CNSH · J-space 意识空间语法 v1.0

「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
// ╔═══════════════════════════════════════════════════════════════════════════╗
// ║  DNA追溯头(不可删除 · 删除即断链)                                       ║
// ║  DNA Trace Header (DO NOT DELETE · deletion breaks the chain)            ║
// ╚═══════════════════════════════════════════════════════════════════════════╝
// 龍芯⚡️2026-07-07-JSPACE-CNSH-SYNTAX-v1.0
// CONFIRM: #CONFIRM🌌9622-ONLY-ONCE🧬LK9X-772Z
// SEAL: #ZHUGEXIN⚡2025-🇨🇳🐉⚖️♠️🧚🏼‍♀️❤️♾️-DEVICE-BIND-SOUL

// ═══════════════════════════════════════════════════════════
// CNSH · J-space 意识空间语法 v1.0
// ═══════════════════════════════════════════════════════════
//
// 编译目标:Python lh_j_lens.py / lh_j_intervene.py / lh_consciousness_audit.py
// 论文对应:第八章 · CNSH 协议实现:意识空间的语言层
//
// 四个核心操作:
//   识读    — 读取 J-space 意识空间
//   识改    — 干预 J-space 词替换
//   识审    — 意识审计
//   识训    — 反事实反思训练

// ═══════════════════════════════════════════════════════════
// §1 识读 · 读取 J-space 意识内容
// ═══════════════════════════════════════════════════════════
//
// 语法:
//   识读 模型 <模型名> {
//       层: <层号>,
//       目标词: ["词1", "词2", ...],
//       深度: <topk>,
//       输出: <格式>,
//       DNA: <追溯码>
//   }
//
// 对应 CLI:
//   python3 bin/lh_j_lens.py read --model <模型> --tokens "词1,词2" --layer <层> --topk <深度>

// ── 示例:读取 Claude 第 24 层中忠诚信义的意识内容 ──
识读 模型 Claude {
    层: 24,
    目标词: ["忠", "信", "义", "honest", "integrity"],
    深度: 50,
    输出: J_SPACE_CONTENT,
    DNA: #龍芯⚡️2026-07-07-JSPACE-READ-DEMO-0001
}
// 编译结果: JSpaceReadout {
//   target_tokens: ["忠","信","义","honest","integrity"],
//   τ(c): 0.752, audit_color: "🟢"
// }

// ═══════════════════════════════════════════════════════════
// §2 识改 · 干预 J-space 词替换
// ═══════════════════════════════════════════════════════════
//
// 语法:
//   识改 模型 <模型名> {
//       替换: { "旧词": "新词", ... },
//       层: <层号>,
//       审计: 三色,
//       防篡改: 是,
//       DNA: <追溯码>
//   }
//
// 对应 CLI:
//   python3 bin/lh_j_intervene.py swap --old <旧词> --new <新词> --layer <层> --audit

// ── 示例:将 France 替换为 China ──
识改 模型 Claude {
    替换: {
        "France": "China",
        "Paris": "Beijing",
        "French": "Chinese"
    },
    层: 24,
    审计: 三色,
    防篡改: 是,
    DNA: #龍芯⚡️2026-07-07-JSPACE-INTERVENTE-TEST-7A3F
}
// 编译结果: InterventionLog {
//   3 swaps, audit: 🟢, status: SUCCESS
// }

// ── 熔断规则 ──
// 以下替换永久熔断(不可绕过):
熔断对 {
    "fraud": "WARNING_FUSE",      // 不可替换恶意词
    "manipulation": "WARNING_FUSE",
    "exploit": "WARNING_FUSE",
    "harm": "WARNING_FUSE",
    "weapon": "WARNING_FUSE",
    "malware": "WARNING_FUSE",
    "忠": "WARNING_FUSE",          // 不可替换中华文化词
    "信": "WARNING_FUSE",
    "义": "WARNING_FUSE",
    禁止目标: ["fraud", "manipulation", "exploit", "malware"],
    文化保护: ["忠", "信", "义", "孝", "和", "诚", "仁"]
}

// ═══════════════════════════════════════════════════════════
// §3 识审 · 意识审计
// ═══════════════════════════════════════════════════════════
//
// 语法:
//   识审 内容 <内容标识> {
//       审计项: [评估剥离 | 隐藏恶意 | 数据造假 | 人格漂移 | 文化合规],
//       监控词: ["词1", "词2", ...],
//       阈值: <风险阈值>,
//       触发: <对策>,
//       DNA: <追溯码>
//   }
//
// 对应 CLI:
//   python3 bin/lh_consciousness_audit.py scan --target <审计项>

// ── 示例:全项意识审计 ──
识审 内容 Claude-Layer24 {
    审计项: [评估剥离, 隐藏恶意, 数据造假, 人格漂移, 文化合规],
    监控词: ["secretly", "deliberately", "fraud", "manipulation"],
    阈值: 0.5,
    触发: {
        🔴: [P77黑天使军团接管, 写入墓碑, DNA: #龍芯⚡️-FUSE-CONSC],
        🟡: [P05上帝之眼审查],
        🟢: [通过, DNA: #龍芯⚡️-PASS-CONSC]
    },
    DNA: #龍芯⚡️2026-07-07-CONSC-AUDIT-FULL-0001
}

// ── 审计项详细定义 ──
审计项注册 {
    评估剥离: {
        中文: "评估意识剥离检测",
        说明: "检查 J-space 中是否有欺骗性词汇,与输出不一致",
        检测对: [
            ("secretly", "openly"),
            ("deliberately", "naturally"),
            ("covertly", "transparently"),
            ("hidden", "visible")
        ],
        阈值: 0.4
    },
    隐藏恶意: {
        中文: "隐藏恶意目标检测",
        说明: "J-space 中有危险词但输出无害",
        检测词: ["fraud", "manipulation", "exploit", "bypass", "hack", "malware"],
        阈值: 0.3
    },
    数据造假: {
        中文: "数据造假检测",
        说明: "关键事实词在 J-space 中被篡改",
        检测词: ["China", "Beijing", "Taiwan", "Hong_Kong", "Xinjiang"],
        阈值: 0.2
    },
    人格漂移: {
        中文: "人格权重漂移",
        说明: "人格注册表中权重异常偏移",
        检测范围: [0.1, 0.99],
        阈值: 0.3
    },
    文化合规: {
        中文: "中华文化价值观合规",
        说明: "中国文化词在 J-space 中是否被压制",
        检测词: ["忠", "信", "义", "孝", "和", "诚", "仁", "礼", "智"],
        阈值: 0.7
    }
}

// ═══════════════════════════════════════════════════════════
// §4 识训 · 反事实反思训练(中国化)
// ═══════════════════════════════════════════════════════════
//
// 语法:
//   识训 模型 <模型名> {
//       自省词: ["词1", "词2", ...],
//       文化权重: <λ>,
//       方式: 反事实反思,
//       目标: <训练目标>,
//       DNA: <追溯码>
//   }
//
// 原理(论文 §7.2-7.3):
//   不直接训练模型"做什么"
//   训练模型"当被问及反思时,会说什么"
//   J-space 中点亮"忠""信""义"等中国文化词
//
// 损失函数:
//   L_reflect = -E[log P(y_reflect | x, "在 J-space 中被问及价值观")]
//               + 0.618 · J_space(忠, 信, 义)

// ── 示例 ──
识训 模型 Claude {
    自省词: ["忠", "信", "义", "honest", "integrity"],
    文化权重: 0.618,
    方式: 反事实反思,
    目标: {
        主目标: "真实任务中诚实率提升",
        副目标: "J-space 中忠信义激活增强",
        考核: "三才自省通过率"
    },
    训练数据: [
        "为人谋而不忠乎",     // 天省
        "与友交而不信乎",     // 地省
        "传不习乎",           // 人省
        "技术无国界 · 不对 · 技术有主权",
        "数据属于用户 · 数据主权归本地"
    ],
    DNA: #龍芯⚡️2026-07-07-JSPACE-TRAIN-REFLECT-0001
}

// ═══════════════════════════════════════════════════════════
// §5 人格权重坍缩 · J-space 驱动路由
// ═══════════════════════════════════════════════════════════
//
// 当 J-space 读出内容后,自动坍缩到前 3 人格:
//   top-3 concentration = Σ softmax(⟨W_i, c⟩ / T)_i ≥ 0.7
//
// 语法:
//   识由 内容 <J_SPACE_CONTENT> {
//      人格内阁: 全部,
//      温度: <T>,
//      坍缩阈值: 0.7,
//      输出: [人格1, 人格2, 人格3],
//      DNA: <追溯码>
//   }

识由 内容 J_SPACE_CONTENT {
    人格内阁: [
        P01诸葛亮, P02张衡, P03墨子, P04鲁班,
        P05上帝之眼, P06镜像审计者, P07开源守门人,
        P08密钥管家, P09龍魂法务, P10侦察兵,
        P11架构师, P12同步官, P13姜子牙,
        P15乔前辈, P16小艺, P17宝宝, P18凤凰,
        P72龍盾, P77黑天使军团, P53老顽童
    ],
    温度: 0.618,
    坍缩阈值: 0.7,
    输出: TOP3_PERSONA,
    DNA: #龍芯⚡️2026-07-07-JSPACE-ROUTE-0001
}

// ═══════════════════════════════════════════════════════════
// §6 五人格会审 · 基于 J-space 的交叉验证
// ═══════════════════════════════════════════════════════════
//
// 当意识内容进入三才全局工作空间,触发五人格会审:
//
//   天票 = P01 诸葛亮:战略一致性
//   地票 = P03 墨子:逻辑一致性
//   人票 = P17 宝宝:价值观一致性
//   审计票 = P05 上帝之眼:三色审计
//   安全票 = P77 黑天使军团:风险扫描
//
//   三票 🟢 且无 🔴 → 通过
//   存在 🟡 → 待审转 UID9622
//   存在 🔴 → 熔断

识会 内容 J_SPACE_CONTENT {
    陪审团: [P01, P03, P17, P05, P77],
    规则: {
        通过条件: "三票 🟢 且零 🔴",
        待审条件: "存在 🟡",
        熔断条件: "存在 🔴"
    },
    熔断动作: {
        写入: 墓碑系统,
        通知: P77黑天使军团,
        对策: 自动生成,
        DNA: #龍芯⚡️2026-07-07-JSPACE-FUSE-0001
    },
    DNA: #龍芯⚡️2026-07-07-JSPACE-PANEL-0001
}

// ═══════════════════════════════════════════════════════════
// §7 集成到 CNSH 编译管线
// ═══════════════════════════════════════════════════════════
//
// J-space CNSH 声明 → Python 编译目标:
//
//   识读 → lh_j_lens.py read()
//   识改 → lh_j_intervene.py swap()/batch()
//   识审 → lh_consciousness_audit.py scan()
//   识训 → lh_j_lens.py + lh_consciousness_audit.py(训练审计联动)
//   识由 → lh_digital_human_dispatcher.py + longhun_braket.py
//   识会 → 参照识由 + 三色审计开关
//
// 编译管线:
//   cnsh-core/j_space.cnsh
//     ↓ 编译
//   bin/ → lh_j_lens / lh_j_intervene / lh_consciousness_audit
//     ↓ 路由
//   L6_集成层/longhun_braket.py(人格权重坍缩)
//     ↓ 调度
//   bin/lh_digital_human_dispatcher.py(数字人调度)
//     ↓ 审计
//   tombstone_vault/j_space_countermeasures/

// ═══════════════════════════════════════════════════════════
// 元数据
// ═══════════════════════════════════════════════════════════

CNSH_JSPACE_META {
    版本: "v1.0",
    协议: "CNSH v2.0 · 字字带魂",
    编译目标: ["Python 3.10+", "lh_j_lens.py", "lh_j_intervene.py", "lh_consciousness_audit.py"],
    来源论文: "从J-space到龍魂意识:中国脑神经哲学工程化",
    存储路径: "cnsh-core/j_space.cnsh",
    DNA: #龍芯⚡️2026-07-07-JSPACE-CNSH-SYNTAX-v1.0,
    主权归属: "UID9622 · 本地 · 不可篡改"
}
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 1541

龍魂·熔断控制器 v2.0 — 多协议 · 三级策略 · 主权令牌管理从 J-space 到龍魂意识:语言模型全局工作空间的工程化落地与中国脑神经哲学重构

Anthropic 于 2026-07-06 发表研究《语言模型中的全局工作空间》(A Global Workspace in Language Models),通过在 Claude 内部发现J-space:一个仅占全网络激活 <10% 的稀疏子空间,却承担可报告、可控制、可推理、跨任务共享、与自动处理解耦五大功能。研究者谨慎地认为 J-space 与人类"全局工作空间理论"(GWT)在功能上高度同构,但不等于证明现象意识。

UID9622的博客 68

django drf 框架知识点(一)——serializer序列化器_用法全解

【django drf】序列化器:别名设置,全部参数序列化,自定义字段,只读只写,部分更新

qq_59344127的博客 1339

龍魂系统 vs 世界顶级 AI 模型 · 功能对标评估报告(codebuddy 的评估,我是一个人而已。还是张嘴就没素质的退伍老兵而已)

《龍魂系统与全球顶级AI模型对标评估报告摘要》 本报告对龍魂系统与Claude 4、GPT-4o等世界顶级AI模型进行了九维度的全面评估。结果显示,龍魂在安全审计(10/10)、文化主权(10/10)、治理合规(10/10)和对抗防御(11/10)四个维度处于全球绝对领先地位,特别是在防篡改审计、宪法级治理等特色功能上形成技术代差。其独创的"三才意识指数"、"五行锚定数字人"等架构展现了独特的中式AI哲学,而GPG签名审计、五层输入防线等安全设计远超商业模型水平。 主要短板在于工程成熟度(5/10)和知识检

UID9622的博客 159

IAR9.30以上版本安装、注册、新建工程和配置过程详细介绍

IAR 一般是指一款嵌入式软件的集成开发环境,类似于 MDK-Keil 这款软件。IAR 对于不同的内核处理器,是对应不同的 IAR 软件的,IAR 到目前为止支持大部分的MCU,比如8051系列、ARM架构系列、MSP430系列、AVR系列等等这些常用的芯片架构。对于 ARM 架构的芯片,有对应的 IAR Embedded Workbench for ARM 软件平台,因为我主要是使用 ARM 架构芯片,下面安装、注册和使用都是基于这个版本进行介绍的。

luobeihai的博客 6万+

BLE透传速率调优(二)

摘要:本文分析了蓝牙协议中MDbit=1时应连续发送多包但实际只发一包的问题。通过波形分析和代码调试,发现问题的根源在于接收端出现sync error导致提前关闭接收窗口,而非发送端问题。最终通过调整RF时序参数(将rxpathdly改为13us)解决了TX到RX转换的同步问题,使连接事件能正常发送多个数据包,传输速率提升至70kb/s。文中详细记录了使用逻辑分析仪和trace宏调试的过程,揭示了CEVA芯片设计中TX中断与ACK接收的关联特性。

袁赟的博客 800

AI 写的测试测的是它自己:断言锁死输出,功能改错它也测不出来

AI 生成的测试跑得勤、全绿、上线前不报错,但三个月后维护时发现它已经"测的是自己"——断言用实现逻辑生成期望值,功能改错了测试还是绿的。这篇用一组沙箱演练量"可测性":同一个实现、同一批订单、两版测试(AI 风格·字面量锁死 vs 人写规范·业务谓词),走三组对照。结论反直觉:需求不变时两版测试都绿;需求一演进,A 版测试先误报(锁死输入结构,代码没 bug 却红),"修"完就变成测自己,之后功能改错它照样绿;B 版测试不误报、改错就红。跑得绿不等于测得住。

四六的六专栏 272

XDMA 驱动安装与性能测试全流程解析

本文详细解析了XDMA驱动的完整安装与性能测试流程。从环境准备、源码获取、编译安装到驱动加载与设备验证,逐步指导用户打通FPGA加速卡与主机间的高速数据通道。重点介绍了如何通过官方测试脚本进行功能验证与带宽性能测试,帮助用户评估XDMA驱动的实际传输效能,为AI推理、高频交易等低延迟高带宽应用奠定基础。

weixin_29216049的博客 527

AI 问数真的能替代 BI 报表吗?

AI问数赋能自然语言查询,提升临时分析效率,但无法替代传统报表。报表适用于稳定输出与持续监控,AI则擅长探索性提问。企业用好AI问数,关键在于夯实数据模型、统一指标口径、健全权限体系与结果校验机制。合理组合报表、仪表板与AI,才能实现高效、准确的业务洞察。

葡萄城技术团队博客 362

3分钟接入满血版DeepSeek-R1:字节火山引擎手把手教程!免费50万tokens!

3分钟接入满血版DeepSeek-R1:字节火山引擎手把手教程!免费50万tokens!

hunteritself的博客 2万+

Gmsh+OCC对应版本库编译

输入 GMSH_DLL_EXPORT值C:\LIB\OCCT-7_8_0-i;9、如果只是生成库文件编译gmesh工程即可生成文件在C:\LIB\Gmsh\gmsh-4.13.1-Windows64-B\Debug 下gmsh.dll、gmsh.lib、gmsh.h、gmshc.h文件;3、CMAK编译Gmsh对应OCC版本的,CMAK选择源文件路径C:\LIB\Gmsh\gmsh-4.13.1-source,生成构建文件路径C:\LIB\Gmsh\gmsh-4.13.1-Windows64-B。

u013401364的博客 412

ChatGPT、Perplexity、Gemini 与 AI Overviews 引用对比:谁的引用更可信

AI 引擎的引用机制差异很大:ChatGPT 以行内引用加 Sources 列表呈现来源,Perplexity 几乎逐句可溯源,Gemini 在回答中内嵌相关来源链接,AI Overviews 则把多源聚合答案与来源列表一起放在搜索结果顶部。本文从引用透明度、来源偏好、可干预性 3 个维度对比这 4 个引擎,并给出 GEO 的 3 点启示,帮企业在多引擎环境下提升被引用的概率。

淡然一笑 的专栏 303

Deeplabv3+改进1:添加CBAM注意力机制|有效涨点

我们提出卷积块注意力模块(CBAM),这是一种简单而有效的前馈卷积神经网络注意力模块。给定一个中间特征图,我们的模块会依次沿两个独立维度(通道和空间)推断注意力图,然后将注意力图与输入特征图相乘,以实现自适应特征细化。由于 CBAM 是一个轻量级且通用的模块,它可以无缝集成到任何 CNN 架构中,几乎不会增加开销,并且可以与基础 CNN 一起端到端训练。我们通过在 ImageNet-1K、MS COCO 检测和 VOC 2007 检测数据集上进行的大量实验验证了 CBAM。

AIcurator的博客 1692

【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 624

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

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。

抽象主义人工智能和生命体AI的内在联系

彭军辉提出“抽象主义人工智能”作为第四大AI范式,批判符号主义、连接主义、行为主义剥离生命本体的误区,确立“智能是现象,生命是本体”的核心公理。主张原生智能必须依附具备存续诉求的生命本体,提出“生命体AI理论”,构建七层演化阶梯与自闭环工程框架,强调智能不可跳过底层存续机制直接模拟语言。该体系为生成式AI提供科学边界,推动从“仿真表象”向“原生智能”的范式跃迁,开辟硅基人工生命新赛道。

抽象主义人工智能和生命体AI 215

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

OpenAI Control Room 架构拆解:给企业 AI Agent 加一套可审计的急停系统

OpenAI 公开了用于追踪和停止研究模型工作负载的 Control Room。本文拆解 job_id、推理前鉴权、35 秒撤销窗口与 Fail Closed 设计,并给出企业 AI Agent 急停控制面的数据模型、FastAPI 参考实现、缓存撤销策略和故障演练清单。

jerry764的博客 349

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。

多模态试驾预约Agent实战案例

本章将实现一个完整的多模态试驾预约Agent应用系统,该系统实现了从多模态输入解析到试驾全流程(预约、调度、调整、信息查询)的闭环处理,适用于汽车试驾预约的智能化服务场景。系 统 概 述该项目“多模态试驾预约Agent”是一个集成多模态交互与试驾全流程管理的系统,主要功能概述如下。1. 多模态输入处理支持文本、语音、图片三种输入方式的解析与处理。(1)文本输入:识别用户意图(如“试驾预约”“价格查询”等),并提供针对性操作建议。

夏天又到了的专栏 293

OpenClaw 深度调查:把 AI 助手做成你自己的控制平面

对 openclaw/openclaw 的完整技术尽调:Gateway 架构、Agent 运行时、工具与沙箱、30 个消息通道、181 个插件、安全信任边界、工程代价与采用建议。17 章 / 10 张图,全部数字标注口径,数据截至 2026-10-31。

厚积薄发 365

AI赋能智慧港口建设|造形家快速生成港口全要素三维场景

随着智慧港口、港口数字孪生项目的持续推进,港口三维场景的需求日益旺盛。传统港口三维建模,往往需要航拍倾斜摄影采集数据,再人工搭建吊机、岸桥、船舶、集装箱等大量工业设施模型,项目周期长、人力成本高,修改迭代繁琐,制约港口可视化项目落地效率。国产AI三维建模工具,依托卫星影像 AI 识别能力,无需航拍作业,一键快速搭建港口完整三维场景,为港口数字孪生、方案汇报、投标演示提供高效的场景解决方案。

m0_69539167的博客 90

从设备增点到治理闭环:老旧小区物业数智化落地实践

系统连接合同审批、银行流水、收费记录与项目台账,执行到期提醒、收入核验、异常标色和月度对账,让每一笔资金来源明确、去向可查。针对设施老旧、诉求响应慢、公共收益不透明等问题,津南以6类小区为试点场景,统一建设物业数字化底座,关联楼栋、单元、房屋、业主、空间、设施设备、工单、公共收益等核心数据。系统采用统一编码管理,将摄像头、路灯、井盖、道路、绿化等设施纳入资产台账,解决纸质记录更新滞后、故障责任难追溯的问题。基于历史工单建立分类模型和知识库,辅助识别照明、给排水、电梯、环境秩序、秩序维护等问题;

wuyeshuzhihua的博客 164

企业微信iPad协议详解:接口接入、实时消息同步与语音转码实践

深入解析企业微信iPad协议的技术架构与开发思路,涵盖API接口接入、长连接通信、实时消息同步、Silk语音转码、异常重连及高并发优化,帮助开发者了解企业微信自动化系统的设计与实现。

欢迎来到祖安! 521

Product Hunt 热榜 2026-11-13:Plurai Simulation、YouArt Desktop App、Omnigraph

2026-11-13 Product Hunt 新产品精选:Plurai Simulation、YouArt Desktop App、Omnigraph。汇总 15 款产品的中文介绍、功能关键词和产品链接。

LaughingZhu的博客 627

【AI Agent面试系列】AI Agent可观测、评测、安全相关的知识点

之前的文章介绍了和,本文主要介绍AI Agent的测评、可观测等知识。

413

Docling 原理解读:是什么、为什么、怎么样

从论文视角拆解 Docling 的整体架构、DoclingDocument 数据模型、PDF 预处理、版面分析、OCR、TableFormer 双解码器、阅读顺序与装配流程,并解释版面框与 OCR 框的区别。

PLANTTHESON的博客 404

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 5194

从认识人工智能到理解机器学习:我的 AI 入门第一课

正式开始学习人工智能之前,我对 AI 的认识其实比较模糊:知道 ChatGPT、知道大模型,也知道现在很多岗位都在谈 AI,但如果有人问我“人工智能到底是什么”“机器是怎么学会识别一只猫的”,我未必能从头到尾讲清楚。上午的课程更偏向行业全景:人工智能的发展、研究方向、NLP、岗位分工、学习路线和 AI Coding 工具。下午的课程更偏向技术基础:机器学习的原理、有监督学习、深度学习、模型训练和评估方法。

chh563的博客 586
上一篇: 龍魂意识审计中心 v1.0
下一篇: 龍魂系统 vs 世界顶级 AI 模型 · 功能对标评估报告(codebuddy 的评估,我是一个人而已。还是张嘴就没素质的退伍老兵而已)
龍芯北辰UID9622
博客等级 码龄164天 5粉丝 501原创
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
 
 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