降价超 50%，提速一倍，24/7 QPS 保障，MiniMax 开放平台 API 全面升级！

最新推荐文章于 2025-12-01 19:45:15 发布

原创最新推荐文章于 2025-12-01 19:45:15 发布 · 298 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #语言模型 #ai #大数据

博客围绕人工智能和语言模型展开，虽未给出具体内容，但从标签可知涉及相关信息技术领域，可能与大数据也有联系，推测会探讨其应用、发展等方面。

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

MiniMax开放平台

关注关注

1
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

高通平台BSP之PCIe:SDX62/5 QPS615 PCIe NoC timeout死机

bsp_linux_dev的博客

08-27

1868

SDX65 QPS615 PCIE死机NoC timeout问题。

AI能力开放平台：基于微服务的API网关设计与实现

AI天才研究院

06-17

1050

当企业将图像识别、智能对话、预测分析等AI能力封装成API对外开放时，如何高效管理成百上千个微服务接口？如何保障高并发下的稳定性？如何平衡安全与性能？本文将以"AI能力开放平台"为场景，从微服务架构与API网关的协同设计出发，通过生活化比喻、技术原理解析、代码示例和实际案例，系统讲解基于微服务的API网关设计逻辑与实现要点，帮助技术团队构建可靠的AI能力开放中枢。

参与评论您还未登录，请先登录后发表或查看评论

Redis页面优化

Sun的个人博客

06-04

1141

在校验用户是否登录时，会根据cookie在Redis中查询用户信息，但是如果在DB中的用户信息更改了，那么就会发生数据不一致的问题。

如何为在线客服系统的 Open Api 开放接口实现 QPS 限流功能

02-16

843

实现 QPS 限流有很多方案，对于小流量的应用，内存限流和基于中间件的限流方式可能已经足够，而对于高并发的分布式系统，可能需要 Redis 或者更复杂的算法，如令牌桶或滑动窗口。

实时高效，全面测评快递100API的物流查询功能

热门推荐

11-11

35万+

企业提交快递单号后，快递 100 对运单进行跟踪，当运单状态变化时，调用回调接口将运单的跟踪信息和地图轨迹推送给企业，直到运单号生命周期结束（一般以 “已签收” 为准）。实时快递查询API在所有测试的单号中均达到了100%的物流信息匹配度，响应时间普遍较快，且在高低峰期间的响应时间差较小，表明其具有良好的稳定性和高效性。通过实际测试，全面评估快递100API的快递查询功能，包括查询准确性、查询速度、实时更新能力等方面，以验证其在实际应用中的可靠性和稳定性。下图是我用中通快递单号查询的结果。

腾讯云SDK调用的QPS限制优化专用网关

02-02

为了解决这一问题，腾讯云提供了QPS限制优化的专用网关，旨在提高服务的稳定性和效率。 QPS限制优化专用网关的核心功能是智能管理和调度来自SDK的请求，以确保服务的稳定性和防止过载。以下是一些关于这个网关的...

向量嵌入：RAG系统背后的语义引擎

uncle_ll的博客

11-29

1302

向量嵌入技术将高维语义信息压缩为低维向量，使相似概念在向量空间中聚集。作为RAG系统的核心，嵌入质量直接影响语义检索效果。从静态词嵌入到动态上下文嵌入，技术不断演进，解决了多义词等难题。现代嵌入模型基于Transformer架构，通过对比学习优化检索性能。选型需考虑MTEB排名、语言支持等维度，并结合业务测试。未来趋势包括多模态融合、知识图谱增强和轻量化部署。嵌入技术已成为NLP领域的关键支柱，其优化对提升RAG系统性能至关重要。

人工智能领域博客

11-28

1843

摘要：本文详细解释了Spark Driver端与Worker端在OSS认证上的核心区别。Driver端通过Spark配置自动认证，而Worker端（独立Python进程）需显式提供认证信息。认证来源优先级为：1)Driver传递参数，2)环境变量，3)IAM角色。文章分析了架构差异导致的不同认证方式，并推荐从Driver传递认证信息的解决方案。当前实现已采用该方案，通过Spark配置或环境变量获取认证后传递给Worker进程，确保PyArrow能正确访问OSS数据。

07_Spring AI 干货笔记之提示词

在科技的浪潮中，我们寻找着创新的火种，在代码的海洋里，我们编织着智慧的网。腾飞开源，就是这样一个由技术精英汇聚而成的博客平台，我们致力于分享在Java、Python、IoT和人工智能等领域的最新研究成果和实战经验。在腾飞开源的博客上，你会看到紧跟技术前

11-30

1486

本文详细介绍了Spring AI中的提示词核心概念与API设计。提示词作为引导AI模型生成特定输出的关键输入，其结构从简单字符串演进为包含多角色消息的复杂形式。Spring AI通过Prompt和Message接口提供结构化提示词管理，支持系统、用户、助手等角色分配。PromptTemplate类实现动态内容渲染，并支持自定义模板引擎。文章还涵盖提示词工程的最佳实践与令牌机制，为开发者提供完整的提示词设计解决方案。

RAG信息检索全解析：从Embedding到Reranker的超详细教程1

Trb201013的博客

11-27

1551

文章介绍了RAG系统中信息检索环节的核心技术，包括文档段落嵌入和用户查询嵌入，将文本转换为向量表示；详细解释了相似度检索的多种方法，如Top-K检索、MMR策略和Reranker二次排序技术；强调了合理切分策略对嵌入效果的重要性，以及查询扩展技术对提高检索准确度的作用。指出RAG的本质是"开卷考试"，检索质量直接影响最终生成效果。

【LLM】DeepSeekMath-V2模型

发现问题，并解决问题，批判性思维

11-29

913

研究问题：这篇文章要解决的问题是如何在大型语言模型（LLMs）中进行自我验证的数学推理。具体来说，现有的基于最终答案奖励的强化学习方法在数学推理中存在根本局限性，因为正确答案并不能保证推理的正确性，特别是在定理证明任务中。研究难点：该问题的研究难点包括：如何在不依赖最终答案的情况下验证推理的正确性；如何在生成和验证之间建立有效的迭代改进循环；如何在没有已知解决方案的开放问题上扩展测试时计算。相关工作：该问题的研究相关工作有：OpenAI的推理模型在定量推理竞赛中取得了显著进展；DeepMind的Deep

昇腾平台 vLLM 部署与性能优化实战：高吞吐推理落地指南

最新发布

二哈喇子！

12-01

6074

昇腾平台vLLM部署与性能优化实战摘要

卫星遥感落地林草监测：多源数据融合+AI算法

okk202586的博客

11-27

659

全面完善昌吉州林草资源网络感知体系，建立全州林草资源一体化综合管理平台，全面加强林草安全防火监测预警、有害生物防治信息化、林草资源监管能力，实现林草资源、安全防火、有害生物防控、林长制监督管理等。在不同区域、不同场景下的落地能力，案例可以充分说明，智慧林草并非单纯的技术堆砌，而是真正贴合林草业务流程、解决实际问题的“实战型”方案，太空守护林海正在变成可能~根据林草业务需要，建设林长制、资源监管、生态保护、生态修复、灾害防护、科技创新等六类业务系统，构建智慧林草综合监管业务系统体系，全面支撑林草业务。

【人工智能】【深度学习】 ② GAN核心算法介绍：生成器与判别器的博弈艺术

xiezhiyi007的专栏

11-27

1004

本文为【人工智能】【深度学习】系列第②篇，深入浅出讲解生成对抗网络（GAN）的核心原理。从“造假者 vs 警察”的大白话比喻出发，逐步推导极小极大博弈公式，详解生成器与判别器的对抗机制，并对比 CNN、RNN 的本质差异。附带完整 PyTorch 代码实现（逐行注释），涵盖 DCGAN 架构、训练流程与工程技巧，适合零基础读者入门生成式 AI。结尾预告下一期 Transformer 主题，延续系统化学习路线。

YOLOv8训练过程日志-深度解析

搏博的专栏

11-28

969

特别值得注意的是不同类别的性能差异：phone类别的召回率达到0.462，明显高于car类别的0.286，这可能源于两个类别在训练数据中的分布差异、目标特征的明显程度等因素。值得注意的是，损失函数的下降过程并非单调的，而是存在一定的波动，这是梯度下降优化的正常现象。值得注意的是，虽然训练提前停止，但模型已经学习到了有意义的特征表示，这为后续的微调或迁移学习奠定了基础。的训练中，这些指标虽然数值较低，但这在小型数据集和有限训练时间的条件下是正常的，重要的是观察这些指标在训练过程中的变化趋势。

分布式AI训练框架设计与多语言实现实践指南

2501_94187056的博客

11-26

421

加速训练：多节点协作处理大规模数据和模型参数。资源优化：充分利用GPU/TPU和计算集群资源。可扩展性：可根据数据规模或模型复杂度扩展计算节点。多语言协作：不同模块可使用适合的语言实现，提高灵活性和性能。本文展示了分布式AI训练框架的设计与多语言实现实践：Python负责训练与分布式管理Go负责任务调度与节点管理Java处理异步参数同步C++完成计算密集型梯度计算架构整合多节点资源，实现高效分布式训练。

概率单位回归（Probit Regression）详解

拒绝AI玄学，只聊真技术▲

11-28

979

概率单位回归（）是一种基于正态分布累积函数的广义线性模型，专门用于分析二分类因变量与自变量之间的关系。该模型假设事件发生概率服从标准正态分布，通过回归系数建立解释变量与概率值的线性关系，输出结果表现为0-1之间的概率值。Probit回归作为统计学和机器学习中的重要工具，通过连接概率世界和正态分布，为分析二元响应数据提供了强大的方法论基础。从Bliss在1934年开创性的工作到Rosett和Nelson在1975年的扩展，Probit模型已在经济学、医学、生态学和市场营销等多个领域证明了其价值。💡。

【深度学习新浪潮】什么是自监督学习？

智能守恒_HengAI

11-26

249

编码器：ResNet18（去掉最后一层全连接）self.encoder.fc = nn.Identity() # 移除分类头# 投影头：两层MLPnn.Linear(512, 256), # ResNet18输出512维特征nn.ReLU(),# 归一化特征（计算余弦相似度用）自监督学习的核心价值在于**“用无标注数据学习通用特征”**，它打破了“标注依赖”的瓶颈，是通向通用人工智能的关键路径之一。多模态自监督：融合图像、文本、语音的跨模态预训练（如CLIP）；高效预训练。

智镜随行：基于Rokid CXR-M SDK的智能眼镜无障碍辅助系统开发实践

Rqaqedamancy的博客

11-28

816

摘要：本文介绍了基于Rokid CXR-M SDK开发的视障辅助系统「智镜随行」，通过AR眼镜与手机的协同实现无障碍辅助功能。系统利用眼镜端采集第一视角图像与语音，手机端调用多模态AI模型（OCR、目标检测、大语言模型）进行环境理解，并将结构化信息通过TTS实时反馈给用户。采用三层架构设计，结合蓝牙/Wi-Fi双通道通信，实现低延迟交互。开发中严格遵循SDK接口规范，完成设备连接、图像处理、语音交互等核心功能模块，为视障人士提供实时环境感知与导航辅助，展示了Rokid生态在普惠科技领域的应用潜力。