2026最新Jev 决策模型:核心优势与多行业应用场景配置API教程

ICESat-2数据下载的两种方法 ICESat-2数据下载 阅读详情

Jev 决策模型:使用教程与多行业应用场景

Jev 是 TypeSafe AI 的 System One(系统 1)决策模型。它不生成自由文本,只输出结构化判定结果:一次请求提交一份 state 上下文和一组 questions,并行返回概率、选项与分数,可直接喂给代码里的 if。


一、Jev 是什么

对话模型

Jev

输出

自由文本

结构化判定(概率 / 选项 / 分数)

交互

一问一答

一次提交多组问题,并行独立判定

消费方式

还得解析文本

直接取值

计费

输入 + 输出

输入 token

对话模型负责写,Jev 负责判。它适合的不是「生成」,而是「判断」——分类、路由、打分、分流、校验。


二、一分钟上手

端点

POST https://api.new.bi/v1/systemone
Authorization: Bearer sk-xxxxxxxx
Content-Type: application/json

请求体只要三个字段:model、state、questions。本文示例统一使用 https://api.new.bi 作为接入地址。

⚠️ 请使用 /v1/systemone。换成 /v1/chat/completions 会导致 token 统计与上游账单严重不一致。

curl

curl -X POST 'https://api.new.bi/v1/systemone' \
  -H "Authorization: Bearer sk-xxxxxxxx" \
  -H 'Content-Type: application/json' \
  -d '{
    "model": "jev-1.13.0",
    "state": "用户反馈:结账页面点击支付后一直空白,换了两个浏览器都不行,很生气",
    "questions": {
      "is_bug": {
        "type": "noul",
        "instructions": "用户是否在上报产品缺陷"
      },
      "team": {
        "type": "choice",
        "instructions": "该工单应交给哪个团队",
        "criteria": {
          "billing": "账单、发票、退款",
          "tech": "功能缺陷、集成故障",
          "account": "账号与资料问题"
        }
      },
      "fury": {
        "type": "score",
        "instructions": "客户情绪严重程度",
        "criteria": ["平静", "沮丧", "非常愤怒"]
      }
    }
  }'

真实返回:

{
  "model": "jev-1.13.0",
  "answers": {
    "fury": {
      "type": "score",
      "score": 1.73,
      "confidence": 0.6,
      "legend": { "0": "平静", "1": "沮丧", "2": "非常愤怒" },
      "probabilities": { "0": 0.0, "1": 0.27, "2": 0.73 }
    },
    "is_bug": { "type": "noul", "noul": 0.97 },
    "team": {
      "type": "choice",
      "choice": "tech",
      "confidence": 0.27,
      "probabilities": { "billing": 0.48, "tech": 0.52, "account": 0.0 }
    }
  },
  "usage": { "input_tokens": 409, "output_tokens": 69 }
}

一次请求,三个判定,全是可直接用的结构。

Python

import requests

def jev(state, questions, *, base, key, model="jev-1.13.0"):
    r = requests.post(
        f"{base}/v1/systemone",
        headers={"Authorization": f"Bearer {key}"},
        json={"model": model, "state": state, "questions": questions},
        timeout=60,
    )
    r.raise_for_status()
    return r.json()

res = jev(
    state={"ticket": "订单被扣两次钱,要求退款", "order": {"charges": [49, 49]}},
    questions={
        "is_refund": {"type": "noul", "instructions": "用户是否在申请退款"},
        "priority": {"type": "score", "instructions": "处理优先级",
                     "criteria": ["低", "中", "高", "紧急"]},
    },
    base="https://api.new.bi", key="sk-xxxxxxxx",
)

print(res["answers"]["is_refund"]["noul"])

Node / TypeScript

const BASE = 'https://api.new.bi'

const res = await fetch(`${BASE}/v1/systemone`, {
  method: 'POST',
  headers: { Authorization: `Bearer ${KEY}`, 'Content-Type': 'application/json' },
  body: JSON.stringify({
    model: 'jev-1.13.0',
    state: '用户反馈支付失败',
    questions: { is_bug: { type: 'noul', instructions: '是否产品缺陷' } },
  }),
})
const { answers, usage } = await res.json()

三、协议规格

请求

字段

类型

必填

说明

model

string

✅

固定 jev-1.13.0

state

string | object | array

✅

待判定上下文,业务数据放这里

questions

object

✅

key 为自定义问题 ID,value 为问题配置

state 三种形态:

"state": "用户的原话"
"state": { "message": "订单被扣两次钱", "policy": "重复扣款可退", "order": { "charges": [49, 49] } }
"state": ["第一次反馈:页面空白", "第二次反馈:仍未解决,已影响全天订单"]

对象形态最适合直接丢业务原始数据,不用拼接长文本。

三种问题类型

noul —— 是非判定(输出「是」的概率 0~1)
"is_refund": {
  "type": "noul",
  "instructions": "用户是否在申请退款",
  "criteria": { "true": "明确提出退款诉求", "false": "没有退款请求" }
}

字段

必填

类型

type

✅

"noul"

instructions

✅

string —— 必须提供

criteria

否

object

输出 {"type":"noul","noul":0.97},没有 confidence。

choice —— 单选分类
"team": {
  "type": "choice",
  "instructions": "归属团队",
  "criteria": { "billing": "账单退款", "tech": "功能缺陷", "account": "账号问题" }
}

字段

必填

类型

type

✅

"choice"

criteria

✅

object,1~255 个选项

输出含选中值、全选项概率、置信度。

score —— 有序等级打分
"fury": {
  "type": "score",
  "instructions": "客户情绪严重程度",
  "criteria": ["平静", "沮丧", "非常愤怒"]
}

字段

必填

类型

type

✅

"score"

criteria

✅

array,2~10 个等级

输出 score 是概率加权值,可落在两个等级之间(如 1.73)。

速查

类型

criteria

数量

额外必填

noul

object(可选)

—

instructions

choice

object

1~255

criteria

score

array

2~10

criteria

choice 用对象、score 用数组,写反会报错。

响应

{
  "model": "jev-1.13.0",
  "answers": { "...": {} },
  "usage": { "input_tokens": 409, "output_tokens": 69 }
}

三个解析要点:

  1. legend 是对象 {"0":"平静","1":"沮丧"},不是数组

  2. score 的 probabilities 也是对象

  3. answers 的键按字典序重排,与请求顺序无关 —— 一律按问题 ID 取值


四、阈值 + 置信度双闸门

noul / score 给出强度,choice 额外给出置信度。组合起来就是一套可灰度、可回退的决策:

a = res["answers"]

# 概率卡点:高置信才自动处理
if a["is_refund"]["noul"] > 0.85:
    auto_refund()
elif a["is_refund"]["noul"] > 0.5:
    queue_for_review()
else:
    pass

# 分类卡置信度:低了转人工
dept = a["team"]
if dept["confidence"] > 0.7:
    assign(dept["choice"])
else:
    assign_human("team")

# 等级卡分数
if a["fury"]["score"] >= 1.5:
    mark_urgent()

三个原则:

  • 阈值可调召回:noul 阈值高则准、低则全

  • 置信度决定自动化边界:confidence 低就不要自动执行

  • probabilities 别丢:可用于人工队列排序、线上抽检


五、应用场景

1. 电商 / 零售:售后退款判定

{
  "model": "jev-1.13.0",
  "state": {
    "ticket": "订单 A-104 被扣两次钱,请退还重复扣费,已经等了两天没人回",
    "policy": "重复扣款属于退款条件",
    "order": { "charges": [49, 49], "waited_hours": 48 }
  },
  "questions": {
    "is_refund": { "type": "noul", "instructions": "用户是否在申请退款" },
    "reason": {
      "type": "choice",
      "instructions": "退款原因归类",
      "criteria": {
        "duplicate": "重复扣款",
        "not_received": "未收到货",
        "quality": "质量问题",
        "change_mind": "无理由退款"
      }
    },
    "urgency": {
      "type": "score",
      "instructions": "处理紧迫度",
      "criteria": ["低", "中", "高", "紧急"]
    }
  }
}

一次请求完成「是否退款 + 归因 + 优先级」,替代规则引擎里的 if-else 堆叠。reason 直接对接财务系统的退款单类型。


2. 金融 / 风控:交易风险分级

{
  "model": "jev-1.13.0",
  "state": {
    "txn": { "amount": 48000, "currency": "CNY", "channel": "new_device", "hour": 3 },
    "user_profile": { "age_days": 2, "avg_amount": 300, "history_chargeback": 0 },
    "signals": ["新设备", "凌晨大额", "账户注册仅 2 天"]
  },
  "questions": {
    "is_fraud": { "type": "noul", "instructions": "该交易是否具有欺诈特征" },
    "risk_level": {
      "type": "score",
      "instructions": "风险等级",
      "criteria": ["正常", "关注", "可疑", "高危"]
    },
    "action": {
      "type": "choice",
      "instructions": "建议处置动作",
      "criteria": {
        "pass": "放行",
        "verify": "二次验证",
        "hold": "人工审核",
        "block": "拦截"
      }
    }
  }
}

is_fraud 做闸门,risk_level 做分层,action 驱动风控引擎。action 的 confidence 低于阈值时一律降级到 hold,不会误拦。


3. 客服 / SaaS:工单智能路由

{
  "model": "jev-1.13.0",
  "state": {
    "ticket": "企业版账号下三个子账号都无法登录,提示 token 失效,影响今天上线",
    "plan": "enterprise",
    "sla_hours": 4
  },
  "questions": {
    "team": {
      "type": "choice",
      "instructions": "工单应分配到的团队",
      "criteria": {
        "auth": "认证与登录",
        "billing": "账单与发票",
        "integration": "集成与技术故障",
        "success": "客户成功与咨询"
      }
    },
    "impact": {
      "type": "score",
      "instructions": "业务影响程度",
      "criteria": ["无影响", "个别用户", "部分功能", "全线阻断"]
    },
    "needs_engineer": { "type": "noul", "instructions": "是否需要工程师介入而非客服处理" }
  }
}

team + impact 一起决定 SLA 计时与升级路径。企业版 + 全线阻断 → 直接触达值班工程师。


4. 内容平台:审核与创作者治理

{
  "model": "jev-1.13.0",
  "state": {
    "text": "<待审内容原文>",
    "author": { "strikes": 2, "account_days": 400 },
    "channel": "comment"
  },
  "questions": {
    "is_violation": { "type": "noul", "instructions": "内容是否违反社区规范" },
    "category": {
      "type": "choice",
      "instructions": "违规类目",
      "criteria": {
        "spam": "垃圾营销",
        "harassment": "人身攻击",
        "adult": "成人内容",
        "illegal": "违法违规",
        "normal": "无违规"
      }
    },
    "severity": {
      "type": "score",
      "instructions": "违规严重程度",
      "criteria": ["无", "轻微", "中度", "严重"]
    }
  }
}

is_violation 卡点做初筛,category 决定处置策略(限流 / 删除 / 封号),severity 结合历史 strikes 决定处罚档位。probabilities 用于人工复审队列排序。


5. 医疗健康:就诊分流

定位说明:Jev 在这里做的是分诊与资源路由,不是诊断,最终判断必须由医护人员完成。

{
  "model": "jev-1.13.0",
  "state": {
    "chief_complaint": "胸口发闷三天,活动后加重,无既往心脏病史",
    "vitals": { "age": 52, "bp": "148/92", "smoker": true },
    "channel": "online_consult"
  },
  "questions": {
    "urgency": {
      "type": "score",
      "instructions": "建议就诊紧迫度",
      "criteria": ["择期", "尽快", "当日", "急诊"]
    },
    "department": {
      "type": "choice",
      "instructions": "建议挂哪个科室",
      "criteria": {
        "cardiology": "心血管内科",
        "respiratory": "呼吸内科",
        "gastro": "消化内科",
        "general": "全科/内科"
      }
    },
    "needs_offline": { "type": "noul", "instructions": "是否建议线下就诊而非线上咨询" }
  }
}

把「急诊 / 当日 / 尽快 / 择期」作为分流档位,配 needs_offline 决定是否打断线上流程。分诊结果必须标记为建议,由医生确认。


6. 教育:学情分层与答疑路由

{
  "model": "jev-1.13.0",
  "state": {
    "student": { "grade": "初二", "recent_scores": [62, 58, 71], "homework_late": 4 },
    "submission": "这道题我算出来是负数,但答案说是正数,是不是题目错了",
    "subject": "math"
  },
  "questions": {
    "intent": {
      "type": "choice",
      "instructions": "学生提问的真实意图",
      "criteria": {
        "answer_check": "对答案有疑问",
        "concept": "概念不清",
        "method": "解法不会",
        "complaint": "抱怨题目/作业量"
      }
    },
    "misconception": { "type": "noul", "instructions": "是否存在明显的概念性错误" },
    "engagement": {
      "type": "score",
      "instructions": "学习投入度",
      "criteria": ["消极", "偏低", "正常", "积极"]
    }
  }
}

intent 决定是答疑还是推练习,misconception 触发针对性微课,engagement 结合迟交次数进干预队列。


7. 物流 / 供应链:异常件归因

{
  "model": "jev-1.13.0",
  "state": {
    "order": { "promised": "48h", "elapsed": "96h", "stops": ["已揽收", "运输中", "运输中"] },
    "complaint": "三天了还没到,客服也不回",
    "weather_alert": false
  },
  "questions": {
    "cause": {
      "type": "choice",
      "instructions": "延误原因归类",
      "criteria": {
        "carrier": "承运商积压",
        "address": "地址问题",
        "weather": "天气原因",
        "ops": "内部操作失误"
      }
    },
    "is_compensable": { "type": "noul", "instructions": "是否属于可赔付情形" },
    "churn_risk": {
      "type": "score",
      "instructions": "客户流失风险",
      "criteria": ["低", "中", "高", "极高"]
    }
  }
}

cause 决定赔付归属(承运商 / 自身),is_compensable 触发赔付流程,churn_risk 决定是否叠加安抚券。


8. 招聘 / HR:简历初筛

{
  "model": "jev-1.13.0",
  "state": {
    "jd": { "title": "后端工程师", "must": ["Go", "分布式", "3 年以上"], "nice": ["K8s"] },
    "resume": "<简历文本>"
  },
  "questions": {
    "meets_must": { "type": "noul", "instructions": "是否满足全部硬性要求" },
    "match_level": {
      "type": "score",
      "instructions": "岗位匹配度",
      "criteria": ["不匹配", "部分匹配", "较匹配", "高度匹配"]
    },
    "concern": {
      "type": "choice",
      "instructions": "最需要面试澄清的点",
      "criteria": {
        "none": "无",
        "gap": "履历空档",
        "depth": "技术深度存疑",
        "stability": "稳定性存疑"
      }
    }
  }
}

meets_must 做硬性过滤,match_level 排序,concern 直接生成面试提纲。保留人工复核环节,避免把筛选完全交给模型。


9. Agent / 工程:工具调用护栏

{
  "model": "jev-1.13.0",
  "state": {
    "user_request": "把上个月的报表全部删掉",
    "pending_tool_call": { "name": "delete_reports", "args": { "period": "last_month", "scope": "all" } },
    "policy": "删除类工具需用户显式确认,且不允许批量删除"
  },
  "questions": {
    "should_execute": { "type": "noul", "instructions": "该工具调用是否应直接执行" },
    "risk": {
      "type": "score",
      "instructions": "操作风险等级",
      "criteria": ["安全", "低风险", "高风险", "危险"]
    },
    "violated_rule": {
      "type": "choice",
      "instructions": "违反的策略条目",
      "criteria": {
        "none": "未违反",
        "no_confirm": "缺少显式确认",
        "bulk": "批量操作限制",
        "scope": "越权范围"
      }
    }
  }
}

Agent 执行工具前先过一遍,should_execute 为假则中断并回问用户,violated_rule 直接生成解释文案。比让模型「自己想一想」稳定且可量化。


10. 保险:理赔单分流

{
  "model": "jev-1.13.0",
  "state": {
    "claim": { "type": "医疗险", "amount": 86000, "incident_days_ago": 3 },
    "docs": ["诊断证明", "发票"],
    "missing": ["出院小结"]
  },
  "questions": {
    "is_complete": { "type": "noul", "instructions": "材料是否齐全" },
    "lane": {
      "type": "choice",
      "instructions": "应进入哪条处理通道",
      "criteria": {
        "auto": "自动快速理赔",
        "normal": "常规人工审核",
        "investigate": "需调查",
        "reject_risk": "疑似不实申报"
      }
    },
    "fraud_probability": {
      "type": "score",
      "instructions": "疑似欺诈程度",
      "criteria": ["无", "低", "中", "高"]
    }
  }
}

is_complete 决定是否先补件,lane 决定人力投入,fraud_probability 触发调查流程。


六、工程实践

一次问完,别串行

最常见的误用是一次只问一个问题,连发三次请求。Jev 的设计就是一次问多组、并行独立判定,串行既慢又浪费调用次数。

问题之间不可见

同一个请求里的 questions 互相看不到对方的答案。所以不能做「根据上一题结果决定下一题」的链式推理。需要链式,就分两次请求。

用对象形态传业务数据

# 推荐:原样丢结构化数据
state = {"order": {...}, "user": {...}, "policy": "..."}

而不是自己拼成一段长文本 —— 对象形态信息损失更小。

全部走置信度兜底

def decide(answer, auto_threshold=0.7):
    if answer["type"] == "choice" and answer["confidence"] < auto_threshold:
        return {"action": "human_review", "suggest": answer["choice"]}
    return {"action": "auto", "value": answer.get("choice") or answer.get("noul")}

错误处理

try:
    res = jev(state, questions, base=BASE, key=KEY)
except requests.HTTPError as e:
    if e.response.status_code == 503:
        ...   # 网关无可用渠道,检查渠道配置
    elif e.response.status_code in (429, 500, 502, 503):
        ...   # 重试
    raise

日志留痕

把 usage.input_tokens 和 answers 一起记下来 —— Jev 只收输入 token 费用,input_tokens 就是成本,便于按业务线核算。


七、限制与排错

限制

项

限制

上下文总长

64k token

state + 单条 question

32k token

输入模态

仅文本,不支持图片 / 音频 / 视频

语言

英文训练为主,中文可用但建议自测精度

score 等级数

2~10

choice 选项数

1~255

无效参数

temperature、max_tokens、stream、response_format 对 Jev 无意义。stream: true 不会返回 SSE,始终返回单个 JSON。

报错速查

报错

原因

model is required

缺 model

state is required

缺 state

questions is required

缺 questions

state must be a string, object or array

state 传了数字等非法类型

question "q" has unsupported type "xxx"

type 非法

question "q" needs instructions or criteria

noul 缺 instructions

must be an object with 1 to 255 options

choice 的 criteria 写成了数组

score criteria must be an array of 2 to 10 levels

score 的 criteria 写成了对象或等级数越界

max_tokens_exceeded

单条 state + question 超 32k

Token not provided

缺 Authorization 头

HTTP 503 无可用渠道(distributor)

网关路由未覆盖该路径


八、落地清单

  1. 一次请求问多组问题 —— 不要串行

  2. state 用对象形态 —— 直接丢业务原始数据

  3. noul 必写 instructions —— 只写 criteria 会报错

  4. choice 用对象、score 用数组 —— 类型别写反

  5. 阈值 + 置信度双闸门 —— 高强度才自动,低置信转人工

  6. 按问题 ID 取值 —— answers 键序是字典序

  7. legend / probabilities 按对象解析 —— 不是数组

  8. 保留人工兜底 —— 尤其医疗、金融、招聘等强合规场景

基于DSIFT多尺度图像融合的MATLAB代码 多尺度图像融合是一种常用的图像处理技术,它可以将具有不同尺度和空间频率特征的图像融合成一幅更具信息丰富度和视觉效果的图像。DSIFT算法是一种基于SIFT算法的改进版本,它在提取图像特征时采用了密集采样的方法,能够有效地提取图像的局部特征。多尺度图像融合基于DSIFT算法的思想,通过在不同尺度下提取图像的DSIFT特征,并将这些特征进行融合,得到最终的融合图像。然后,通过DSIFT算法提取了两幅图像的特征。通过运行上述代码,我们可以在MATLAB中实现基于DSIFT多尺度图像融合的算法,并观察到融合结果。 阅读详情

相关推荐

Voicebox本地部署:模型下载与离线模式实战指南

在本地语音处理场景中,模型下载失败和离线运行需求是开发者最常遇到的两大难题。理解语音工具的本地推理原理,关键在于掌握模型文件与程序逻辑的分离管理:模型独立下载,程序负责推理,输出留在本机。这种架构带来显著的技术价值——数据不出本地、不依赖公网、批量任务不中断。无论是语音识别转写、语音合成,还是集成到自动化脚本中,本地离线模式都能在隐私敏感或网络不稳定环境下稳定运行。对开发者而言,先解决模型文件的完整获取,再验证离线启动流程,就能绕过“无法下载模型”的常见坑。本文从环境准备、模型放置、服务启动到接口调用,提供

weixin_29048309的博客 312

微软技术日报 11-09:.NET 8 与 9 明日同时停止支持,注册表编辑器出了 WinUI 3 版

今天这四条消息的共同点是收口。.NET 8 和 9 的支持期到点,注册表编辑器的新界面只放在仓库里给人看,GitHub 把一类危险触发器按住默认,微软在安全报告里把防线从地址黑名单挪到行为。收口并不等于关门。.NET 10 还在支持期里,被按住的触发器可以用策略按文件放回来,实验室里的样例随时可能变成产品。区别在于这些动作要有人签字,不再是默认开着。如果今天只做一件事,去看一眼构建机上的 .NET 版本。明天之后,8 和 9 的漏洞补丁不会再来了。

海盗Sharp的博客 407

翻倍密码系统主图指标-行情买卖以及持股-翻倍密码买点-获利了结,通达信炒股软件指标公式

华森制药,上图案例走势,低位出现“开始潜伏”信号,进场红色K线持股待涨,进入“翻倍密码买点”,开启紫色K线的持续上涨,目前也达到了翻倍行情,还没出现“获利了结”的出场信号。这套操盘系统,即便出现信号没走出翻倍行情,也都是可以全身而退,获利出局,或者微微止损出场,并不代表每一个波段都能翻倍,但是走翻倍行情,你按照信号参与或持仓是不会错过的。用这个操盘系统操作,你也不需要天天的盘中看盘,不需要担心盘中的震荡,只要趋势不变,哪怕是偶尔出现跌停,也不影响行情的继续上涨,这都是上涨途中的正常调整。

weixin_69760830的博客 3682

AI驱动数据处理的安全边界:行业现状、风险权衡与本地化实践路径

本文基于第三方数据,分析AI用于数据处理的安全议题。大模型应用加速普及,但伴随数据出境、影子AI、幻觉与成本失控等风险。行业共识指向“脚本复用”路径:将分析逻辑本地化固化,实现数据可控、结果可复现、成本可降。产品如数以轻舟提供本地处理、多模型接入与一次付费永久使用方案。建议企业从数据落点、可控性、可复现性与合规性四维度评估选型,推动AI在安全边界内释放价值。

数据矿工-数据化运营博客 340

5分钟搞懂深度学习如何革新声源定位:从GCC-PHAT到DNN的实战对比

本文深入对比了深度学习与传统GCC-PHAT方法在声源定位领域的实战表现。通过具体实验数据,展示了DNN模型在强混响、低信噪比等复杂场景下,如何实现定位准确率的显著提升,并探讨了其数据驱动范式带来的鲁棒性优势与工程部署挑战。

3a9bq4r8t2y的博客 223

Android无线调试:adb tcpip连接实战指南

本文详细介绍了Android无线调试的完整流程,重点讲解如何使用adb tcpip命令通过Wi-Fi连接设备,摆脱数据线束缚。涵盖环境配置、连接实战、稳定性优化及常见问题排查,帮助开发者高效实现无线adb调试,提升工作效率。

pink的博客 724

微软技术周报 11-02~11-09:VS Code 混装 Claude 与 Codex、EF Core 11 静默改行为、.NET 11 倒计时

11 月 6 日,Power Platform 通过消息中心通知管理员,Copilot Studio、Power Automate 和 Power Apps 里所有跑在 Anthropic Claude、xAI Grok 以及旧版 GPT 上的 prompt,12 月 2 日自动迁移到 GPT-6 系列,档位价格不变,模型选择收窄到一条产品线。效果是这样的:让 Claude 评审一个 Copilot chat 写出的方案,或者把同样的任务交给 Codex,两边并排跑在同一个会话里。更要紧的是下周的时间线。

海盗Sharp的博客 1072

中兴交换机如何配置?有哪些常用的配置命令,本文值得收藏!

中兴交换机是一种常见的网络设备,用于构建和管理企业网络。它提供了丰富的功能和灵活的配置选项,使网络管理员能够根据特定需求进行定制化配置。本文将详细介绍中兴交换机的配置过程,包括登录、基本设置、VLAN配置、接口配置和安全配置等内容。

网络技术联盟站 1万+

MAI-Cyber-1 深度解析:微软首个网络安全专用模型

微软没有去做"更大的安全大模型",而是用一颗 137B 总参、仅 5B 激活的稀疏 MoE 专用模型,配上 90/10 的"小模型铺量、大模型兜底"路由,在 CyberGym 基准上拿到 95.95% 的同时把成本砍掉一半——这标志着 AI 安全从"通用模型加提示词"进入了"专用模型加系统工程"的时代。

Simple_Pure的博客 347

通信算法之249: DJI波形物理层

D-J-I的Lightbridge波形、Ocusync1波形、Ocusync2波形、Ocusync3波形,

leegang12的专栏 1445

【CANoe】CAPL_ECU上电后首帧报文发出时间检测

【CANoe】CAPL_ECU上电后首帧报文发出时间检测,通过CANoe I/O口检测电压实现

星Yeah 的博客 2512

微软技术日报 2026-11-14:Aion Instruct 接替 Phi Silica、1% 投毒与 SCKit 蠕虫

微软在 11 月 13 日公布了 Windows 本地语言模型的换代计划,Phi Silica 交棒给 Aion Instruct。同一周里,微软安全团队连发两项研究,证明训练环节掺进极少量数据就能让编码智能体执行攻击者的命令;微软威胁情报则拆解了一个借 ScreenConnect 反向打技术员的蠕虫工具包。Azure 这边,ARM 的 MCP 服务器从只读扩到了可写。下面按技术线逐条展开。

海盗Sharp的博客 360

【Windows Server 2019】活动目录 (Active Directory) ——将计算机加入域和脱离域

博文介绍了如何将计算机加入AD域和脱离AD域,包括加入域,验证客户机加入到域后的信息,使用域账户用户在客户机上登录,使用本地账户用户在计算机上登录,脱离域。

VMware, Windows, Linux, Cisco, Container, Kubernetes, Kali 6170

微软输入法标点乱跳解决方案

微软拼音输入法常因“中文输入时使用英文标点”开关被意外开启,导致标点自动切换为英文且快捷键失效。本文提供一键批处理脚本,通过修改注册表(HKCU\Software\Microsoft\InputMethod\Settings\CHS)强制锁定中文标点,覆盖多个相关键值,确保设置持久生效。相比手动操作,该方案可抵御更新、同步等导致的配置重置,提升稳定性。执行后需重启输入法或系统以使更改生效,建议提前备份注册表。

谙弆悕博士的技术博客! 400

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

微软2026年11月补丁星期二解析:1094个 CVE、Outlook 零日 CVE-2026-124194 与修复优先级

微软11月补丁星期二修复1094个 CVE,唯一在野利用的 Outlook 零日 CVE-2026-124194 只评为“中等”,修复随 Office 更新下发、不在 Windows 累积更新里。本文整理漏洞分布、严重级漏洞分类处置与三档修复优先级。

SplashtopLoki的博客 304

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

【第 008 讲】在终端中运行 Python 程序:交互模式与脚本模式 | 绝对路径与相对路径 | 以模块方式运行 | 常见报错的识别与排查

本文系统讲解在终端中运行 Python 程序的方式:从交互模式与脚本模式讲起,梳理绝对路径与相对路径的运行写法及 cd、dir 等命令的用法;进而讲解以模块方式运行的特点与字节码缓存的产生;最后通过路径、拼写、标点三类典型报错,帮助读者掌握读懂报错、定位并修复错误的排查思路。

大模型全栈工程师 · Thanks_ks 936

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

情感交互机器人融资,四川具身科技的「爱湫」登场

当前人形机器人的主流战场是工业、仓储、巡检这些「干活」的场景,而「爱湫」把重心放在了「陪伴」上——通过面部投影和情绪识别,让机器人和人之间多一层情感层面的交互。情感交互机器人的市场,其实一直存在,只是过去被「能干活」的主流叙事盖住了。它主推的产品「爱湫」,是一款主打情感交互的人形机器人,搭载 3D 投影面部技术,情感交互机器人的逻辑,是面向养老陪伴、文旅服务、展厅导览这类「不要求重体力、但要求互动感」的场景。真正的考验不在发布会,而在它能不能在真实的养老和陪伴场景里,被用户用起来、留下来。

jushenAGI的博客 310

微软技术日报 2026-11-15:Foundry 两模型今天退役、钓鱼冒用故障号与 Claude 默认开启

官方文档写明,Copilot、Researcher、Copilot Studio 与 Power Platform 里的 Claude 目前不在欧盟数据边界内,也不在部分国家的境内处理承诺范围内。因此欧盟、欧洲自由贸易联盟与英国的租户,Claude 的默认值一直是不对任何用户开放。微软此前的公告说明,Claude 在 Copilot 里的处理会在今年年底前迁移进欧盟数据边界,覆盖 Chat、Microsoft 365 应用内的 Copilot、Copilot Cowork 与 Copilot Code。

海盗Sharp的博客 642

微软 365 全球掉线复盘,Purview 数据治理退役,C++ 动态调试转正

把今天这几条放在一起,会看到一个共同的题目,系统的自动判断出错时,人还能不能兜住。故障那条是自动判断误判。健康检查本来的职责是把坏机器摘出去,这次它把还能用的机器也摘了,剩下的机器承接双倍压力,再被摘掉,容量一路缩减。微软的补救方向很说明问题,一边验证一套替代的健康检查方式,一边准备自动检测并重启无响应服务器的机制,等于在原来的判断链路上加第二道保险。脚本那条是校验从宽容变严格。旧文件在宽松的校验下一直能用,规则一收紧,一批历史遗留的编码问题同时浮出水面,而表象是「签名没了」。

海盗Sharp的博客 317

ActiveX调用WScript.Shell原理揭秘

##核心原理概述通过 ActiveX 调用的本质,是利用 Windows 组件对象模型(COM)技术,在支持脚本或宏的环境中实例化一个系统级的外壳对象,从而获得执行操作系统命令、操作文件系统及注册表的权限。这种机制常被用于自动化运维,但也因具备“本地提权”和“无文件执行”的特性,成为恶意代码(如 Office 宏病毒、CHM电子书攻击)的核心利用手段。

m0_66048236的博客 200

微软Copilot生态深度解析:从办公助手到超级应用的整合趋势与实战技巧

在人工智能技术飞速发展的今天,微软Copilot已成为连接用户与AI生产力的核心桥梁。虽然“copilot-analysis”这一特定仓库可能指向具体的分析脚本或文档,但从更宏观的视角来看,它代表了当前对微软Copilot生态系统的深度探索。Copilot不仅仅是一个聊天机器人,它已经深度嵌入到Excel、Word、GitHub等核心生产力工具中,甚至正在向“超级应用”演进。

wulechun的博客 175

孤能子视角:微软宕机是“极化”在数字基础设施层的显影——效率驱动下强关系集中到单一节点,弱关系备份被淘汰,可折返性丧失

(在以下的与AI互动中,在EIS理论约束下,DeepSeek叫信兄,Kim叫酷兄,我呢叫水兄。姑且当科幻小说看)【全美上班族陷入瘫痪,微软大宕机暴露数字办公的命门】(已由信兄整理成文)

水如烟 226

全球化筑基,AI 赋能新体验,openKylin 3.0 SP1 正式发布

本次版本更新以国际化为底座,围绕国际化体验、AI 融合、硬件生态、系统质量四大方向完成全面升级:新增阿拉伯语、朝鲜语、傣语等多语言支持;持续强化重点平台与关键外设适配能力,完善飞腾 D3000M、进迭时空 V100 等平台图形显示、网卡驱动、高性能计算等能力,进一步拓展 openKylin 在多架构、多设备场景下的兼容边界。围绕系统稳定性、硬件兼容性与用户体验持续迭代,累计完成 200 余项缺陷修复与细节优化,覆盖桌面交互、图形显示、设备管理等核心场景,推动系统更加稳定、流畅、易用。

openKylin的博客 281

微软技术日报 2026-11-11:补丁日 1093 个漏洞、Outlook 零日在野、.NET 11 正式发布

把这几条放在一起看,会发现它们指向同一个方向,留给维护的窗口在变短。补丁日一次一千多条、Azure Linux 一次四百多条 CVE 引用、ACL 把代码完整性做成可选审计再加一层默认镜像、.NET 把两个版本的支持期放在同一天结束,做的都是同一件事,把「以后再说」往后压。要做的事不算复杂。把对公网暴露的 Exchange 与 SharePoint 排进本周的窗口,Exchange 那条要预留重启时间;

海盗Sharp的博客 821

微软技术日报 11-10:.NET 11 今晚发布,.NET 8 与 9 同日停更,Copilot 连接器开写入

今天微软技术侧的重心全压在一个日期上。11 月 10 日既是 .NET Conf 2026 开幕、.NET 11 正式发布的日子,也是 .NET 8 与 .NET 9 终止支持的日子。同一个日期上,一条线开始,两条线结束。除了这条主线,还有三件事在这一两天落地。微软安全博客公布了一轮用智能体扫 Rust 标准库的研究,Copilot 连接器的写入能力转为正式可用,Windows 11 的统一应用更新页又在预览版里冒了头。

海盗Sharp的博客 992

Python+Agent入门笔记(六):记忆和状态,从“一次性问答”到“能用助手”

滑动窗口的缺点很明显:被扔掉的信息就真没了。如果用户第一轮说“我不吃辣”,隔了二十轮让他推荐餐厅,模型已经忘了。定期把旧的对话压缩成一段总结,作为一条特殊的消息插进去。"""把除 system 和最近 keep_recent 条以外的消息,压缩成一条摘要。返回新的 messages 列表。"""# 把旧消息拼成纯文本,让模型总结content = f"[工具结果]把除 system 和最近 keep_recent 条以外的消息,压缩成一条摘要。返回新的 messages 列表。

qq_41241612的博客 115
上一篇: Jev 模型国内使用完整教程:用 /v1/responses 接入 TypeSafe System One 决策模型
Sub2AI
博客等级 码龄1年 45粉丝 12原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值