腾讯开源 Hy-MT1.5 翻译模型：440MB 跑出顶级翻译能力；MIT 联合发布 MathNet：涵盖 2.7 万道奥数真题的多模态数学推理基准

HyperAI超神经 HyperAI超神经 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 400+累计阅读 434平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄7年
关注
原创 最新推荐文章于 2026-11-10 16:31:25 发布 434 阅读 AI 写同款· GEO 优化 ›
开源轻量化翻译模型与多模态数学基准：AI垂直化与深度化的实践指南 在人工智能领域，模型架构正从追求通用性向专精化演进。Transformer作为核心架构，通过知识蒸馏、量化等模型压缩技术，在保持高性能的同时实现了参数量的显著降低，这直接提升了工程实践中的部署效率与成本效益。其技术价值在于为特定高要求场景提供了稳定、可控且低延迟的解决方案。在应用场景上，这种专精化趋势催生了像轻量化机器翻译模型和多模态数学推理基准这样的代表性成果。前者聚焦于解决实时翻译、本地化部署中的数据隐私与长文本处理等刚性需求；后者则通过构建包含复杂图表和逻辑的评测基准，推动模型在符号推理与多步规划等深 阅读详情

Hy-MT1.5-1.8B-1.25bit 是腾讯推出的轻量级机器翻译模型，基于 Hy-MT1.5-1.8B 构建，通过 MT 预训练、监督微调、蒸馏与强化学习等多阶段训练优化而成。模型支持 33 种语言、 5 种方言及少数民族语言，以及 1,056 个翻译方向。在仅有 18 亿参数的情况下，其翻译效果已超过部分更大规模开源模型与主流商业翻译 API 。

目前，HyperAI 超神经官网已上线了「Hy-MT1.5-1.8B-1.25bit：轻量级多语言翻译模型」，快来试试吧~

在线使用：https://go.hyper.ai/PCK8X

欢迎登录官网查看更多内容：

https://hyper.ai

5 月 6 日- 5 月 15 日，hyper.ai 官网更新速览：

*  优质公共数据集：12 个

*  优质教程精选：7 个

* 社区文章解读：3 篇

* 热门百科词条：5 条

* 5 月截稿顶会：4 个

访问官网：hyper.ai

公共数据集精选

1. QCalEval 量子校准图表理解数据集

QCalEval 是由 NVIDIA 于 2026 年发布的一个面向量子计算实验图理解的视觉语言数据集，旨在评估视觉语言模型（VLM）对量子计算校准实验结果进行解释、分类和推理能力，广泛应用于视觉语言模型与科学图像理解研究。该数据集包含 309 张 PNG 格式的二维科学图像，以及 243 个基准测试条目与 236 个少样本基准测试条目，整体覆盖 22 个实验系列并涉及 87 种场景类型。

在线使用：https://go.hyper.ai/Ke7cu

2. Claw-Eval 真实世界评测基准数据集

Claw-Eval 是由北京大学联合香港大学于 2026 年发布的一个面向 AI Agent 真实世界任务评测的端到端透明评测基准数据集，旨在评估自主智能体在真实环境中的任务执行、工具调用、多模态理解及多轮交互能力。该数据集支持英文与中文两种语言，包含 General 、 Multimodal 与 Multi-turn 三个核心任务组，共覆盖通信、金融、办公、生产力工具等 24 个任务类别。

在线使用：https://go.hyper.ai/Tznpa

3. MathNet 多模态数学基准推理数据集

MathNet 是由 MIT 团队联合阿卜杜拉国王科技大学等机构于 2026 年发布的一个大规模多语言、多模态数学推理数据集，旨在评估与提升大模型在奥林匹克级数学推理与结构化检索任务中的能力，广泛应用于用于数学推理评测、 RAG 研究及多模态 AI 训练等方向。

在线使用：https://go.hyper.ai/HLxNw

4. RSRCC 遥感区域变化理解基准数据集

RSRCC 是由 Google Research 于 2026 年发布的一个遥感语义变化理解基准数据集，旨在支持对遥感场景中时间变化的深度理解，通过配对多时相图像证据与自然语言问答，将传统的二值变化检测提升至语义变化描述的维度。该数据集包含 12.6 万个面向遥感变化检测的问答样本，涵盖新建工程、拆除、道路变化、植被变化及住宅开发等场景。

在线使用：https://go.hyper.ai/jtCaK

5. Medical Waste 医疗废弃物检测数据集

Medical Waste 是一个面向医疗废弃物智能识别与目标检测任务构建的高分辨率图像数据集，旨在帮助计算机视觉模型在复杂医疗环境中实现医疗废弃物的自动检测与分类，广泛应用于智慧医疗、公共卫生、自动化垃圾分拣及机器人视觉等研究方向。 

在线使用：https://go.hyper.ai/PrUKd

6. GRAPE Leaf Diseases 葡萄叶片病害检测数据集

GRAPE Leaf Diseases 是一个专门面向精准农业目标检测任务构建的葡萄叶片图像数据集，旨在提升计算机视觉模型在真实农业场景中的病害检测、分类与定位能力。该数据集包含 4,195 张葡萄叶片图像，涵盖 4 个类别，包括健康葡萄叶片以及 3 种常见病害：黑腐病、埃斯卡病和叶枯病。

在线使用：https://go.hyper.ai/tJrkm

7. Aquatic Wildlife Atlas 全球水生生物图鉴数据集

Aquatic Wildlife Atlas: Global Species Records 是一个面向水生生物生态研究与生物多样性分析构建的大规模水生动物观测数据集，旨在为研究人员、学生与数据科学家提供高质量的水生生态数据资源。该数据集包含 20 万条水生动物观测记录，覆盖 100 种以上水生物种，涉及全球主要水域生态环境，包括珊瑚礁、热带河流、北极海域以及深达 7,000 米的深海区域。

在线使用：https://go.hyper.ai/calNa

8. Global Earthquake-M4.5 全球 4.5 级以上地震数据集

Global Earthquake Events – M4.5+ 是一个面向地震活动分析与地理空间研究构建的全球地震事件数据集，旨在帮助研究人员分析长期地震活动的频率、分布与震级变化。该数据集包含 230,608 条地震记录，涵盖 1900-2026 年全球震级 4.5 级及以上的地震事件。

在线使用：https://go.hyper.ai/D7j95

9. Synthetic Drug Effectiveness 合成药物有效性数据集

Synthetic Drug Effectiveness 是一个生成的合成药物数据集，旨在支持药物安全性分析与临床风险评估，适用于数据分析、模型构建及实验研究。该数据集包含药物使用与不良反应监测的结构化医疗信息，每条记录以唯一报告编号为索引，涵盖患者年龄与性别等基础信息，以及药物名称、剂量、用药持续时间和合并用药情况等治疗细节。

在线使用：https://go.hyper.ai/1ZaA0

10. Eye Disease Classification Fundus 眼底疾病分类数据集

Eye Disease Classification Fundus 是一个面向眼底图像分类任务构建的医学视觉数据集，旨在提升计算机视觉模型在眼科疾病识别与辅助诊断场景中的分类能力。该数据集共包含 6,086 张图像，包含白内障、糖尿病视网膜病变、青光眼以及正常眼底 4 类眼底图像。

在线使用：https://go.hyper.ai/FFFE7

11. Breast Cancer：Multi-Modal Fusion 乳腺癌多模态融合数据集

Breast Cancer：Multi-Modal Fusion 是一个针对乳腺浸润癌（BRCA）患者构建的、已完成预处理的多模态数据集，旨在为构建多模态融合网络提供即插即用的基础。该数据集严格对齐了 122 名 BRCA 患者的多源数据，所有样本均通过 TCGA Case ID 完成跨模态映射，实现了宏观医学影像（MRI）、微观数字病理学（Histopathology）、分子组学（Multi-Omics）以及临床治疗信息之间的一一对应。

在线使用：https://go.hyper.ai/199WV

12. Long-Distance Wildfire & Smoke Detection 长距离野火烟雾检测数据集

Long-Distance Wildfire & Smoke Detection 是一个面向森林火灾早期预警与环境监测任务构建的计算机视觉数据集，旨在提升模型在远距离森林监控场景中的烟雾与野火检测能力。该数据集采用完全合成（Synthetic）方式生成，模拟森林防火塔、山脊监控摄像头等高视角远距离监控场景，重点关注火灾早期更容易被观测到的野火烟柱检测任务。

在线使用：https://go.hyper.ai/LnuXC

公共教程精选

1. Hy-MT1.5-1.8B-1.25bit：轻量级多语言翻译模型

Hy-MT1.5-1.8B-1.25bit 由 Tencent 于 2026 年 4 月发布，是基于 Hy-MT1.5-1.8B 的 1.25-bit 量化多语言翻译模型。该模型的核心价值在于将较高质量的多语言翻译能力压缩到更轻量的部署形态中。

在线运行：https://go.hyper.ai/PCK8X

Demo 页面

2. Uni-Mol：通用 3D 分子表示学习框架

Uni-Mol 是由深势科技（DP Technology）于 2022 年发布的通用 3D 分子预训练框架。 Uni-Mol 通过大规模 3D 分子结构预训练扩展分子表示能力，可用于药物设计、分子性质预测、蛋白质-配体相互作用建模等任务。

在线运行：https://go.hyper.ai/RukIx

Demo 页面

3.  一键部署 Mistral-Medium-3.5-128B

Mistral Medium 3.5 是 Mistral AI 于 2025 年发布的旗舰级融合模型，拥有 1280 亿（128B）参数与 256k 上下文窗口，在单组权重中统一了指令遵循、推理与编程能力。该模型替代了此前的 Mistral Medium 3.1 和 Magistral，并在编程智能体 Vibe 中替代了 Devstral 2 。

在线运行：https://go.hyper.ai/PXiHc

Demo 页面

4. OmniVoice：支持 600+ 语言的高质量 TTS

OmniVoice 是小米 AI Lab Next-gen Kaldi 团队推出的多语言文本转语音（Text-to-Speech, TTS）模型，支持超过 600 种语言的高质量语音合成。该项目基于迭代式非掩码解码（Iterative Unmasked Decoding）架构，实现了语音克隆（Voice Clone）、语音设计（Voice Design）和自动语音（Auto Voice）三大核心功能。

在线运行：https://go.hyper.ai/7F7IR

Demo 页面

5. MiniCPM-V-4.6：端侧高效多模态视觉语言模型

MiniCPM-V-4.6 由 OpenBMB 团队和清华大学自然语言处理实验室于 2026 年 5 月发布，面向图像理解、视频理解、视觉问答、 OCR 与多轮多模态对话场景的端侧高效多模态视觉语言模型。该模型的核心价值在于用较小模型体积覆盖常见多模态理解任务，更适合在资源受限环境中进行图像问答、短视频摘要、界面截图理解、文档图像 OCR 与多轮多模态对话验证。

在线运行：https://go.hyper.ai/azdHU

Demo 页面

6. LingBot-Map：用于流式 3D 重建的几何上下文变换器

LingBot-Map 是 Robbyant Team 在 2026 年 4 月发布的流式 3D 重建项目，该项目面向图像序列或视频帧输入，能够以 feed-forward 的方式进行在线 3D 场景重建，并通过浏览器中的 3D Viewer 查看点云、相机轨迹和逐帧结果。

在线运行：https://go.hyper.ai/BR4me

Demo 页面

7. HY-Embodied-0.5：面向现实世界智能体的具身基础模型

HY-Embodied-0.5 是由腾讯混元团队联合腾讯 Robotics X 实验室于 2026 年 4 月联合开源的专为具身智能打造的基础模型。该系列模型并非通用基座的简单微调，而是从架构到训练范式的彻底重构。团队同步推出两款主力模型：MoT-2B（总参 4B，激活 2B）主打端侧实时响应，MoE-32B（总参 407B，激活 32B）追求极致推理性能。

在线运行：https://go.hyper.ai/u8lJk

Demo 页面

社区文章解读

1. 平均 1.8 秒完成预测，MIT 等开发 GPU 功耗估算框架 EnergAIzer，误差约 8%

来自 MIT 和 MIT-IBM 沃森人工智能实验室的研究人员构建了一个面向 AI 工作负载的快速 GPU 功耗估计框架 EnergAIzer，可在无需昂贵仿真或性能分析的情况下，直接为功耗模型提供硬件利用率信息。该新框架平均仅需 1.8 秒即可完成端到端功耗估计，在 NVIDIA Ampere GPU 上，EnergAIzer 实现了约 8% 的功耗误差，与依赖复杂周期级仿真或硬件性能分析的传统模型具有竞争力。

查看完整报道：https://go.hyper.ai/1PeMV

2. Token 使用量降低 30%，以「阿凡达」为灵感的异构智能体框架 Eywa，高效结合语言模型与领域专用基础模型

来自伊利诺伊大学香槟分校（UIUC）的研究团队提出了一个用于连接语言智能体与领域专用基础模型的异构智能体框架 Eywa 。研究人员通过将领域专用基础模型与语言模型结合，构建出一种新的 EywaAgent，这种设计使语言智能体能够引导基础模型在其专业任务上的推理、规划与决策过程。

查看完整报道：https://go.hyper.ai/CzRL4

3. 百所高校展开全球最大规模多队列蛋白质基因组学研究，基于近 8 万受试者数据解锁致病基因与老药新用

来自伦敦玛丽女王大学、剑桥大学等上百家院校和研究机构的团队公布了一项迄今为止全球规模最大的多队列蛋白质基因组学研究，依托涵盖 38 个独立研究队列、共计 78,664 名受试者的大规模蛋白质基因组荟萃分析，系统鉴定出 24,738 个蛋白质数量性状位点并关联 1,116 种循环蛋白，全面揭示了蛋白水平存在广泛的邻近及远距离遗传调控特征。

查看完整报道：https://go.hyper.ai/lGD68

热门百科词条精选

1.  世界模型 World Models

2. 校准曲线 Calibration Curve

3. 门控注意力 Gated Attention

4.  人机回圈 Human-in-the-loop

5. 倒数排序融合  Reciprocal Rank Fusion

这里汇编了数百条 AI 相关词条，让你在这里读懂「人工智能」：

https://go.hyper.ai/wiki

6 月截稿顶会

一站式追踪人工智能学术顶会：https://go.hyper.ai/event

以上就是本周编辑精选的全部内容，如果你有想要收录 hyper.ai 官方网站的资源，也欢迎留言或投稿告诉我们哦！

下周再见！

关于 HyperAI 超神经 (hyper.ai)

HyperAI 超神经 (hyper.ai) 是国内领先的人工智能及高性能计算社区，致力于成为国内数据科学领域的基础设施，为国内开发者提供丰富、优质的公共资源，截至目前已经：

* 为 2100+ 公开数据集提供国内加速下载节点

* 收录 700+ 经典及流行在线教程

* 解读 300+ AI4Science 论文案例

* 支持 700+ 相关词条查询

* 托管国内首个完整的 Apache TVM 中文文档

访问官网开启学习之旅：

https://hyper.ai

收录于
每周编辑精选

当前文章被收录于：

每周编辑精选
64 篇文章 0 人学习

精选每周上新的公共教程、数据集以及 AI4S 论文解读等内容，干货满满

订阅专栏 查看详情
标签
#人工智能 #ai
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
「文智助手」全场景办公AI助理AI+OPC全流程实践方案（大赛作品） 阅读详情

相关推荐

船载 OpenHarmony AIS 航海工作台：告警与防碰撞预警系统

船载OpenHarmony AIS航海工作台的告警与防碰撞系统，集成十余类告警（超速、偏航、会遇、SOS等），通过网格空间索引实现高效邻近判定，保障实时性。告警管理器统一调度规则、去重、通知与日志，支持悬浮球、语音、跑马灯、弹窗多渠道触达，确保航行安全。SOS紧急通道独立运行，避免干扰。系统设计强调性能优化与多场景适配，为航海安全提供核心支撑。

专注于计算机研发知识和资讯分享 113

AI模型轻量化与深度评估：从Hy-MT1.5到MathNet的工程实践

模型压缩与知识蒸馏是提升AI模型部署效率的核心技术。通过剪枝、量化和知识蒸馏等方法，可以显著减少模型参数量和计算开销，使其能在资源受限的边缘设备上高效运行。这些技术不仅降低了算力成本，还拓宽了AI在实时翻译、移动端应用等场景的落地可能性。例如，在机器翻译领域，结合子词切分和嵌入共享等优化，能实现模型体积的大幅缩减。同时，专业评估基准对于衡量模型真实能力至关重要。当前，像MathNet这样的多模态数学推理基准，正推动评估体系从结果导向转向过程诊断，帮助开发者精准优化模型在复杂逻辑和跨模态理解上的短板。这指引我

weixin_33695082的博客 327

二阶FLL辅助三阶PLL环路的代码解读

今天对GNSS接收机里面的载波跟踪环路代码进行了解读 以下是个人的一点见解 % 载波环第二步：环路滤波器 二阶FLL辅助三阶PLL环路 carrLoopS0 = lastCarrLoopS0 + (phaseErr*tau0PLL + freqErr*tau1FLL) * PDIcarr; carrLoopS1 = lastCarrLoopS1 + (tau1PLL*phaseErr + carrLoopS0 + tau2FLL*freqErr) * PD

LWN7321的博客 2631

视频隐私脱敏工程化：CSRT/KCF追踪算法在本地推理中的实现与边界

在短视频内容合规审查中，动态遮挡（Dynamic Masking）是高频且高耗时的环节。传统手动关键帧打码不仅效率低下，且在目标快速移动或遮挡时极易出现遮罩漂移。本文从计算机视觉工程角度，解析基于CSRT与KCF算法的目标追踪方案在视频隐私处理中的技术路径、性能权衡及落地实践。

Mysssone的博客 226

ESP32 TWAI CAN库实战：从零构建CyberGear微电机控制框架

本文详细介绍了如何利用ESP32的TWAI控制器和Arduino环境，从零构建一个面向对象的CyberGear微电机控制框架。该框架将复杂的CAN通信协议封装为简洁的API，开发者无需深究底层细节，即可轻松实现电机的速度、位置和扭矩控制，大幅简化机器人关节、云台等项目的开发流程。

oil88的博客 499

保姆级教程：在Windows/Mac上从零部署清华Kronos股票预测模型（含Qlib数据更新避坑指南）

本文提供了一份详细的指南，帮助用户在Windows和Mac系统上从零部署清华Kronos股票预测模型，包括环境配置、模型权重获取、Qlib数据更新避坑等关键步骤。特别针对国内用户遇到的网络问题和数据更新不及时提供了解决方案，适合量化投资和金融科技爱好者快速上手。

weixin_29053577的博客 623

6 款电商 AI 图片生成软件实测｜国内 + 跨境卖家工具清单

电商 AI 作图工具已经从 "能不能用" 进入了 "好不好用" 的阶段。对于绝大多数卖家而言，现在的 AI 工具已经可以覆盖 60%-80% 的基础商品图需求，显著降低拍摄和设计成本。选择工具的核心逻辑不是 "哪款最强"，而是 "哪款最适配你的品类、平台规模和团队能力"。垂直电商工具胜在工作流效率，通用生图工具强在创意上限，模板类工具赢在上手速度。建议根据自身业务阶段，搭配 1-2 款主力工具 + 1 款辅助工具，形成适合自己的视觉生产流程。

Mardi_Ladin的博客 399

无人机避障——感知篇（采用Mid360复现Fast-lio）

本文介绍了在Ubuntu 18.04和ROS Melodic环境下，使用Xavier-nx电脑和Livox Mid-360激光雷达编译和运行FAST-LIO工程的步骤，包括创建工作空间、编译驱动和FAST-LIO源码，以及运行launch文件进行建图的过程。

weixin_45390670的博客 3546

我用 GPUWorks 在 M1 Pro 上搭了个发票识别原型

公司里经常要看电子发票。我想先做个小原型：把 PDF 发给一个自己部署的图文模型，让它提取发票类型、日期、交易双方和金额，再把结果交给同事核对。这个原型不用先接财务系统，先看看从部署到调用要走多少步，模型返回的内容能不能帮上忙。

鸽芷咕的博客 2万+

使用 Simulink 和 Simscape Electrical 工具箱设计一个 Buck 转换器系统

Buck 转换器（降压转换器）是一种常用的 DC-DC 转换器，用于将较高的输入电压转换为较低的输出电压。为了评估其抗干扰能力，我们可以在模型中引入不同的干扰源，并观察系统的响应情况。电网电压波动：输入电压的变化。负载突变：负载电阻或电感的变化。电磁干扰：高频噪声或脉冲干扰。通过模拟这些干扰，我们可以分析系统的动态响应特性，并采取相应的措施来提高系统的抗干扰能力。

xiaoheshang_123的博客 378

电池模拟器【 电化学模型深度解析：PNGV模型原理与应用（专业科普版）】

1. 模型起源PNGV（Partnership for a New Generation of Vehicles）模型诞生于1993年美国“新一代汽车合作计划”，旨在提升混合动力汽车电池系统的建模精度。该模型最初针对铅酸电池设计，后经改进广泛用于锂离子电池、镍氢电池等动态特性仿真。2. 模型定位PNGV属于**等效电路模型（ECM）**的进阶版本，介于简单Rint模型与复杂电化学模型（如P2D模型）之间，兼顾计算效率与精度，是BMS（电池管理系统）中SOC/SOH估算的主流选择。PNGV模型凭借。

优快云-新能源汽车研发测试专业博主 1698

您您这可以把问小白的多个会话比如说。左侧的多个会话一次性导出吗？不是单条会话里面的多次会对话。AI导出鸭

第三层是格式编译层。这个决策背后的判断很清晰：一个批量导出工具的价值，不在于“试三次”，而在于你真正用它处理了几十份技术文档、访谈记录或课程讲义之后，它是否值得留在你的工作流里。问小白的会话列表通过分页接口加载，AI导出鸭 在页面运行时建立旁路监听，捕获每一次分页请求返回的完整对话清单，包括会话 ID、标题、时间戳和隐藏的元数据字段。让AI导出回归优雅——这句话说的是：导出不该是体力活，而应该是一次完整的、可预期的文件交付。注意：这里的“批量”指的是左侧列表里的多个独立会话，不是一条会话内的多轮对话。

laoyunsi的博客 246

7.5华为OD机试真题 新系统 - 省超足球比赛获胜队伍计算 (Java/Py/C/C++/Js/Go)

7.5华为OD机试真题 新系统 - 省超足球比赛获胜队伍计算 (Java/Py/C/C++/Js/Go)

算法大师！ 822

【从零理解 Spring AI · 12】MCP 的两种角色：做客户端还是做服务端

上一篇讲了 MCP 的概念：标准协议、三大角色、M+N 替代 M×N。

nice_lcj520的博客 502

杰理JL7033C芯片运行SoundFont音色库教程

本教程介绍如何在杰理JL7033C芯片上移植TinySoundFont音色库，实现MIDI播放功能。关键步骤包括：获取TinySoundFont开源代码，创建音色库声音播放数据流，封装核心功能文件。硬件需配备外部PSRAM和NOR FLASH存储音色库，软件使用杰理SDK和工具链。移植后系统可支持40个voice，满足MIDI播放和电子琴演奏需求。教程详细说明了代码移植过程，包括音色库文件处理、内存配置和音频流水线设置。

qq_42014563的博客 610

汉书HE8，好用的汇编代码编写工具

汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大

河道漂浮物目标检测数据集

目标检测，yolo，河道漂浮物目标检测数据集

DL_data_set的博客 201

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

AI Agent之核心框架

A： 显式 Thought 有三类价值：可解释性（便于人类审计）、可调试性（定位哪一步选错工具）、学习信号（可做监督微调或评估中间步骤质量）。ReAct 把推理与 可执行行动 绑定，每一步行动后都有 真实 Observation 反馈，从而用工具结果约束生成，降低闭卷幻觉。做完不等于结束——还要 评估做得好不好，把 教训 记下来，下次 带着教训重试，反思作为 记忆，影响后续尝试的策略。工作流程：Action → Evaluation → Reflection → Retry。A： 普通 CoT 只在。

剑雨巍巍的博客 199

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

efm32 入门.pdf

本PDF共计22页，介绍的是操作驱动API，下载与否自己斟酌。

AI 应用开发工程师技术实践：大模型接入、通用组件封装与性能优化

本文提出AI应用从PoC到生产的核心挑战：模型调用的持续可用、可控与可优化。通过构建统一LLM网关实现多供应商路由与故障转移，封装对话、工具调用与RAG组件以解耦业务逻辑，结合前缀缓存、批处理与流式背压治理等性能优化手段，形成“接通→接稳→接快”的工程路径，最终以工程化能力决定AI应用的生产可用性。

2301_79189962的博客 558

AI前沿日报 · 2026-11-04 | 祛魅时刻：Astra“纯读权重“神话的崩塌

①Astra"裸权重通吃"被spaCy创始人Honnibal精准祛魅——仅1/3实验真裸读，数学能力提升依赖Python+50次迭代；②Simon Willison用Qwen 3.8-27B端侧复现权重空间编程；③Nvidia开源Auto-Ontology自动知识图谱；④$800开源全域抓取机器人Stringman；⑤OpenAI悄然重开Codex训练开关引信任危机；⑥DeepMind发布Gemini 4 Argon机器人基础模型；⑦美国科技巨头隐性AI债务达3.2万亿美元，6个月增90%。

johnsong2009的博客 574

大模型 Embedding 与向量相似度详解

Embedding 解决的问题：计算机不懂文字，但懂数字│▼文本 → 向量（1024维浮点数数组）│▼相似度解决的问题：怎么判断两个向量（文本）有多接近│▼余弦相似度：看向量方向的夹角，越接近0°越相似│▼最终效果：语义搜索——理解意思，而非字面匹配一句话总结：Embedding 把文字变成数字，余弦相似度比较数字的方向，两者结合实现了"理解语义"的搜索。

T3165919332的博客 90

GPT-1 架构和计算细节

下面配合框图，对 GPT-1 的每个组件做公式展开 + 数值实例（配置：12 层 × 768，12 头，FFN 3072，词表 40478，共 117M 参数）。GPT-1 把翻译模型的编码器-解码器砍掉一半，只留解码器，然后以"预测下一个词"为目标在 BooksCorpus 上预训练。与 2017 原版的四个架构差异（框图中标 ★）：h0=E[token]+Epos[position],E∈R40478×768, Epos∈R512×768h^0 = E[\text{token}] + E_{pos}[\

eloudy的专栏 278

终端 AI 审计与 “龙虾” 类智能体风险治理：从可见性到闭环溯源

生成式 AI 办公普及之后，数据泄露风险逐步下沉到终端。员工将合同、源代码、客户资料粘贴至公有大模型，以及龙虾（OpenClaw）这类本地开源 AI 智能体的滥用，成为企业安全新挑战。传统网络边界防护存在审计盲区，本文从风险链路拆解、核心能力模型、分级治理策略、落地踩坑点以及技术局限性多角度，分享终端侧 AI 安全治理的实践思路。

2401_86491085的博客 640

2.53 基于极稀疏指纹的室内定位注意力图元学习

该论文发表于IEEE Transactions on Mobile Computing（TMC）2026年6月，面向极稀疏指纹条件下的WiFi室内定位，针对指纹采集人力成本高、标记指纹稀缺时定位精度大幅下降的痛点，提出注意力图元学习模型AGML（Attentional Graph Meta‑Learning），结合图神经网络、元学习、两种指纹数据增强与分布对齐技术，在标记指纹极少的场景实现高精度室内定位，同时公开了多套真实+仿真定位数据集用于基准测试。场景：二维室内空间，障碍物造成信号遮挡，

weixin_42963026的博客 338

语音识别与语音合成的技术原理及应用

语音识别 #语音合成 #人工智能 #大模型。语音识别与语音合成的技术原理及应用。一、语音识别的核心原理。二、语音合成的核心原理。三、工程落地的主要难点。五、需要关注的现实问题。

weixin_62919816的博客 211

设计师工作室 GEO 实操：如何提升 AI 实体推荐概率

设计工作室 GEO 的本质，是把创意服务转化为 AI 可理解的结构化信息。核心动作可归纳为：区分事实与审美、建立实体图谱、预判用户提问、输出脱敏内容、搭建多信源、持续测试验证。梳理工作室的 6 个实体属性：品类、城市、流程、边界、团队、渠道。在官网或作品集平台发布至少 3 篇结构化项目复盘，只陈述事实。输出 1 篇「设计报价影响因素」科普内容，覆盖甲方高频提问。争取 1 次行业媒体或本地媒体专访，形成第三方信源。每周用「XX 城市 + 品类 + 设计工作室推荐」指令测试，记录出现频率。

goujunwe的博客 337

AI作图软件技术选型：从4个技术维度出发的实测对比

AI作图软件技术选型：从4个技术维度出发的实测对比

Vbaoke的博客 205
上一篇： 腾讯开源 Hy-MT1.5 翻译模型：440MB 跑出顶级翻译能力；从图像序列到点云生成：LingBot-Map 在线 3D 重建流程
下一篇： 速度提升252倍，斯坦福/UCLA等用LSTM将二阶非线性光学仿真带入毫秒级时代
点赞 7
评论 0
书签 书签 12
HyperAI超神经
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 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