收藏 / 列表

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 - PostgreSQL的邏輯複製spill溢出案例和啓停庫邏輯

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：劉智龍。 引言 在數據庫運維過程中，停庫與起庫是繞不開的核心環節。然而，在複雜的生產環境中，這些操作並非總能順利完成。以下結合實際案例，對 PostgreSQL 在停庫和起庫過程中可能遇到的典型問題進行技術剖析。 WALsender、archiver 如何優雅阻止停庫 WALsender 阻止停

數據庫 , postgresql , 人工智能 , 程序員

huizhudev 頭像

HuiZhu - // TODO: 寫一封讓老闆秒回的郵件？試試這個AI提示詞模板

// 程序員寫郵件的日常 try { const email = writeEmail(); // 期望: 專業得體，重點突出 // 實際: 寫了刪，刪了寫，最後發出去像流水賬 } catch (error) { console.log("郵件焦慮綜合徵又犯了"); } 數據顯示，87%的程序員寫商務郵件需要30分鐘以上，其中63%的人會反覆修改超過3次。不是不會寫

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

chunzhendexiaogou 頭像

PoloAPI - 一文看懂谷歌I/O 2025開發者大會： Android、Chrome、谷歌搜索、Gemini

谷歌I/O開發者大會以"AI原生生態"為核心戰略，圍繞技術升級、產品整合與商業模式展開深度佈局。以下是關鍵內容的結構化總結： 一、AI技術架構突破‌ ‌Gemini模型矩陣‌ Gemini 2.5 Pro新增Deep Think模式，增強複雜推理能力（數學/編程任務準確率提升37%） 輕量級Gemini 2.5 Flash實現移動端40%延遲降低，支持邊緣設備部署 多媒體生成模型V

gemini-2.5-pro , google , 人工智能 , 後端 , 前端

puxiaoke6 頭像

一點人工一點智能 - 書籍-《優化技術第一卷：連續優化》

書籍：Optimization techniques I：Continuous optimization 作者：Max CERF 出版：EDP Sciences​ 編輯：陳萍萍的公主@一點人工一點智能 鏈接：書籍下載-《優化技術第一卷：連續優化》 01 書籍介紹 這套分為兩卷的書籍概述了連續、離散和函數優化技術。本卷專注於連續優化，涉及實數變量的問題，無論是無約束還

函數 , 離散數學

aloudata 頭像

Aloudata大應科技 - 企業級智能問數四問：從“語義鴻溝”到“統一認知”

在數據分析領域，大模型的落地實踐正掀起一場變革風暴。“智能問數”被描繪為數據民主化的終極形態——業務人員無需依賴開發或分析師，僅憑自然語言即可獲得精準、可行動的數據洞察。這一願景極具誘惑力，也催生了大量技術投入。然而，在無數企業轟轟烈烈的實踐中，這條通往數據民主化的道路卻佈滿荊棘。本文將通過四個核心問題的探討，剖析企業級智能問數的真正內涵、核心挑戰、技術基石與成功實踐，揭示為何“語義編織”（Sem

自然語言處理 , 數據庫 , chatgpt , 人工智能

u_16827017 頭像

全棧技術開發者 - 什麼叫做微服務？它和傳統的項目之間有什麼區別？又有哪些技術在微服務領域比較流行呢？微服務架構的高內聚低耦合原則如何具體落地？

在信息技術高速發展中，軟件系統的規模和複雜性不斷增加。現代企業應用不僅要求高併發、高可用，還需要在快速變化的市場環境中實現持續迭代和靈活部署。然而，傳統單體應用在系統擴展、模塊協作和運維管理上逐漸暴露出侷限性。隨着系統功能不斷疊加，模塊之間的耦合度提高，開發和維護的成本顯著上升，同時系統演化的靈活性受到限制。 面對這些挑戰，軟件工程師和架構師們開始探索更為靈活和可管理的系統

yyds乾貨盤點 , 微服務 , 軟件系統 , 架構 , 後端開發 , 迭代

deephub 頭像

deephub - Orion-MSP：深度學習終於在表格數據上超越了XGBoost

表格數據一直是深度學習的老大難問題。這些年CV和NLP領域被Transformer統治得服服帖帖，但在真正的業務場景裏，面對表格這類的結構化數據，XGBoost這些梯度提升樹還是穩坐釣魚台。 為什麼會這樣？問題其實很簡單。圖像的像素排列有空間位置關係，文本有上下文順序，但表格裏的列是啥順序都行——年齡放第一列和放最後一列沒區別。而且這些列的類型完全不同：有數值、有類別，有的服從正態分佈有的嚴重偏態

神經網絡 , 人工智能 , 深度學習 , Python