收藏 / 列表

u_16776161 頭像

天潤融通科技 - AI替代人工：車企如何用天潤融通ZENAVA重塑試駕邀約流程

在競爭白熱化的汽車市場裏，試駕已經成了成交的入口。數據顯示，超過70%的客户在完成試駕後才會做出購車決定。換句話説，錯過試駕，就等於錯過大部分成交機會。 然而現實卻殘酷：一線銷售每天要撥打成百上千通電話，往往是上百次撥號，換不來幾次有效邀約。人力消耗巨大，結果卻參差不齊。更雪上加霜的是，客户對“騷擾電話”的反感與日俱增，傳統邀約方式正在快速失靈，寶貴的銷售線索不斷流失。

人工智能 , 深度學習

u_17583190 頭像

fangpin - 從 1.56% 到 62.9%：SFT 推理微調優化實戰

讀完這篇文章，你將用監督微調（SFT）把一個 1.5B 規模的數學模型在 GSM8K 上的零樣本推理正確率從 1.56% → 62.9%，同時把輸出格式遵循率從 18.9% → 100%。我們將完整走通數據集下載、Prompt 架構、訓練配置和評估方法，所有代碼均來自本倉庫 alignment 文件夾，保證可復現與透明。 本文將深入剖析 llm-from-scratch

lua , 人工智能 , 深度學習 , Json , Python

ivorysql_xiaozhuli 頭像

IvorySQL - 你真的知道你正在運行哪個 PostgreSQL嗎？

本文整理自 IvorySQL 2025 生態大會暨 PostgreSQL 高峯論壇的演講分享，演講嘉賓：Alvaro Hernandez。 個人簡介： OnGres 創始人CEO 20年以上Postgres用户及數據庫管理員經驗 主要從事研發工作，基於Postgr0 es創建創新軟件 累計開展140餘場技術講座，多數以Postgres為主題 非營利組織PostgreSQL基金會創始人及

數據庫 , postgresql

huizhudev 頭像

HuiZhu - 30分鐘搞定媒體級新聞稿！我開源了這個"公關寫手"AI指令

哈嘍，各位思否的開發大佬們！ 作為技術人，我們最擅長的是寫代碼、解決問題，但一提到"新聞稿"，很多人就懵了。 "我們產品功能很強，為什麼媒體不報道？" "技術這麼牛，為什麼投資人聽不懂？" "明明很用心，為什麼傳播效果這麼差？" 這些問題，本質上都是內容表達能力的問題。 最近我整理了一套"新聞稿撰寫AI指令"，把專業公關寫手的思維模式，用我們程序員最熟悉的"工程化思維"重新包裝了一下。

generative-ai , 教程 , chatgpt , 人工智能 , prompt

chunzhendexiaogou 頭像

PoloAPI - 谷歌正式推出 Gemini 2.5 系列模型，使 AI 推理性能提升30%。

谷歌於2025年6月正式推出‌Gemini 2.5系列模型‌，核心聚焦推理效率與多模態能力升級，具體解讀如下： 🚀 ‌一、三大模型定位與技術亮點‌ ‌Gemini 2.5 Pro‌ ‌角色定位‌：主攻複雜推理與多模態分析（“思考型模型”），在數學、編碼任務中刷新LMArena榜單記錄。 ‌上下文能力‌：支持100萬token輸入（計劃擴展至200萬），可解析代碼庫、大型數據集及混合媒

llm , 算法 , google , 人工智能 , 深度學習

puxiaoke6 頭像

一點人工一點智能 - 《控制與建模的經典與現代優化技術》

書籍：Classical and Modern Optimization Techniques Applied to Control and Modeling 作者：Radu-Emil Precup，Raul-Cristian Roman，Elena-Lorena Hedrea等 出版：CRC Press 編輯：陳萍萍的公主@一點人工一點智能 下載：書籍下載-《控制

機器學習 , 控制器 , 人工智能 , 優化

aloudata 頭像

Aloudata大應科技 - 重磅活動！3.14，與數智領袖共探 NoETL 指標平台最佳實踐

NoETL 指標平台重塑了指標開發協作模式。Aloudata CAN 以強大的指標定義和查詢加速能力，直連數倉公共層明細數據，自動化代持寬表與彙總表開發，實現了 NoSQL 指標定義、NoETL 指標開發、統一指標管理，一舉解決了指標“開發週期長、口徑不統一、分析不靈活、冗餘成本高”等頑疾，並在金融、消費零售、製造、ICT、能源、航空、醫療等多行業打造了標杆案例，為企業數據開發、消費與管理帶來了顛

數據管理 , 大數據 , 數據結構 , 數據庫 , 數據分析

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