tag 人工智能

標籤
貢獻930
1083
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 rtedevcomm 頭像 u_15591470 頭像 lab4ai 頭像 u_17512334 頭像 tecdat 頭像 qingfouai 頭像

@人工智能 / 博客 RSS 訂閱

puxiaoke6 頭像

一點人工一點智能 - 書籍-《自然語言理解解析》

書籍：Understanding Natural Language Understanding 作者：Erik Cambria 出版：Springer​ 編輯：陳萍萍的公主@一點人工一點智能 下載：書籍下載-《自然語言理解解析》 01 書籍介紹 大約半個世紀前，AI先驅們如Marvin Minsky開始了一項雄心勃勃的項目：模擬人類大腦如何編碼和解碼意義。雖然現在我

自然語言處理 , 人工智能 , transform , 深度學習

收藏 評論

u_15316473 頭像

阿里雲大數據AI技術 - 一行代碼，讓Elasticsearch 集羣瞬間雪崩——5000W 數據壓測下的性能避坑全攻略

作為一名長期與Elasticsearch打交道的引擎研發，我見過太多集羣因為一個看似無害的wildcard模糊查詢而瞬間崩潰。 許多開發者繼承了SQLLIKE %...%的思維習慣，直接把它搬到ES中——在小數據量時沒什麼大礙，但當文檔量上億時，它會變成拖垮集羣的性能黑洞： 輕則：錯用字段類型，查不準結果，浪費存儲 重則：暴力掃描，CPU瞬間打滿，集

elasticsearch , 阿里雲 , 人工智能 , 數據分析

收藏 評論

writers 頭像

思否編輯部 - AI推理硬件選型指南：CPU 與 GPU 的抉擇

AI基礎設施的建設不應追逐硬件潮流，而在於為任務選擇最合適的工具。 Akamai全球分佈式邊緣網絡能獨特地為實時應用提供可擴展、高性價比的AI推理服務。通過對CPU的戰略性使用，Akamai進一步降低了多種推理工作負載的成本與能耗，且無需犧牲性能。 如您所在的企業正在考慮構建和部署 AI 賦能應用程序，或您正在尋找合適的 AI 推理運行環境 點擊鏈接瞭解 Akamai AI 推理雲解決方案，

資訊 , gpu , 人工智能 , ai芯片 , cpu

收藏 評論

ivorysql_xiaozhuli 頭像

IvorySQL - 瀚高硬核助力 PG 社區：Postgres 19 迎來並行 TID 範圍掃描，速度提升 3 倍

對於任何需要維護超大表（更新舊數據、分批刪除、數據遷移）的 DBA 或開發者來説，使用 ctid（元組物理位置）將大表切分為多個小塊進行處理是標準操作。然而，直到現在，這種操作都有一個巨大的痛點：它嚴格依賴單進程。 隨着最近的一個 Commit (0ca3b169) 合併入 PostgreSQL 19 (master 分支)，TID 範圍掃描（TID Range Scans）終於支持並行了。

數據庫 , postgresql , 人工智能

收藏 評論

u_13357275 頭像

上海拔俗網絡 - 施工管理AI智能體：用技術破解工地“人盯人”困局

工地管理總繞不開“亂、慢、險”：進度靠表格追、安全靠人眼查、質量靠經驗判，稍有疏忽就可能出問題。而施工管理AI智能體應用系統，就像給工地配了個“全能技術管家”，靠實實在在的技術手段，把施工管理從“被動補救”變成“主動預判”。今天就拆解開，看看它背後的技術邏輯。 核心技術之一是計算機視覺識別，相當於給工地裝了“智能眼睛”。系統會在塔吊、腳手架、施工通道等關鍵區域部署高清攝像頭，通過“實

數據 , NLP , 推送 , 人工智能 , 計算技術

收藏 評論

u_17423871 頭像

美狐美顏SDK開放平台 - 從0到1構建抖動特效功能：直播美顏SDK開發全指南（含架構＋實戰）

在短視頻與直播業務高速發展的今天，“抖動特效”已經從一個“錦上添花”的視覺效果，變成提高直播互動、增強內容節奏的重要能力。無論是直播帶貨的“爆點動效提醒”，還是短視頻的節奏卡點展示，抖動特效背後都離不開美顏SDK、實時渲染、圖像處理算法的協作。 對於正在研發直播應用的團隊來説，從0到1打造一個“可複用、性能穩定、兼容性高”的抖動特效模塊，看似簡單，其實涉及圖像幀處理、濾鏡渲

視頻美顏sdk , 美顏api , 人工智能 , 直播美顏sdk , 計算機視覺 , 第三方美顏SDK , 在51CTO的第一篇博文 , 美顏SDK

收藏 評論

u_16213715 頭像

mob64ca1417eedd - 泊松迴歸 擬合度

去年12月，美國康涅狄格州發生校園槍擊案，造成28人死亡。 資料顯示，1982年至2012年，美國共發生62起（大規模）槍擊案。其中，2012年發生了7起，是次數最多的一年。 去年有這麼多槍擊案，這是巧合，還是表明美國治安惡化了？ 前幾天，我看到一篇很有趣的文章，使用"泊松分佈"（Poisson distribution），判斷同一年發生7起槍擊案是否巧合。

機器學習 , 臨界值 , 取值 , 泊松分佈 , 泊松迴歸 擬合度 , 人工智能

收藏 評論

mianlengxincidehongjiu 頭像

中煙創新 - 煙草行政處罰案卷製作與評查平台：重塑煙草執法的精準、高效與公信力

行政處罰案卷作為執法活動的全流程記錄，既是程序合法性的形式載體，更是實體公正性的實質體現。其製作質量直接關乎執法行為的規範程度，不僅反映執法人員的專業水平，更彰顯執法機關的法治理念和治理能力水平。當前，各級煙草專賣部門正積極運用技術手段破解執法實踐中的瓶頸問題。以某市煙草專賣局為例，其法規科辦公室深夜依然燈火通明，執法人員正對一起重大涉嫌無證運輸捲煙案件的卷宗進行審核與校驗。該案件涉案金額較大，需

人工智能

收藏 評論

outman_635bcc03c8ac0 頭像

李梨同學 - (2025.12.05 - 2025.12.12)開源週報

諸神黃昏：OpenAI 與開源界的年終決戰 💧 KD (精華蒸餾): 算力核爆！OpenAI 突發 GPT-5.2 "Thinking" 版本，Mistral 甩出 123B 巨獸 Devstral-2 硬剛，開源閉源全面開戰。 🧠 CoT (深度思維): 重新定義“思考”：GPT-5.2 如何通過多層次強化學習（RL）在 GDPval 基準上擊敗 70% 人類專家？ .png?ima

人工智能

收藏 評論

u_16213653 頭像

mob64ca14092155 - 深度學習 知識蒸餾原理詳解 蒸餾原理和過程

目錄 背景 模型結構 模型效果 實現代碼 背景 模型結構 訓練過程 實現代碼 前言 本文主要介紹知識蒸餾原理，並以BERT為例，介紹兩篇BERT蒸餾論文及代碼，第一篇論文是在下游任務中使用BiLSTM對BERT蒸餾，第二篇是對Transformer蒸餾，即TinyBert。

深度學習 知識蒸餾原理詳解 , 損失函數 , 人工智能 , 深度學習 , 概率分佈 , Git

收藏 評論

u_17491820 頭像

呆個大頭鬼 - AI Ping：大模型時代的“性能羅盤”——從選型到落地的全流程指南

前言：大模型選型的“隱形成本” 當你打開第17個大模型官網，對着“128K上下文”“0.01元/千Token”的參數表陷入迷茫時，或許已經踩中了AI開發的第一個坑：選型失誤的成本，遠高於技術開發本身**。2025年，國內大模型服務供應商已超20家，模型數量突破230個。開發者常因“免費模型延遲過高”“付費服務吞吐量不達標”被迫重構系統——而這一切，本可以通過科學的性能評測**避免。

機器學習 , API , 人工智能 , 開發者 , 數據驅動

收藏 評論

mstech 頭像

微軟技術棧 - 以專家為鏡，以人為本：孚知流的智能交互探索之旅

在微軟開發者挑戰賽上，孚知流團隊憑藉“小紅書運營專家 Agent”項目，榮獲“最佳智能交互獎”。面對這一榮耀，團隊可謂“異常開心”，但這份開心的背後，是他們對“交互”兩個字的深刻理解與長久打磨。 從 B 端到個體：智能交互的出發點 “雖然我們是做 To B 的產品，但最終的使用者，其實還是企業裏的一個個具體員工。”孚知流團隊這樣解釋他們為何如此重視交互設計。在 Agent 領域，交互往往被簡化為“

microsoft , 人工智能

收藏 評論

u_16120231 頭像

wx6466f25322644 - 大語言模型Ll M 這張圖的核心信息是：隨着模型規模變大，注意力（attention）層消耗的 FLOPs 佔比越來越高，而 MLP 層佔比反而下降。

這張圖的核心信息是：隨着模型規模變大，注意力（attention）層消耗的 FLOPs 佔比越來越高，而 MLP 層佔比反而下降。 一、FLOPs 是什麼？ FLOPs（Floating Point Operations）是浮點運算次數，衡量模型計算量的單位。FLOPs 越高，訓練或推理所需的計算資源越多。 二、圖中數據解讀

複雜度 , 數據 , 浮點運算 , 後端開發 , 人工智能 , Python

收藏 評論

xingxingshangdeliushu 頭像

星星上的柳樹 - 常見觸發器類型解析

“觸發器決定了數字電路的“節奏與記憶”。” 在數字系統中，觸發器（Flip-Flop）是構建時序邏輯電路的核心元件。它能夠存儲一個二進制狀態，並在時鐘或控制信號的作用下改變輸出。不同類型的觸發器在功能和用途上略有差異：有的僅在特定時鐘沿觸發狀態變化，有的支持置位、復位或翻轉操作。理解各種觸發器的特性，是掌握寄存器設計、計數器實現以及有限狀態機建模的基礎。 1、觸發器的基本概念觸發器是一種雙穩

資訊 , 教程 , 知識 , 人工智能 , 深度學習

收藏 評論

u_16993377 頭像

一線數智 - AI時代 客户標籤體系為什麼必須重做？

　 【一線數智資訊】在過去十多年的移動互聯網年代，客户運營一直圍繞“標籤”展開：年齡、性別、消費頻次、品類偏好……，基於大數據的標籤same like方式推薦，但當企業進入 AI 原生時代，大模型、向量數據庫、智能體開始走進業務，傳統標籤體系正在快速失效。 　　不是傳統標籤不重要，而是客户已經變了，業務節奏變了，而標籤體系沒變就會有問題。所以就出現了

靜態屬性 , 數據 , 自動生成 , 人工智能 , 深度學習

收藏 評論

turing_interview 頭像

圖靈訪談 - 《機器學習》作者Peter Flach：好萊塢也借AI上頭條

非商業轉載請註明作譯者、出處，並保留本文的原始鏈接：http://www.ituring.com.cn/art... 訪談對象： Peter Flach，布里斯托大學人工智能教授，擁有20多年的機器學習教研經驗。在高度結構化的數據挖掘以及通過ROC分析來評估和改進機器學習模型方面，Flach是國際領先的研究人員。他著有Simply Logical: Intelligent Reasoning

機器學習 , 圖靈訪談 , 人工智能 , 深層神經網絡 , Python

收藏 評論

u_16827017 頭像

全棧技術開發者 - 如何理解「128倍更少數據，卻能獲得更強智能體行為」？如何直觀地理解「少即是多（Less is More）」在智能體訓練中意義？

在人工智能尤其是智能體訓練領域，數據量的需求長期被認為是提升模型行為表現的核心驅動力。傳統強化學習方法和深度學習策略普遍依賴大量訓練數據，以期覆蓋智能體在複雜環境中可能遇到的各種狀態和動作組合。這種大規模數據驅動的訓練模式在某種程度上保證了智能體策略的穩健性和泛化能力，但同時也帶來了顯著的資源消耗、計算壓力以及訓練效率低下的問題。尤其在高維環境和複雜任務下，數據量呈指數級增長，訓

yyds乾貨盤點 , 數據 , 模塊化 , 人工智能 , 深度學習 , 子任務 , 大模型

收藏 評論

u_17061379 頭像

AI編程社區 - Java 後端開發工程師使用 Qoder 實現面向 API 的運維平台前端開發

作為一名Java後端開發工程師，我的核心工作聚焦於企業級應用的架構設計與業務邏輯實現，程序開發的技術棧，主要是圍繞Java後端開發。工作的內容主要集中在根據產品需求編寫複雜的業務邏輯代碼，並通過DB、MQ等中間件管理業務數據。通過Web API接口將業務集成，通過阿里雲控制枱或終端設備進行接口調用，構建標準化的對外服務接口，支撐前端應用與外部系統的無縫集成。 從技術層面和業

機器學習 , API , 人工智能 , 開發者 , 迭代

收藏 評論

u_17408641 頭像

咕泡科技 - 代碼的未來：當AI學會創造，我們技術人的價值何在？

AI與大模型，已如電力和互聯網般融入我們工作和生活的方方面面。當技術從分析過去邁入生成未來，企業與技術人又該如何重塑自身價值？我們又該如何藉助這一波技術浪潮，實現能力的跨越與職業的突破？ 11月16日，咕泡科技聯合創始人、AI大模型事業部負責人譚鋒（Mic）老師受邀參與“數有引力·Sure沙龍丨AI時代，個體機遇新選擇”深度沙龍進行分享，與眾多行業同行展開探討：大模型不僅改

應用層 , 人工智能 , 深度學習 , 生成式 , 迭代 , 大模型

收藏 評論

aipaobudexiangjiao_cktinz 頭像

愛跑步的香蕉_cKtiNz - 第六代AI面試智能體：重塑招聘流程的高效解決方案

第六代AI面試智能體：重塑招聘流程的高效解決方案 當企業仍深陷“海量簡歷中翻找人才”的困境，HR每日被核算薪酬、整理表格等事務性工作佔據大量時間，致使本應發揮戰略價值的人力資源管理被繁瑣流程嚴重稀釋，招聘效率低、選人依賴主觀判斷、候選人體驗不佳等問題，已不再是單純的工作煩惱，更成為制約企業生存與發展的隱形瓶頸。 在此背景下，AI得賢招聘官第六代AI面試智能體6.3版本應運而生，憑藉精準

人工智能

收藏 評論

huikaichedemianbao 頭像

合合技術團隊 - 用户的聲音 | 文檔結構化信息提取方案測評：LLM、開源模型部署與雲端API，誰是合適選擇？

文檔預處理之文本化 近日，我們收到來自專業用户的使用心得，通過測試淺析結構化信息提取技術，輔助完成技術選型。結構化信息提取的重要性數據作為大模型時代的核心生產資料，其結構化處理能力直接影響AI系統的實用價值。 結構化信息提取的重要性 數據作為大模型時代的核心生產資料，其結構化處理能力直接影響AI系統的實用價值。儘管知識圖譜、RAG等技術依賴海量文本資源，但現實中的歷史檔案、法律文書等重要數據多以掃

llm , 大數據 , 人工智能 , 文檔

收藏 評論

u_16099302 頭像

技術極先鋒 - FileSystemResource需要關閉資源嗎

在本節描述的示例代碼，提供真實的例子來示範在 FileSystemObject 對象模式中可用的許多功能。該代碼顯示瞭如何一起使用對象模式的所有功能，以及如何在您自己的代碼中有效地使用這些功能。 請注意，由於該代碼是極一般的，所以要使該代碼能夠真正在您的機器上運行，可能需要一些其他代碼和小小的變更。這些改變之所以必要，是因為在 Active Server Pages 和 W

機器學習 , 字符串 , 人工智能 , 示例代碼 , ci

收藏 評論

u_1150085 頭像

I_am_Alex - 國產大模型Doubao-Seed-Code + Claude Code：讓創意工具快速落地的最佳組合

一、AI編程的背景與發展 當生成式AI技術滲透到產業各環節，編程領域正經歷從“輔助片段生成”到“全流程任務落地”的質變。過去開發者需花費數小時搭建的基礎功能，如今AI可在分鐘級完成，據行業數據顯示，AI編程工具已能將開發效率提升30%-60%。 在前端web技術棧經驗幾乎為0的背景下，我使用AI編程大模型實現了幾十款實用的小工具或者小遊戲，讓我的很多想法變成了顯示，那

code , 機器學習 , yyds乾貨盤點 , API , 人工智能 , 開發者

收藏 評論

u_16213637 頭像

mob64ca140530fb - ppo算法不是深度強化學習嘛

一、概述 引用GAE論文的觀點，策略梯度法存在的兩個方面問題： 樣本利用率低，由於樣本利用率低需要大量採樣； 算法訓練不穩定，需要讓算法在變化的數據分佈中穩定提升； 目前比較常用的四種置信域方法TRPO、ACER、ACKTR、

機器學習 , 強化學習 , ppo算法不是深度強化學習嘛 , 數據分佈 , acer軟件保護卡怎麼解除 , 人工智能 , 算法訓練

收藏 評論