百模大战迷人眼？这份AI模型&API最强选型指南请收好！

Python_金钱豹 Python_金钱豹 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 1.4k累计阅读 1.4k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5年
关注
原创 最新推荐文章于 2026-08-22 00:30:00 发布 1.4k 阅读 AI 写同款· GEO 优化 ›
AI创业公司的技术选型策略 AI创业公司的技术选型策略 1. 如何评估AI技术的可行性？ 题目： 在AI创业公司中，如何评估一个新技术的可行性？ 答案： 评估AI技术的可行性通常需要从以下几个方面进行： 阅读详情

TLDR

  • AI模型选择需要在质量、速度和价格之间进行权衡。

  • 小型新兴API提供商在输出速度和价格方面表现出色，为用户提供了更具竞争力的选择。

  • API提供商通常对输入和输出token收取不同的价格，这可能会显著影响最终的成本。

一、AI 现状概述

人工智能正在以前所未有的速度改变着我们的世界，语言模型作为AI的核心技术之一，也正在经历着日新月异的发展。为了让开发者和企业更好地利用语言模型，众多科技巨头和初创公司纷纷推出了自己的语言模型和API服务。但面对眼花缭乱的选择，如何做出明智的决策成为了摆在开发者和企业面前的难题。

二、模型选择指南

Artificial Analysis平台对市面上主流的AI模型进行了深度分析，并根据模型质量、速度、价格等因素为开发者和企业提供选择建议。

2.1 根据能力比较质量

Artificial Analysis平台根据模型的能力类别对模型质量进行了分类评估，例如根据聊天机器人竞技场、推理和知识、编码能力进行分类。

  • 不同的应用场景需要考虑不同的评估测试。

  • 聊天机器人竞技场是评估沟通能力的良好测试，而MMLU则更全面地测试推理和知识。

(图1：不同模型质量对比图)

2.2 质量 vs. 输出速度

Artificial Analysis平台将模型质量与输出速度进行了对比分析，并根据价格将不同模型划分到不同的象限，方便用户根据自身需求快速定位。

  • 模型质量和输出速度之间需要权衡，质量更高的模型通常输出速度较慢。

  • 部分模型在保证高质量的同时，也能提供较快的输出速度和有竞争力的价格。

(图2：不同模型质量 vs. 输出速度对比图)

2.3 质量 vs. 价格

Artificial Analysis平台将模型质量与价格进行了对比分析，并根据价格将不同模型划分到不同的象限，方便用户根据自身需求快速定位。

  • 虽然质量更高的模型通常价格更高，但并非所有模型都遵循相同的价格-质量曲线。

  • 部分模型在保证高质量的同时，也能提供更具竞争力的价格。

(图3：不同模型质量 vs. 价格对比图)

2.4 输出速度

(图4：不同模型输出速度对比图)

2.5 输入和输出token价格

  • 价格差异巨大，输入和输出token价格之间，以及最昂贵和最便宜的模型之间，价格可能相差几个数量级（>10倍）。

(图5：不同模型输入和输出价格对比图)

三、API 提供商选择指南

在选择API提供商时，需要考虑以下因素：

  • 价格和技术性能指标： 比较不同提供商的价格、吞吐量和延迟等指标，选择最符合预算和性能需求的方案。

  • 模型可用性： 不同的API提供商支持的模型不同，需要选择提供所需模型的提供商。

  • 其他因素： 还需要考虑OpenAI兼容性、速率限制、上下文窗口大小等细节因素。

3.1 Llama 3 Instruct (70B) 模型案例分析

3.1.1 输出速度 vs. 价格
  • 小型新兴提供商正在以具有竞争力的价格提供高输出速度。

(图6：Llama 3 Instruct (70B) 模型不同API提供商速度价格对比图)

3.1.2 输入和输出token价格

  • 提供商通常对输入和输出token收取不同的价格。

  • 某些用例的输入/输出token价格比率可能会严重影响总成本。

(图7：Llama 3 Instruct (70B) 模型不同API提供商输入输出token价格对比图)

3.1.3 输出速度随时间变化
  • 小型新兴提供商提供高输出速度，但提供的精确速度每天都在变化。

(图8：Llama 3 Instruct (70B) 模型不同API提供商输出速度随时间变化图)

四、 AI模型与API提供商的选择流程

为了做出最佳选择，建议遵循以下流程：

  1. 明确用例需求： 首先明确你的应用场景和需求，例如是需要用于聊天机器人、文本生成、代码生成还是其他任务，以及对模型的质量、速度、价格等方面有什么具体的要求。

  2. 选择合适的模型： 根据你的用例需求，初步筛选出符合条件的模型，并进行定制化测试，以便更准确地评估模型的性能表现。Artificial Analysis平台提供了丰富的模型信息和测试工具，可以帮助你快速找到合适的模型。

  3. 选择合适的API提供商： 在确定了合适的模型之后，你需要选择一家提供该模型的API提供商。不同的API提供商在价格、性能、功能等方面都存在差异，你需要根据自身的需求进行权衡选择。

五、主流模型一览

(表1：主流模型信息汇总表)

模型名称创建者License上下文窗口
GPT-4oOpenAIProprietary128k
GPT-4 TurboOpenAIProprietary128k
GPT-4OpenAIProprietary8k
GPT-3.5 Turbo InstructOpenAIProprietary4k
GPT-3.5 TurboOpenAIProprietary16k
Gemini 1.5 ProGoogleProprietary1m
Gemini 1.5 FlashGoogleProprietary1m
Gemma 2 (9B)GoogleOpen8k
Gemini 1.0 ProGoogleProprietary33k
Gemma 7B InstructGoogleOpen8k
Llama 3 Instruct (70B)MetaOpen8k
Llama 3 Instruct (8B)MetaOpen8k
Llama 2 Chat (70B)MetaOpen4k
Llama 2 Chat (13B)MetaOpen4k
Code Llama Instruct (70B)MetaOpen16k
Llama 2 Chat (7B)MetaOpen4k
Mistral LargeMistralProprietary33k
Mixtral 8x22B InstructMistralOpen65k
Mistral SmallMistralProprietary33k
Mistral MediumMistralProprietary33k
Mixtral 8x7B InstructMistralOpen33k
Mistral 7B InstructMistralOpen33k
Claude 3.5 SonnetAnthropicProprietary200k
Claude 3 OpusAnthropicProprietary200k
Claude 3 SonnetAnthropicProprietary200k
Claude 3 HaikuAnthropicProprietary200k
Claude 2.0AnthropicProprietary100k
Claude InstantAnthropicProprietary100k
Claude 2.1AnthropicProprietary200k
Command LightCohereProprietary4k
CommandCohereProprietary4k
Command-R+CohereOpen128k
Command-RCohereOpen128k
OpenChat 3.5 (1210)OpenChatOpen8k
DBRX InstructDatabricksOpen33k
Reka CoreReka AIProprietary128k
Reka FlashReka AIProprietary128k
Reka EdgeReka AIProprietary64k
Jamba InstructAI21 LabsOpen256k
DeepSeek-V2-ChatDeepSeekOpen128k
Arctic InstructSnowflakeOpen4k
Qwen2 Instruct (72B)AlibabaOpen128k

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么？
  • 大模型是怎样获得「智能」的？
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例：向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示（Embeddings）
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2：手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身：基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例：如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案
  • …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

标签
#人工智能 #python #jupyter #开发语言 #llama
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。
远程桌面（RDP）共享USB设备全攻略：不止Hyper-V，你的加密狗和CH340串口也能远程用 本文详细介绍了远程桌面（RDP）共享USB设备的完整解决方案，包括加密狗和CH340串口设备的远程使用技巧。通过RemoteFX USB重定向技术，用户可以在远程会话中无缝使用本地USB设备，提升工作效率。文章涵盖企业级配置、典型设备实战案例及高级故障排除方法，是远程工作者的实用指南。 阅读详情

相关推荐

说说通用报表控件

我们已经开发有2款WINCC报表控件，一种是固定模板，一种是自定义模板。但是它们有个共同特点，就是数据都是来自WINCC的归档数据库。使用WINCC归档数据库的好处是不需要自己写脚本保存数据。但是有些情况下，我们需要自己保存数据，或者第三方系统通过数据表的方式给我们提供数据。那这样的话，我们之前的两款控件就不支持了。正好有个客户有类似需要，于是加了一天班写了个通用报表控件。之所以说是通用，是因为它可以插入任何支持.NET控件的组态软件中，比如WINCC、IFIX等。并且它不依赖于组态软件自己...

HwLib_的博客 3551

7 款便捷好用的AI API

AI API 的便利性让各种规模的企业和个人用户都能够轻松地在其业务或项目中应用人工智能技术，无需深入了解背后的技术细节。

Explinks的博客 3243

顶刊《会计研究》数据复现|最新上市公司数智化数据

本文基于Python文本分析方法构建了中国A股上市公司数智化指标（1991-2024），通过识别年报中的"机器学习""智能医疗"等关键词，量化企业数字化与智能化融合程度。研究发现数智化企业更倾向于非正式渠道的定性披露以规避风险，该指标为监管完善信披规则提供了参考。研究还揭示了数智化对企业信息披露策略的转变，并提出了未来研究方向，包括数智化对绿色创新、ESG表现等影响机制。数据覆盖非金融类上市公司，采用文本挖掘技术构建结构化指标，为相关领域研究提供了微观基础。

PPdata_Academy的博客 1487

最值得推荐的5个AI大模型API

紫东太初 2.0”是武汉人工智能研究院联合中科院自动化所、华为，基于昇腾 AI，在全球首个图文音三模态大模型 “紫东太初” 基础上，利用昇思 AI 框架全新升级，推出的新一代多模态大模型，打造中国通用 AI 智能底座，助推认知智能时代加速到来。从文本创作、多轮问答到绘画作诗、代码生成、数学计算……，“紫东太初 2.0”以更强的认知、理解、创作能力，带来全新互动体验，推动万物互联走向万物共生，向通用人工智能的目标更进一步。

2401_85325726的博客 5934

利用GeoTools高效切割GeoTIFF为WebP瓦片：从配置到实战

本文详细介绍了如何利用GeoTools将GeoTIFF高效切割为WebP瓦片，从环境配置到实战技巧全面覆盖。通过对比WebP与PNG格式的优势，展示其在体积压缩和传输效率上的显著提升，并提供多线程切割、内存管理等性能优化方案，帮助开发者快速实现地理空间数据的Web地图服务部署。

agile9scrum的博客 815

nCode：GlyphWorks案例教程一

nCode GlyphWorks案例一Comparing Frequency Content of Two Different Tests案例文件目标配置选择数据 Comparing Frequency Content of Two Different Tests 在本案例中，我们将比较来自两个不同测试的六个加速计通道的频率内容。将三轴加速度计放置在车辆的左前角和右前角，然后分别在两个不同的试验路面上行驶12分钟以上。 案例文件 此案例的文件（采用nCode DAC格式）位于nCode安装目录下的\demo

追月行的博客 1万+

TensorFlow相关组件的安装

TensorFlow相关组件的安装

AAI666666的博客 3934

GD32F4x芯片加密实战：从读保护到安全启动全解析

本文详细解析了GD32F4x芯片加密的实战操作，从读保护功能到安全启动全流程。通过具体代码示例和应用场景分析，帮助开发者有效防止固件被盗用，提升工业控制、智能门锁等场景下的数据安全性。重点介绍了读保护功能的底层机制、配置步骤及常见问题解决方案。

weixin_42629671的博客 207

大家都爱用！不可错过的 AI API 接口

AI API通过提供一种标准化和安全的方式来集成智能功能，已成为现代软件开发中不可或缺的一部分，为企业提供了一个灵活、高效和可扩展的方式来构建和集成复杂的业务解决方案。

Explinks的博客 4107

STM32与K210串口通信

这篇文章是为了填上一篇埋下的坑，k210和STM32通过串口通信，我是采用数据包的形式发送数据的，因为K210发送的数据有几种，采用数据包的形式发送比较安全。本文代码运行的平台是STM32F103C8T6和K210 Dock，只涉及到K210发送数据给STM32，stm32将接受到的数据显示到0.96寸OLED屏上。

qq_70715693的博客 3万+

37、半导体硅材料中的缺陷与吸杂技术解析

本文系统解析了半导体硅材料中的缺陷形成机制及其对电子器件性能的影响，重点探讨了生长和工艺诱导缺陷、表面与内部微缺陷的起源与特征。文章详细阐述了吸杂技术的原理、过程及在集成电路和太阳能电池制造中的应用，强调通过氧行为调控和热处理优化实现缺陷控制。同时介绍了吸杂效果的评估方法，并展望了未来新型吸杂技术的发展趋势，为提升半导体器件性能和制造良率提供理论支持和技术路径。

mongodb5scout的博客 163

Cursor使用及接入教程（非常详细），零基础入门到精通，看这一篇就够了

Cursor使用及接入教程（非常详细），零基础入门到精通，看这一篇就够了

Python单行客的博客 1万+

YOLOv8 道路病害检测全栈工程｜22 类路面裂缝坑洞 VOC&YOLO 数据集、PyQt 精美 GUI、ONNX 量化、全套训练评估曲线落地

城市道路、国省道、高速公路路面长期受车辆碾压、雨水侵蚀，衍生纵向 / 横向裂纹、坑洼、车辙、接缝剥落等二十余种路面病害。传统人工道路巡检存在致命行业痛点：人工徒步 / 乘车目视巡检效率极低，单日有效巡查里程不足 20 公里；毫米级细微线性裂纹肉眼极易漏检，雨水冲刷后微小病害快速扩张为大坑槽，养护成本翻倍；强光暴晒、阴雨积水、路面油污场景人工分辨难度大；海量巡检图片人工分类统计病害台账耗时数天，养护决策缺乏量化数据支撑。传统阈值、边缘检测图像处理仅能识别大面积坑洞，无法区分二十余种细分裂纹类型，泛化能力极差。

getusushu的博客 122

超详细的AI大模型API调用入门教程！

通过API调用相关的大模型服务，最大的好处就是限制少，相比于在网站/应用提供的免费AI对话服务，可以大大减少模型拒绝回答的情况，规避二次审查，同时在隐私性上也仅次于本地部署，并且和AI对话也一样方便。还有就是遇到“服务器繁忙，请稍后再试”的情况就更少了。

大模型训练 7524

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

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")

人工智能技术架构的构建和选型

人工智能技术架构的构建和选型是一个复杂的过程，涉及数据、算法、计算平台、应用等多个层面。算法选择：根据实际应用场景需求选择合适的机器学习或深度学习算法，包括但不限于分类、回归、聚类、推荐系统、强化学习等。数据采集：通过物联网设备（如传感器、摄像头等）、移动互联网、社交媒体、公开数据库等多种途径收集原始数据。安全与隐私保护：在数据传输、存储和使用过程中实施加密、权限控制、匿名化等措施，确保数据安全和用户隐私。业务集成：将AI模型整合到具体的应用场景中，实现智能化的功能，如智慧医疗、智能客服、自动驾驶等。

易之阴阳，量子纠缠，道之一体，缘起性空 1466

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

AI API技术全解析：什么是AI的API？有哪些方面的应用？

人工智能应用程序编程接口（AI API）是连接开发者与底层大语言模型及多模态AI系统的标准化技术桥梁，其核心本质在于将复杂的神经网络推理能力封装为简洁、可预测的HTTP端点调用。与传统软件API处理确定性计算任务不同，AI API应对的是非确定性生成任务——相同输入可能因温度参数、采样策略或上下文状态而产生差异化输出，这要求接口设计在灵活性与可控性之间取得精密平衡。从计算机科学演进视角审视，AI API代表了"模型即服务"（Model-as-a-Service, MaaS）范式的成熟。

nmdbbzcl的博客 1196

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载

关于AI API集成，看完这篇你就懂了！

AI API是一种提供人工智能功能的接口，允许开发者在自家应用中轻松集成AI能力。常见的AI API包括OpenAI、Google AI和Microsoft Cognitive Services等。AI API集成能够为你的项目注入智能化的动力，但成功的关键在于选择合适的API并有效解决可能遇到的挑战。阅读相关文档，充分利用社区资源，是提高开发效率的好方法。

tt_jishu的博客 2307

你想知道的API，都在这儿了

很多小伙伴在AI世界里畅游的时候，总能看到API、agent、markdown、v3\r1、prompt、token、aigc、 开源等字样，这些很普通的词汇在AI大神面前都是最普通不过的专业术语，可是对于一个编程小白来说，却又云里雾里，今天，我们一起从头开始，用最通俗的语言，一个个的解剖这些专业术语，为你的AI之路扫除荆棘。 今天学习第一个词，API。 API（Application Programming Interface，应用程序编程接口）是一组预定义的函数、协议和工具，用于构建软件应用程

电商数据Girl的博客 1023

一个较详细的人工智能技术架构和选型说明

人工智能技术架构的构建和选型是一个复杂的过程，涉及数据、算法、计算平台、应用等多个层面。算法选择：根据实际应用场景需求选择合适的机器学习或深度学习算法，包括但不限于分类、回归、聚类、推荐系统、强化学习等。数据采集：通过物联网设备（如传感器、摄像头等）、移动互联网、社交媒体、公开数据库等多种途径收集原始数据。安全与隐私保护：在数据传输、存储和使用过程中实施加密、权限控制、匿名化等措施，确保数据安全和用户隐私。业务集成：将AI模型整合到具体的应用场景中，实现智能化的功能，如智慧医疗、智能客服、自动驾驶等。

易之阴阳，量子纠缠，道之一体，缘起性空 2325

2025年 | 大模型LLMs很火，作为新人小白应该怎么入门 LLMs? （附最新大模型学习路线）

大模型目前在人工智能领域可以说正处于一种“炙手可热”的状态，吸引了很多人的关注和兴趣，也有很多新人小白想要学习入门大模型，下面给大家分享一份2025最新版的大模型学习路线，帮助新人小白更系统、更快速的学习大模型！保证100%免费。

m0_56255097的博客 1557

什么是AI API？一分钟看懂

本文介绍了AIAPI（人工智能应用程序编程接口）的概念、功能和应用场景。AIAPI作为连接已训练AI模型与应用程序的桥梁，可提供文本生成、图像识别、语音处理等多种能力，帮助企业快速集成AI功能而无需从零开发。文章详细阐述了API的工作原理、典型应用案例（如智能客服、内容创作等），并分析了其优势（降低门槛、快速上线）与局限性（成本增长、数据隐私风险）。最后给出了12个常见问题解答，建议企业在采用AIAPI时先进行小范围测试，关注数据合规性，并做好异常处理准备。

b0r3d's Blog 无聊的生活，郁闷的工作 908

面向开发人员的5大AI API

人工智能 API 将强大的 AI 功能与您构建的应用程序连接起来。它们为您的软件提供了一种与预构建的机器学习模型（通常托管在云中）交互并利用这些模型的方法。您可以将它们视为可以集成到项目中的现成 AI 构建块。这些 API 简化了 AI 的复杂性。开发人员可以专注于实现功能，而无需深厚的机器学习专业知识。例如，您可以构建一个可以生成图像、分析图像和识别图像中对象的应用程序。只需几行代码，您就可以将自然语言理解、情感分析和面部识别等功能添加到您的应用程序。

Explinks的博客 1377

深入学习AI大模型服务平台的选型应用相关技术和问诊咨询

随着医学与人工智能技术的快速崛起，伴随算法算力、数据等关键要素的积累和突破，人工智能技术在精准医学领域的科研应用也随之飞快增长，相关科研成果和学术论文数量逐年激增，医学影像人工智能涉及的技术如图像分割、病灶识别、病灶自动勾画、影像组学、深度学习模型构建和临床信息解析越来越趋于分析流程化，模块化，帮助越来越多的医生在临床科研实践中获得突破性的进展。次将对前沿的人工智能应用案例进行详细的解析，帮助学员快速实践ChatGPT加持下的临床科研应用方法，加快各单位有AI实战经验的高端人才培养。

xhlo521的博客 2180

5个值得推荐的AI大模型API（超级详细）

2025年最值得关注的5个AI API平台：VmodelAI提供即用型模型，快速集成验证；Replicate免去基础设施管理，支持自定义模型部署；HuggingFace作为开源社区，提供丰富模型资源；Fal.ai以4倍加速的生成式媒体模型为特色；WavespeedAI专注于高速图像视频生成。不同平台各有优势，开发者可根据需求选择：快速验证选Vmodel，稳定服务选Replicate/Fal，学习研究选HuggingFace。这些平台将助力AI应用高效落地。

早睡早起的博客 2480

开源大模型与大模型api的使用优缺点

开源大模型和大模型 API 都是人工智能领域中的重要概念，它们各自有一些优缺点。

2401_82469710的博客 3633

AI之API：人工智能领域之国内外各大人工智能平台(百度云/华为云/阿里云/Face++等)及其API的简介、使用方法之详细攻略

AI之API：人工智能领域之国内外各大人工智能平台(百度云/华为云/阿里云/Face++等)及其API的简介、使用方法之详细攻略。

头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀 1万+
上一篇： 支付宝医疗大模型亮相！中英文考试超GPT4，已落地江浙沪一线医院
下一篇： 终于有人总结了大模型技术！
点赞 12
评论 0
书签 书签 21
Python_金钱豹
Python_金钱豹
博客等级 码龄5年 1万+粉丝 2835原创
+ 关注
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