足全行業多樣化的AI應用需求。MindSpore（昇思）作為面向“端-邊-雲”全場景設計的深度學習框架，以“彌合AI算法研究與生產部署鴻溝”為

開發效率 , 算法研究 , 人工智能 , 深度學習 , 開發者

收藏 評論

u_17579295 頭像

mb6911caa73d1d1 - 城市安全新篇章：運用數字孿生平台實現智能應急指揮

在智慧城市建設的浪潮中，公共安全始終是最受關注的領域之一。傳統應急指揮系統往往面臨信息割裂、響應滯後等痛點，而數字孿生技術的出現，為這一難題提供了創新解決方案。本文將通過一個真實案例，解析數字孿生智能運營平台在城市應急指揮中的實際應用，為系統集成商提供參考。 智慧城市應急指揮系統升級 某省會城市原有的應急指揮系統存在明顯短板：各部門數據孤立、

數據 , 智慧城市 , 物聯網 , 數據可視化 , 人工智能 , 數字孿生

收藏 評論

u_16163453 頭像

嘴巴吃糖了 - 【收藏必學】構建深度思考型智能體 RAG 流水線：解決複雜查詢的完整指南

涵蓋規劃、檢索、反思、批判、綜合等多個環節 一個 RAG 系統之所以會失敗，通常不是因為大型語言模型（LLM）不夠智能，而是因為它的架構過於簡單。它試圖用一種線性的、一次性的方法來處理一個循環的、多步驟的問題。 許多複雜查詢需要推理、反思以及在何時採取行動方面的明智決策，這與我們面對問題時檢索信息的方式非常相似。這正是智能體驅動的操作在 RA

大模型教程 , 語言模型 , 後端開發 , 人工智能 , 大模型入門 , harmonyos , 大模型學習

收藏 評論

deephub 頭像

deephub - 如何應對缺失值帶來的分佈變化？探索填充缺失值的最佳插補算法

本文將探討了缺失值插補的不同方法，並比較了它們在復原數據真實分佈方面的效果，處理插補是一個不確定性的問題，尤其是在樣本量較小或數據複雜性高時的挑戰，應選擇能夠適應數據分佈變化並準確插補缺失值的方法。 我們假設存在一個潛在的分佈P，從中得出觀察值X。此外，還繪製了一個與X相同維數的0/1向量，我們稱這個向量為M，實際觀測到的數據向量X被M掩碼為X。我們觀測到聯合向量(X,M)的n個獨立同分布(i.i

機器學習 , 神經網絡 , r , 人工智能

收藏 評論

h2yn1jwi 頭像

百度開發者中心 - 《智能交通》正式出版發行，系國內首部全面闡述智能交通“中國模式”專著

我國有着領先的科技人才紅利，有着豐富的人工智能應用場景，有着無可比擬的良好政策環境，中國智能交通建設必將走在世界前列。 ——百度創始人、董事長兼 CEO 李彥宏 12月2日，《智能交通：影響人類未來10—40年的重大變革》一書（以下簡稱“《智能交通》”）由人民出版社出版，即日起在全國新華書店發行。 該書是在交通強國戰略指引下，國內首部系統闡述中國智能交通發展現狀和前景的專著，全書結合中

人工智能 , 書籍

收藏 評論

u_15564575 頭像

韭菜財經 - F記皇牌再升級！盈J2成提取之王，快高足三大優勢引爆財富新動能

富衞集團（F記）上市不過數月，其名字已不只是資本市場的焦點，更成為港險圈高頻提及的“熱詞”。 近期，在一場分享會中，F記新升級的王牌儲蓄產品——《盈聚天下2》（盈J2），不僅延續“提取之王”地位，更在資金效率、家族傳承、產品兑現力三大維度實現突破，引發市場關注 在全球經濟充滿不確定性的背景下，高淨值客户的財富管理需求正從單純追求“高收益”轉向“確定性與流動性”

商業 , 佈局策略 , 人工智能 , 深度學習 , 團隊管理

收藏 評論

u_15531854 頭像

極智視界 - 目標檢測數據集 - 衞星圖像船舶檢測數據集下載

數據集介紹：衞星圖像船舶檢測數據集，真實場景高質量圖片數據，涉及場景豐富，比如近岸港口船舶、遠海貨運船舶、島礁周邊船舶、船舶遮擋、船舶嚴重遮擋數據等，劃分為 "Ship" 一個類別； 適用實際項目應用：衞星圖像船舶檢測項目，以及作為衞星圖像通用目標檢測數據集場景數據的補充； 標註説明：採用 labelimg 標註

數據集 , 目標跟蹤 , 後端開發 , 人工智能 , 目標檢測 , Python

收藏 評論

u_16213689 頭像

mob64ca1411a6fc - emscripten如何接入opencv

通過向指定的地址發送請求，即可在一個新的html5頁面內顯示物流單號的跟綜信息，支持所有快遞公司，無需後期維護,無需申請，適合手機應用。 免費快遞查詢API地址： http://m.kuaidi100.com/index_all.html?type=[快遞公司編碼]postid=[快遞單號]callbackurl=[點擊"返回"跳轉的地址]

機器學習 , Intent , API , 自定義 , Android , 人工智能

收藏 評論

qingfouai 頭像

青否Ai - 從“採銷東哥”到千人千面直播：數字人如何破局新賽道？

2025年，直播行業正面臨前所未有的“內卷”，流量見頂、ROI疲軟，越來越多的商家開始尋找新的破局契機。 就在不少品牌陷入增長乏力的焦慮時，在技術支持下，跑出了逆勢增長的新故事：截至目前，數字人給商家帶來了超過140億的GMV增量。（青否數字人源頭v：zhibo175） 所以，曾經動輒數萬元、製作週期漫長的數字人，為何突然“飛入尋常百姓家”？ 從“採銷東哥”AI數字人的破圈，到超過9000家品牌密

機器學習 , 算法 , 人工智能 , 深度學習

收藏 評論

yingyongwubideshuitong 頭像

妙記多Mojidoc - 💻4招讓AI工具改變研究生學習習慣～

圖源 Marvin Meyer (Unsplash) 隨着技術的進步，人工智能（AI）在教育等行業中變得愈發重要。 事實證明，對於學生來説，尤其是對於需要進行研究和分析大量數據的研究生而言，AI 是一種有價值的工具。 AI 工具在研究中的使用頻率持續增長，許多研究生正在探索這些工具如何幫助改進研究過程。 但隨着人工智能的使用越來越多，研究生和研究人員應該牢記倫理考量。 在這篇文章中，我們將

教育 , 學術交流 , 人工智能 , 學習方法 , 學生

收藏 評論

u_16163442 頭像

datian1234 - 【必收藏】全新RAG框架LinearRAG：無需關係抽取，高效又精準！超越GraphRAG和LightRAG！

前語 最近在一直研究各種RAG技術用來工程化應用，但是嘗試了耳熟能詳的GraphRAG和LightRAG後，也發現了一些棘手的問題。 構建知識圖譜 即 index 過程過於複雜，對於大文檔來説非常耗時。 知識圖譜的構建效果比較差，經常抽取出垃圾甚至錯誤的實體和三元組。 在錯誤的知識圖譜引導下，其效果在感官上（直覺）甚

大模型教程 , AI大模型 , 人工智能 , Css , 大模型入門 , 大模型學習 , 前端開發 , HTML

收藏 評論

u_12205 頭像

小魚兒 - GD32平台用STM32cubemx

2021-07-05~2021-07-09 簡述：GDf103vet6替換stf103vet6 一、大致修改的部分 相同點：兩個芯片的外圍引腳PIN TO PIN兼容，每個引腳上的複用功能也完全相同； 不同點：使用st的庫開發時，注意事項： 1、修改外部晶振起振超時時間，不用外部晶振可跳過這步

機器學習 , 數據 , 單片機 , 人工智能 , 模數轉換 , GD32平台用STM32cubemx , 創建日期

收藏 評論

pannideniupai 頭像

雨大王 - 2025年，汽車行業數字化產業鏈協同的“必答題”該怎麼答？

汽車數字化產業鏈正以前所未有的速度重塑着整個行業的格局。在當前全球製造業轉型升級的關鍵時期，信息技術，尤其是人工智能、物聯網、大數據等技術，正深度融入汽車研發、生產、管理乃至服務的各個環節，驅動着產業鏈向更智能、更協同的方向躍進。 回顧過去，我們常説汽車產業是“工業皇冠上的明珠”，但如今這顆明珠正在經歷一場脱胎換骨的變革。想象一下，一個零部件供應商的研發部門，以前可能需要數月甚至更長時間才能

人工智能

收藏 評論