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
100+累计阅读
73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
司南·Daily Benchmark 专区今日上新！
LookBench
一个面向真实电商场景的实时、全面且具有挑战性的时尚图像检索基准，包含来自真实线上电商网站的最新商品图像以及AI 生成的时尚图像。
https://hub.opencompass.org.cn/daily-benchmark-detail/2601%2014706
MOSLD-Bench
首个面向文本主题分类的多语言开放集学习与发现基准，包含来自 12 种语言的 96 万条数据样本。
https://hub.opencompass.org.cn/daily-benchmark-detail/2601%2013437
RPC-Bench
一个基于高质量计算机科学论文审稿-回复问答的大规模细粒度问答基准，用于评估模型在学术情境下理解并回答为什么（why）、什么（what）、如何（how）类问题的能力。
https://hub.opencompass.org.cn/daily-benchmark-detail/2601%2014289
Daily Benchmark
【企业知识助手·Agent 实战】如何构建 Agent 运行态可观测体系：从行为基线漂移检测到成本预算治理的深度实战
核心原理：运行态可观测的本质是把"单点阈值"升级为"与基线的分布距离"——埋点回答发生了什么，基线比较回答这是否还正常关键结论：deny 率没有单向好坏语义，必须双边告警 + known-good / known-bad 双哨兵仲裁；成本归因的终点是单位经济与预算三线一位；评测分数入库让质量拥有趋势线。
每日 AI 评测速递来啦（12.22）
一个面向遥感视觉理解与推理的超高分辨率评测基准，包含 5,329 张完整场景影像，图像长边不少于 4,000 像素，单张图像像素量最高约 3×10⁸，数据来源于广泛使用的遥感数据集以及无人机影像集合。一个从真实 GitHub Pull Request 自动构建的、覆盖 11 种语言的可扩展仓库级代码生成评测基准，用于系统评估和提升大模型在真实软件工程任务中的能力。司南·Daily Benchmark 专区今日上新！
短视频团队架构&工作流程---2025.3.30
1、负责短视频日常内容分发上线，包括视频头图、标题、简介、推荐位及部分内容元数据的日常导入、审核、上线、下线，并提供各品类短视频的内容上线计划表。（20）运营：视频推送后，实时跟进视频数据，定期统计分析数据报表，根据数据表现 找到问题，并发送给各个小组的负责人，对下一期视频内容进行调整。（4）运营：收到成片，设计视频头图、标题、简介、推荐位等，分发到各个平台，统计分析视频的数据，对各个平台的视频进行管理、用户互动等。1、负责影视、戏剧、广告、专题片等的策划、组稿选题、材料收集、内容策划。
每日 AI 评测速递来啦（1.14）
首个面向智能体场景的多模态成对情境完整性评测基准， 由源自同一视觉输入的正负样本对构成，并在三个层级展开：规范性的 Seed 判断、富上下文的 Story 推理，以及可执行的智能体行为 Trace。一个面向混合动机博弈的多阶段评测基准，并配套引入了一套过程感知的评估框架，可在以下三个模块上开展协同分析：行为轨迹分析；一个轻量级的并行问题评测基准，用于评估大语言模型在 32 种语言上的语言强制行为，从而支持对多语言 steering 方法进行系统化比较。，让真正有价值的评测工作被更多人看见。
基于springboot生鲜食品订购系统的设计与实现
近年来互联网络的迅猛发展和电子终端设备的普及，赋予了各行业充足的发展空间。微信小程序的O2O生鲜食品订购相比于传统信息技术，时效性是它最大的特色，已经在电子娱乐、经济等中发挥着举足轻重的作用。短时间内迅速扩大了线上管理系统的规模。尽管O2O生鲜食品订购已经有了很大程度的发展，但在微信小程序的O2O生鲜食品订购领域上却少有建设。
瑞芯微RK3588与FPGA的PCIe DMA通信性能优化实战
本文深入探讨了瑞芯微RK3588与FPGA之间PCIe DMA通信的性能优化实战。针对高速数据采集、AI推理等场景下的带宽瓶颈，文章从驱动配置、DMA描述符、中断处理、零拷贝技术及系统级调优等多个层面，提供了详细的优化策略与代码示例，旨在充分释放PCIe 3.0的理论带宽潜力，提升数据传输效率与稳定性。
每日 AI 研究简报 · 2026-06-22
本周 AI 领域迎来历史性转折——Claude Fable 5 短暂登顶后被叫停，智谱 GLM-5.2 开源破局逼近闭源前沿，全球大模型竞争进入"能力天花板"与"监管天花板"双轨博弈新阶段。
FPGA中的CMAC硬核与Interlaken硬核
CMAC硬核和Interlaken硬核是FPGA中两种重要的内置功能模块，它们分别在CNN推理和高带宽芯片到芯片接口方面发挥着关键作用。FPGA（Field Programmable Gate Array，现场可编程逻辑门阵列）中的CMAC硬核与Interlaken硬核是两种重要的内置功能模块，它们在FPGA设计中扮演着关键角色。需要注意的是，FPGA设计中的硬核选择不仅取决于硬核本身的性能，还需要考虑硬核与FPGA芯片其他部分的兼容性、功耗、成本等因素。Interlaken硬核。
每日AI资讯速递 | 2025-06-24
【AI产业动态速览】2025年AI技术加速商业化落地：百度推出多模态编程工具ComateAIIDE，字节跳动发布AI美食助手"探饭"，阿里云发布自动驾驶加速框架PAI-TurboX。月之暗面开源超越GPT-4o的多模态模型，MiniMax实现AI语音个性化定制。特斯拉Robotaxi在美试点，腾讯获批首款认知训练数字疗法。银河通用机器人创11亿元融资纪录，MIT研究警示过度依赖AI或致认知退化。Meta斥资140亿美元布局AGI，周鸿祎强调人机协同发展方向。AI产品榜2周年大会将聚焦智能
LM Studio Bionic：本地AI智能体从部署到实战完整指南
AI智能体作为能够自主规划、执行多步任务的人工智能系统，其核心原理在于结合大语言模型的推理能力与工具调用机制。通过状态保持和任务分解算法，智能体实现了从单次问答到持续协作的技术跃迁。在工程实践中，这种架构显著降低了复杂任务自动化的门槛，特别适用于数据敏感场景和定制化需求。以Tesla V100等专业硬件为例，本地部署能充分发挥其大显存优势，支持更高精度的模型量化格式。在实际应用层面，智能体可无缝集成到代码审查、文档生成等开发工作流中，而LM Studio Bionic通过统一界面整合了模型服务、任务规划器等
Webots+UR机械臂仿真全流程：手把手教你用Python实现Pick-and-Place轨迹规划
本文详细介绍了使用Webots和Python实现UR六自由度机械臂的Pick-and-Place轨迹规划全流程。从环境搭建、运动学正逆解计算到轨迹规划实战技巧，涵盖工业场景中的关节补偿、末端校准等实际问题解决方案，帮助开发者快速掌握机械臂精准控制技术。
【GitHub每日速递 20251218】AI Agent Workflows神器来袭！Sim.ai轻松构建、多方式部署，解锁无限可能
Sim是一个可以让用户在几分钟内构建和部署AI代理工作流的平台。它提供了直观的可视化界面，支持使用Copilot提升效率，还能集成向量数据库，满足用户对AI工作流的多样化需求。
滴滴数据分析80道面试题及参考答案
常见的模型评价指标有准确率、召回率、F1 值、均方误差、均方根误差、R 方等。准确率是指模型预测正确的样本数占总样本数的比例，它反映了模型预测的准确性。召回率是指模型预测为正例的样本中实际为正例的比例，它衡量了模型对正例的捕捉能力。F1 值是准确率和召回率的调和平均数，综合考虑了两者的平衡。均方误差是预测值与真实值之差的平方的平均值，它衡量了模型预测值与真实值的平均偏离程度。均方根误差是均方误差的平方根，与均方误差类似，但更直观地反映了误差的大小。
AI日报 - 2025年02月16日 - 推特版
🌟▎🤖| 阿里巴巴发布Qwen2.5-VL视觉语言模型，支持多模态交互▎💼| NVIDIA Blackwell超级芯片网络研讨会将聚焦生成式AI创新▎📜| 印度总统宣布AI国家战略升级，聚焦半导体与算法研发。
UNet 改进(22)：结合Transformer结构
保留了UNet的经典编码器-解码器结构在瓶颈层使用Transformer替代传统的卷积层采用跳跃连接保持空间细节信息使用双卷积块(DoubleConv)作为基础构建模块。
VC中sqlite的使用
在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示
CnOpenData 线上招聘网站信息数据
CnOpenData线上招聘网站信息数据库是一个覆盖中国主流招聘平台、时间跨度长、更新频率高的劳动力市场需求侧大数据集合。本数据库汇集了，为学术界和业界提供了一扇实时观察中国劳动力市场动态的窗口。
NTscan扫描工具
ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。
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。
廖雪峰Python教程[完整版]
廖雪峰的python教程整理的，已经排好版了，而且还是完整的，适合小白
ET2012新版免狗免安装绿色软件
ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，
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。
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。
医疗 AI 有两种，别混着谈：一个改流程，一个改范式
InfoXMed 是面向医生、医学生和医学科研人员的 AI 医学工具平台，提供文献检索、全文翻译、AI 解读、指南查询和题库练习等功能，辅助临床学习、科研汇报与医学备考。原文是日本医学会杂志（JMA Journal）的一篇综述（Review Article）：基本事实：这一点必须先说清：这篇论文提出的是一个研究纲领。它文中的"预测"指的是科学设想，不是可以拿来用的临床预测能力。文中甚至自己承认了一个硬缺口（见第三节）。本文只谈它的术语辨析与科学方法论，不转述任何可作为临床依据的预测或处置主张。这篇论文的全部
在Codex 让AI模型 拥有长期智能记忆
本文介绍Claude-Mem V15新功能——智能记忆召回，解决AI遗忘、重复提示、执行不一致等问题。通过本地部署claude-mem，实现自动记录决策（如数据库选型）、跨会话智能召回，支持记忆写入、检索、遗忘全流程闭环。相比传统记忆方案，其基于Hooks自动捕获工具调用，结构化存储，可追溯、可共享、可清理，显著提升工程效率与协作一致性，是长期项目中理想的“工作黑匣子”与“工程脑”。
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
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。
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。
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%。
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}[\
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
958
扫一扫
