ICML 26杰出论文：清华JustGRPO攻克dLLM推理瓶颈；告别简单指令测试：Agents Last Exam 全面评估智能体长程专业能力

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 200+累计阅读 224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 2026-07-13 14:57:07 224 阅读 AI 写同款· GEO 优化 ›
「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

在最新揭晓的 ICML 26 中，清华大学团队的研究斩获了 Outstanding Paper Award（杰出论文奖）。

该研究聚焦于扩散语言模型（dLLM），尽管 dLLM 凭借无序生成与并行解码特性在自然语言处理领域大放异彩，但团队指出，该机制在处理数学和编程等一般推理任务时存在「灵活性陷阱（Flexibility Trap）」：无序生成会促使模型绕开高不确定性的逻辑词，从而限制了其推理潜力。

为此，团队提出 JustGRPO 模型。该方案摒弃了复杂的特定强化学习适配，在训练期直接引入自回归（AR）顺序与标准 GRPO 算法，并在推理期保留 dLLM 的并行解码优势。这种极简设计有效释放了模型的推理潜力，在 GSM8K 基准测试中取得了 89.1% 的准确率。

目前，HyperAI超神经官网已上线了「JustGRPO：用标准 GRPO 解锁扩散语言模型推理能力」，快来试试吧~

论文题目：The Flexibility Trap: Rethinking the Value of Arbitrary Order in Diffusion Language Models

论文链接：The Flexibility Trap: Why Arbitrary Order Limits Reasoning Potential in Diffusion Language Models | Papers | HyperAI

在线使用：JustGRPO: Unlocking Reasoning Capabilities of Diffusion Language Models With Standard GRPO | Notebooks | HyperAI

欢迎登录官网查看更多内容：

HyperAI

7 月 04 日- 7 月 10 日，hyper.ai 官网更新速览：

* 优质公共数据集：10 个

* 优质教程精选：9 个

* 社区文章解读：1 篇

* 热门百科词条：5 条

* 7 月截稿顶会：3 个

访问官网：hyper.ai

公共数据集精选

1. Agents Last Exam 智能体长周期任务数据集

Agents Last Exam 是一个专注于评估计算机智能体在长周期专业工作中表现的任务数据集，旨在为智能体评估提供结构化描述，该数据集包含 Agents Last Exam（ALE）基准测试中的 153 个任务信息，涵盖任务标题、摘要、分类体系、完整指令提示词、必做动作清单、预期软件及输入文件描述符等数据。

在线使用：Agents Last Exam Dataset (long-term Task Dataset for Intelligent Agents) | Datasets | HyperAI

2. WGO-Bench 机器人视频基准数据集

WGO-Bench 是由 Macrodata_Labs 发布的机器人视频基准数据集，旨在评估视觉语言模型将机器人及第一人称操作视频转换为带时间戳的子任务标注的能力。该数据集主要面向边界检测与子任务标注两项任务，标注标签侧重于描述视频片段中可见的完整操作事件与状态变化。

在线使用：https://go.hyper.ai/TPr8O

3. RedlineBench 法律合同谈判基准数据集

RedlineBench 是由 Crosby 于 2026 年发布的法律合同谈判评估基准数据集，旨在衡量 AI 智能体在真实商业交易场景下的红笔批注与谈判决策能力。该数据集包含 140 个可运行的 Harbor 任务，覆盖 3 个多轮谈判场景，每个场景分为 4 个交替回合。

在线使用：RedlineBench Legal Contract Negotiation Benchmark Dataset | Datasets | HyperAI

4. FIFA World Cup 2026 世界杯比赛数据集

FIFA World Cup 2026 是一个面向足球数据分析与机器学习建模的世界杯 2026 比赛数据集，旨在支持深度足球情报分析、统计建模与机器学习预测任务。该数据集包含结构化的比赛数据、球员数据以及球队数据三大核心部分，覆盖比赛级、球员级与球队级的多维统计信息。

在线使用：FIFA World Cup 2026 Match Dataset | Datasets | HyperAI

5. OmniVideo-100K 音视频推理指令数据集

OmniVideo-100K 是由南京大学联合中国科学院自动化研究所于 2026 年 6 月发布的一个针对多模态大语言模型进行指令微调的音视频推理数据集，旨在提升模型在长时程时序与跨模态依赖上的协同能力。该数据集包含源自 5,214 个 YouTube 视频的 100k 个问答对，涵盖 10 类音视频问答任务，分为对齐、理解与推理三个认知层级。

在线使用：OmniVideo-100K Audio and Video Inference Command Dataset | Datasets | HyperAI

数据集示例

6. Nemotron-SFT-SWE-v3 指令微调数据集

Nemotron-SFT-SWE-v3 是由 NVIDIA 于 2026 年发布的一个软件工程指令微调数据集，旨在提升大语言模型在 SWE-Bench 风格任务中的代码理解与修复能力。该数据集包含 237,970 条样本，数据来源于使用 OpenHands 、 SWE-agent 和 mini-SWE-agent 等多种代理框架收集的 agent 轨迹，并通过自动化与合成的方式进行采集与标注。

在线使用：HyperAI

7. Open-SWE-Traces 智能体指令微调数据集

Open-SWE-Traces 是由 NVIDIA 于 2026 年发布的一个面向大语言模型智能体指令微调的数据集，旨在提升模型在软件工程领域的代码修复与多步工具调用能力。该数据集包含 207,489 条智能体交互轨迹，基于 Minimax-M2.5 与 Qwen3.5-122B-A10B 算法合成，使用 SWE-agent 与 OpenHands 框架收集，覆盖多种编程语言。

在线使用：https://go.hyper.ai/WckNP

8. RadImageNet-VQA 医学影像视觉问答数据集

RadImageNet-VQA 是一个用于放射学视觉问答（VQA）任务的大规模医学数据集，旨在提升医学多模态模型在 CT / MRI 影像中的视觉理解与问答推理能力，广泛应用于医学视觉问答任务、放射影像分析模型训练与评测、以及多模态医疗AI研究与应用开发。

在线使用：HyperAI

9. AgentWorldBench 语言世界模型基准数据集

AgentWorldBench 是由 Qwen 于 2026 年发布的一个语言世界模型综合评估基准数据集，旨在评测语言世界模型的环境建模与推理能力。该数据集包含 2,170 条样本数据，平均交互轮次 22.8 轮，基于 Tool Decathlon 、 Terminal-Bench 1.0 / 2.0 和 OSWorld-Verified 等主流基准中的真实世界模型轨迹构建。

在线使用：AgentWorldBench Language World Model Benchmark Dataset | Datasets | HyperAI

10. GeneBench-Pro Public Package 基因案例基准数据集

GeneBench-Pro Public Package 是由 OpenAI 发布的公开基因分析基准评测数据集，旨在为人工智能代理（AI Agents）在基因与生物医学领域提供可复现的科研案例研究评估环境。 该数据集包含 10 个面向基因组学与生物信息学领域的独立问题案例，覆盖统计遗传学、临床基因组学、群体遗传学、单细胞分析、三维基因组学及功能基因组学等领域。

在线使用：https://go.hyper.ai/qd9PF

公共教程精选

1. JustGRPO：用标准 GRPO 解锁扩散语言模型推理能力

JustGRPO 模型是由清华大学 LeapLab 团队于 2026 年 1 月发布，其核心特点与创新点为：一种极简的强化学习方法，在训练时将扩散语言模型（Diffusion LLM）当作标准自回归模型，直接应用 Group Relative Policy Optimization（GRPO），无需轨迹近似、无需边际似然估计、无需任何扩散专用适配，即可达到 SOTA 推理性能（GSM8K 89.1%）。 

在线运行：https://go.hyper.ai/c1a0C

Demo 页面

2. 冠心病预测：基于弗雷明汉数据集

Framingham 是由美国国家心肺血液研究所于 1948 年 9 月发布的心脏病研究数据集，构建了多个机器学习分类模型来预测个体在未来 10 年内罹患冠心病（Coronary Heart Disease，CHD）的风险。项目完整覆盖了数据清洗、探索性数据分析、特征工程、类别不平衡处理、超参数调优和集成学习等关键步骤。

在线运行：https://go.hyper.ai/tMRDG

相关性分析

3. 遗传算法入门教程：基于自然选择的全局优化算法

遗传算法（Genetic Algorithm，GA）是一种受达尔文自然选择理论启发的优化算法。它模拟生物进化过程中的选择、交叉和变异等机制，在搜索空间中高效地寻找最优解。教程以通俗易懂的方式介绍了遗传算法的核心概念，并以 Sphere 函数优化为例，逐步演示了完整的 GA 流程。

在线运行：https://go.hyper.ai/Bm7Pr

收敛曲线

4. Higgs Audio v3 TTS：对话式多语言语音合成模型

Higgs Audio v3 TTS 由 Boson AI 于 2026 年 6 月发布，是一款面向语音对话（Voice Agent）场景的对话式文本转语音模型。它基于约 4B 参数的自回归解码器，通过 Higgs Tokenizer 将语音编码为 8 个 codebook、25 fps 的离散音频 token，并以 24 kHz 采样率还原波形。模型支持 100+ 语言的零样本合成，可直接进行零样本声音克隆，并通过内联控制标签对情绪、风格、韵律、停顿与音效进行精细控制。

在线运行：https://go.hyper.ai/Sj9mk

Demo 页面

5. 在 Shakespeare 数据集上用 nanoGPT 微调 GPT

nanoGPT Shakespeare 是基于 Andrej Karpathy 于 2023 年 1 月发布的 nanoGPT 项目构建的莎士比亚风格文本生成框架：它以 OpenAI 于 2019 年 2 月发布的 GPT-2（124M）为预训练基础，引入 Transformer 微调策略，可在消费级 GPU 上快速训练并生成具有莎士比亚风格的文本。

在线运行：https://go.hyper.ai/iqcyS

6. Segmentation-3.0：「Powerset」多说话人分割模型

Segmentation-3.0 由 pyannote 团队 于 2023 年 9 月发布，是一个基于 pyannote.audio 3.0.0 训练的轻量级 powerset speaker segmentation 模型，主要用于帧级别的语音分析任务。该模型接收 10 秒、16kHz、单声道音频 作为输入，并输出一个 多说话人分类矩阵。模型基于 PyanNet 架构，由 SincNet、LSTM 和 Linear 线性层 组成，参数量约为 1.47M。

在线运行：https://go.hyper.ai/rXNuo

Demo 页面

7. Qwythos-9B-Claude-Mythos-5-1M GGUF 推理部署

Qwythos-9B-Claude-Mythos-5-1M 是由 Empero 于 2026 年 6 月开发的推理型大语言模型，基于 Qwen3.5-9B 进行全参数后训练。该模型具备增强的推理能力，相比原始 Qwen3.5-9B 在 MMLU 上提升 34 分，gsm8k-strict 提升 30 分；支持原生函数调用，遵循 Qwen3.5 规范的 tool-call 格式；默认开启 YaRN rope-scaling，支持 1M 超长上下文；并继承 Qwen3.5-9B 的多模态视觉能力。模型无审查限制，可处理网络安全、生物医药等专业技术问题。

在线运行：Qwythos-9B-Claude-Mythos-5-1M GGUF Inference Deployment | Notebooks | HyperAI

Demo 页面

8. Jigsaw 非预期偏见毒性分类 — EDA 探索性数据分析教程

2018 年，Kaggle 与 Jigsaw 举办了有毒评论分类竞赛。但因训练数据不平衡，模型产生了非预期偏见，错误地将「gay」等身份词汇与毒性强行关联，导致中性言论被误判为有毒。为了解决这一问题，该团队发起了一场新竞赛，旨在消除对特定身份群体的偏见。

在线运行：https://go.hyper.ai/LnJ2r

 词云页面

9. Qwen-AgentWorld-35B-A3B：首个覆盖七大智能体交互域的语言世界模型

Qwen-AgentWorld-35B-A3B 是阿里巴巴集团同义千文团队于 2026 年 6 月发布的原生语言世界模型，并非传统的对话式大型语言模型。它基于 Qwen3.5-35B-A3B-Base 构建，以智能体的动作和交互历史作为输入，并通过长链推理预测下一个环境状态，从而模拟智能体的交互环境，例如终端、搜索和工具调用。

在线运行：Qwen-AgentWorld-35B-A3B: The First Language World Model Covering Seven Major Agent Interaction Domains | Notebooks | HyperAI

Demo 页面

社区文章解读

1. OpenAI 发布 GeneBench-Pro，在 129 个问题/10 个领域内评估AI科研能力

OpenAI 研究团队近日提出了 GeneBench 的更新版本 GeneBench-Pro，覆盖产业与学术相关的更广泛领域，不再局限于基因组学，而扩展至分子与定量生物学、药物基因组学、癌症生物学、微生物基因组学、临床转化等需要多阶段统计推理的场景。

查看完整报道：OpenAI Releases GeneBench-Pro, Which Assesses AI Research Capabilities Across 129 Questions and 10 domains. | News | HyperAI

热门百科词条精选

1. 世界动作模型 WAM

2. 故障词元 Glitch Token

3. 调和平均 Harmonic Mean

4. 影子模式测试 Shadow Mode Testing

5. 贝叶斯模型平均 Bayes Model Averaging

这里汇编了数百条 AI 相关词条，让你在这里读懂「人工智能」：

Wiki | HyperAI

7 月截稿顶会

* 截稿时间为 AoE 时间

一站式追踪人工智能学术顶会：Events | HyperAI

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：

HyperAI

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 #数据集 #机器学习 #dllm #ICML26
#长周期任务
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。
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。 阅读详情

相关推荐

魔改xjar支持springboot3,

其实这里基本就没问题了，实际项目中只要把这个spring-core包从私仓中替换，项目加密也就没有太大的毛病，但是这样对于追求完美的我来说，方便性还差点。原因找到了，看了下springboot github的issue，官方确实变更了，原因是因为springboot2中的。xjar项目文档还是不错的，clone下来，跟着文档，很容易就测试并通过了我的测试项目，于是便推给其他同事使用了。方法，那么问题来了，为啥springboot2没问题，spring3读取出来的却又是加密的，这是为毛？

jioulongzi的专栏 1538

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 395

山东大学机器学习（实验一内容）——线性回归

1. 描述 第一个练习将为你提供线性回归练习。这些练习已经用Matlab进行了广泛的测试，但它们也应该在Octave中工作，它被称为“免费版的Matlab”。如果你使用的是Octave，那就是 一定要安装Image包（可在Windows中作为选项使用）安装程序，可从Octave-Forge获得Linux。 2.线性回归 回想一下，线性回归模型是 hθ(x)=θTx=∑j=0nθjxj h_{\th...

HachiLin的博客 4108

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 223

关于发那科机器人抓手及物料搬运阀配置

4:确保抓手阀岛和输入模块配网连接正常,MENU—SETUP—MH Valves—Details，详细界面进入到左上图所示，根据每组阀分配夹钳数量并应用。3：设置搬运有效，抓手是否带点焊可以自行选择，要设置应用选择，物料搬用工具数量，工具上阀岛的数量，夹钳存在数量，工具存在数量，以及真空吸盘，冷启动。​2：MENU—应用选择，将搬运置为有效，剩余其他项根据机器人实际用途进行选择。5:设置夹钳数量，检查打开夹钳，检查闭合夹钳，延迟时间要给选择配置应用。

dxs93的博客 4773

RT-Thread GD32F4xx HWTIMER驱动

GD32F4xx RT-Thread 硬件定时器驱动调试使用记录

madao1234的博客 1482

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+

【01】Python解释器的安装

工欲善其事必先利其器。君欲学PYthon，则必先安装Python解释器。安装过程相对简单，大致跟着如下步骤走即可。

侯小啾技术博客 1258

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

Python爬虫实战：逆向解析腾讯视频API，高效获取结构化视频信息

首先，我们定义期望获取的数据结构，这有助于数据验证和代码清晰度。python"""腾讯视频信息数据模型"""title: str = Field(..., description="视频标题")vid: str = Field(..., description="视频唯一ID")play_count: Optional[int] = Field(None, description="播放量")

2201_76125261的博客 2379

MT4/MT5 第三代移动平均线（MetaTrader 指标）

第三代移动平均线(3G-MA)是传统MA指标的升级版本，通过"时滞压缩"算法将信号滞后降至理论极限(λ=2)。该指标在保留平滑性的同时，信号速度比EMA快1.5-2.3倍，适用于MT4/MT5平台。核心参数包括计算周期(默认34)、滞后压缩系数(2-10)和应用价位选择，支持斜率变色功能。安装简单，无需外部依赖，通过多周期共振可提升12-18%胜率。指标代码包含完整的MT4/MT5实现方案，采用双缓冲计算结构，通过相位前移算法抵消群延迟。风险提示：需配合其他技术指标和严格风控(≤2%账户

JanLEE 579

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

OV9734 DATASHEET，完整规格书

OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等

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

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案

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")

【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 500

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

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

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

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 573

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 210

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

WorkBuddy 实战：一句话需求 → 七屏可交互原型，户外徒步 App 的 AI 设计全流程

WorkBuddy 实战：一句话需求 → 七屏可交互原型，户外徒步 App 的 AI 设计全流程，跟着博主一起来还原整个过程。

夜郎King的博客 4621

影视场景怎么用AI生成3D镜头预演？从概念图、场景白模到网页审片

概念图有氛围，不代表能直接用于镜头预演。本文围绕剧本拆镜、资料与尺度假设、场景白模、机位走位、动作节拍和网页审片，介绍 AI 生成 3D 场景的预演流程。通过稳定对象与相机编号、统一镜头表、意见关联版本和三轮审核，让讨论落到具体镜头，同时明确白模与网页预演不能替代真实场地勘景及现场安全判断。

Solange__的博客 540
上一篇： 在线教程｜InSpatio 团队开源实时 4D 世界模拟器，传入一段视频即可自由漫游动态世界
下一篇： OCR 教程汇总丨覆盖长文档/端到端/多语言，百度/小红书/华中科大等面向不同场景开源高性能模型，实现多模态文档精准解析
点赞 5
评论 0
书签 书签 6
HyperAI超神经
HyperAI超神经
博客等级 码龄7年 8872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