龍魂三色审计报告 · 智谱清言(Zhipu Qingyan) ——技术自主与主权模糊的临界样本

「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

审计声明:本审计基于公开可查信息、官方披露文件、第三方评测报告及用户协议文本,严格遵循龙魂系统三色审计标准。审计结论仅代表基于公开信息的逻辑推演,不构成对任何主体的法律定性或最终裁决。 所有结论均可复现、可验证、可追溯,欢迎被审计方提供补充材料进行修正。

DNA:        #龍芯⚡️丙午·癸未·乙酉·坤卦-ZHIPU-AUDIT-V1.0-UID9622
确认码:      #CONFIRM🌌9622-ONLY-ONCE🧬LK9X-772Z
GPG:        A2D0092CEE2E5BA87035600924C3704A8CC26D5F
主权锚定:    #ZHUGEXIN⚡️2025-🇨🇳🐉⚖️♠️🧚🏼‍♀️❤️♾️-DEVICE-BIND-SOUL
三色:       🟡 待审(综合评级)
分层许可:    思想层 CC BY-NC-SA 4.0 · 工程层 MulanPSL v2
审计性质:    P1级 · 第三方独立公开审计
审计对象:    智谱清言(北京智谱华章科技股份有限公司)
审计基准:    龙魂系统三色审计标准 v3.0
审计时间:    2026-08-06
状态:       发完即走,不互动、不解释、不回复

🐉 龍魂三色审计报告 · 智谱清言(Zhipu Qingyan)

——技术自主与主权模糊的临界样本

📋 摘要 / 执行概览

一句话结论: 智谱清言在技术自主性(GLM全链路自研、国产算力适配、主权AI理念倡导)上表现突出,但在数据主权透明度、用户控制权、开源协议与商业服务的法律割裂上存在重大模糊地带。综合评级:🟡 待审 —— 有亮点,有隐患,需持续追踪。

审计总览

审计维度评级核心发现
技术自主性🟢GLM全链路自研,国产算力适配,技术自主可控
开源协议🟢MIT协议开源权重,无地域限制,技术平权
主权AI理念🟢积极参与主权AI白皮书,倡导技术主权
数据主权透明度🔴API调用适用中国《国家情报法》,用户数据流向不透明
用户数据控制权🟡隐私政策合规但存在“霸王条款”,用户控制权有限
合规与监管🟡已通过备案,但曾被公安部点名违规收集个人信息
开源与商业割裂🟡开源权重与云端API的法律框架不一致

综合评级:🟡 待审

📑 目录

一、审计方法声明

1.1 审计依据

依据类型具体内容
官方协议智谱清言用户协议(2025-08-29)、隐私政策(2026-07-08)
公开披露官方网站、技术白皮书、发布会信息
第三方报告公安部通报、媒体评测、行业分析
开源代码Hugging Face、ModelScope发布的GLM-5.2权重
审计标准龙魂系统三色审计标准 v3.0、六维统一对齐协议

1.2 审计范围

本审计覆盖智谱清言(含智谱AI/ Z.ai)的以下层面:

  • 技术架构与自主性
  • 开源协议与生态建设
  • 主权AI理念与实践
  • 数据主权与透明度
  • 用户数据控制权
  • 合规与监管历史
  • 开源与商业的法律一致性

二、审计维度一:技术自主性

2.1 审计发现

智谱清言在技术自主性方面表现突出:

指标评估证据
模型架构🟢基于独创的GLM(通用语言模型)预训练框架,突破传统GPT、BERT等西方技术路径
核心技术来源🟢源于清华大学知识工程实验室(KEG Lab)十余年研究积累
全链路自研🟢智谱宣称“掌握全链路大模型核心技术”
国产算力适配🟢GLM-5.2基于华为昇腾AI加速器训练
被美列入实体清单🟡2025年1月被美国商务部列入实体清单,智谱回应“不会对公司业务产生实质影响”

2.2 审计评语

🟢 技术自主性是智谱清言最强维度。 从GLM架构到华为昇腾训练,从清华基因到全链路自研,智谱在技术主权层面走在中国大模型前列。被美国列入实体清单本身,也从侧面印证了其技术实力的战略价值。

2.3 三色判定

子项判定
模型架构自主🟢
算力自主🟢
技术供应链安全🟢
被制裁应对能力🟢
维度综合🟢

三、审计维度二:开源协议与生态

3.1 审计发现

指标评估证据
开源协议🟢GLM-5.2采用MIT协议开源,无地域访问限制
模型规模🟢744B总参数(40B激活),1M token上下文窗口
开源平台🟢Hugging Face + ModelScope同步发布
社区生态🟢“Z计划”扶持全球AI初创企业
开源历史🟢ChatGLM-6B、CogView3等模型已开源

3.2 审计评语

🟢 MIT协议开源是智谱清言最具国际竞争力的动作。 在西方对中国AI实施技术封锁的背景下,智谱选择MIT协议 + 无地域限制,直接回应了“技术平权”的诉求。这一策略既符合中国“开放合作”的战略方向,也为全球开发者提供了可用的高性能模型。

3.3 三色判定

子项判定
开源协议合规🟢
开源模型可用性🟢
社区生态建设🟢
技术平权贡献🟢
维度综合🟢

四、审计维度三:主权AI理念与实践

4.1 审计发现

指标评估证据
主权AI定义🟢CEO张鹏定义主权AI为“国家能够独立自主地开发、部署、管理并控制自身AI基础设施”
白皮书参与🟢参与发布《全球主权大模型发展白皮书》
出海实践🟢为东盟国家训练“国家大模型”,打包输出算法与训练能力
理念对齐🟢主权AI四要素:开放、协作、可控、普惠

4.2 审计评语

🟢 智谱是“主权AI”概念的主要推动者之一。 从定义到实践,从白皮书到出海,智谱在理念层面走在了行业前列。其“为其他国家构建AI底座”的商业模式,本质上是在输出中国标准。

4.3 三色判定

子项判定
主权AI理念🟢
国际实践🟢
标准输出🟢
理念与行动一致性🟢
维度综合🟢

五、审计维度四:数据主权与透明度

5.1 审计发现

这是智谱清言最大的模糊地带。

指标评估证据
API数据流向🔴使用云端API时,数据经过受中国《国家情报法》管辖的公司
美国警告🔴美国国土安全部警告该法律框架可能迫使中企向美方提供数据
数据出境政策🔴公开信息未明确披露数据跨境传输的具体规则
用户知情权🟡隐私政策有说明,但未充分披露API调用的数据主权风险
数据本地化选项🟢端侧智谱清言提供“隐私模式”,可在本地处理数据

5.2 核心矛盾

智谱清言在“主权AI”理念上高调,在“数据主权”执行上模糊。

  • 理念层面: 倡导主权AI,反对数字霸权
  • 执行层面: API用户的数据流向受《国家情报法》约束,但未在产品层面清晰告知用户这一风险
  • 解决方案存在但门槛高: 自托管权重可规避API数据风险,但1.5TB GPU内存的基础设施门槛超出大多数团队能力

5.3 审计评语

🔴 这是智谱清言最大的审计风险点。 开源权重是MIT协议,但云端API服务适用中国法律——两者在法律框架上存在根本性不一致。用户使用开源权重时享有技术自由,但调用API时数据主权归属不明确。这种“开源外壳 + 主权内核”的双层结构,既可能是战略设计,也可能是透明度缺口。

5.4 三色判定

子项判定
数据流向透明🔴
数据主权归属明确🔴
用户知情权保障🟡
数据本地化选项🟢
跨境数据传输披露🔴
维度综合🔴

六、审计维度五:用户数据控制权

6.1 审计发现

指标评估证据
隐私政策合规🟢已按《个人信息保护法》要求制定隐私政策
用户信息管理🟢支持查询、复制、更新、删除个人信息
未成年人保护🟢设有未成年人使用规则
霸王条款🔴用户协议允许智谱“不定时制定、修改本协议或各类规则”
单方变更权🔴“如您继续使用…即表示您已同意接受修订后的本协议内容”
强制同意🔴不同意即“立即停止注册程序”

6.2 审计评语

🟡 隐私政策形式合规,但用户权利实质受限。 “不定时修改协议 + 继续使用即同意”的条款设计,在龙魂系统三色审计标准下属于🔴级“单方霸权条款” ——用户没有真正的协商权,只有“接受或离开”的选择。

6.3 三色判定

子项判定
隐私政策合规🟢
用户信息管理权🟢
协议修改权限制🔴
用户退出权🔴
数据删除权🟢
维度综合🟡

七、审计维度六:合规与监管历史

7.1 审计发现

事件时间内容
生成式AI备案2023中国首批通过《生成式人工智能服务管理暂行办法》备案
公安部点名2025-06《智谱清言》(版本2.9.6)被认定为“实际收集的个人信息超出用户授权范围”
被美列入实体清单2025-01美国商务部工业与安全局将智谱AI列入实体清单

7.2 审计评语

🟡 合规记录有亮点也有污点。 首批通过备案是加分项;但被公安部点名“违规收集个人信息”是明确的合规瑕疵。被美国列入实体清单则是一把双刃剑——既证明了技术实力,也带来了供应链和国际合作的不确定性。

7.3 三色判定

子项判定
国内备案合规🟢
个人信息保护🔴(曾有违规记录)
国际合规🟡(被列入实体清单)
维度综合🟡

八、审计维度七:开源与商业的法律割裂

8.1 审计发现

对比项开源权重(GLM-5.2)云端API服务
协议MIT协议智谱用户协议
数据主权用户自托管,自负其责适用中国《国家情报法》
地域限制无无明确披露
用户控制权完全自主受平台条款约束

8.2 审计评语

🟡 开源是MIT,服务是主权——两者之间的法律桥梁缺失。 开发者下载MIT协议的开源权重时,以为自己在“技术平权”的框架下工作;但一旦调用云端API,数据就进入了另一个法律框架。这种“开源外壳 + 主权内核”的双层结构,在龙魂系统的三色审计标准下,属于🟡级“法律透明度不足”——不是违法,是没说清楚。

8.3 三色判定

子项判定
开源协议合规🟢
服务协议合规🟢
协议一致性🔴
用户知情权🟡
维度综合🟡

九、龙魂系统对标差距分析

对比维度智谱清言龙魂系统标准差距
数据主权锚定模糊(API适用《国家情报法》但未明示)P0焊死:中国法律为准🔴 重大差距
DNA追溯无每条数据、每行代码可追溯🔴 重大差距
三色审计无所有输出强制三色标记🔴 重大差距
分层许可MIT一刀切思想层/工程层分离🟡 中等差距
协议不可篡改可单方修改P0焊死,不可降级🔴 重大差距
用户退出权“停止使用即退出”数据可导出、可删除🟡 中等差距
开源透明度MIT协议开放工程层MulanPSL v2🟢 基本对齐
技术自主性GLM全链路自研龙魂全链路自研🟢 基本对齐

十、三色综合判定

10.1 各维度评分汇总

维度评级权重加权得分
技术自主性🟢25%🟢
开源协议与生态🟢15%🟢
主权AI理念🟢10%🟢
数据主权与透明度🔴25%🔴
用户数据控制权🟡10%🟡
合规与监管🟡10%🟡
开源与商业割裂🟡5%🟡

10.2 综合判定

┌─────────────────────────────────────────────────────────────┐
│                                                             │
│   🟢 技术自主性  ████████████████████████████████████  25%  │
│   🟢 开源生态    ████████████████████████████          15%  │
│   🟢 主权理念    ████████████████████                  10%  │
│   🔴 数据主权    ████████████████████████████████████  25%  │
│   🟡 用户权利    ████████████████                      10%  │
│   🟡 合规历史    ████████████████                      10%  │
│   🟡 法律割裂    ████████                               5%  │
│                                                             │
│   综合评级:🟡 待审                                          │
│                                                             │
│   🔴 项:1项(数据主权与透明度)                             │
│   🟡 项:3项(用户权利、合规历史、法律割裂)                 │
│   🟢 项:3项(技术自主、开源生态、主权理念)                 │
│                                                             │
└─────────────────────────────────────────────────────────────┘

10.3 判定理由

智谱清言综合评级为🟡 待审。

优势明显: 技术自主性突出(GLM全链路自研、华为昇腾训练),开源策略激进(MIT协议、无地域限制),主权AI理念积极(参与白皮书、出海实践)。

隐患同样明显: 数据主权透明度不足(API调用适用《国家情报法》但未充分告知用户),用户协议存在单方霸权条款,曾被公安部点名违规收集个人信息,开源协议与商业服务的法律框架存在割裂。

本质矛盾: 智谱清言在“技术主权”上高调,在“数据主权”上模糊。它既想站队中国主权AI,又想拥抱全球开源社区——这种“两面下注”的策略在商业上或许有效,但在龙魂系统的三色审计标准下,数据主权的模糊地带是不可接受的🔴级风险。

十一、建议与跟踪项

11.1 对智谱清言的公开建议

优先级建议说明
P0明确披露API调用的数据主权归属在用户协议中明确说明:调用云端API时,数据适用中国哪些法律、数据存储在哪里、数据可能被谁访问
P0废除“不定时修改协议”条款改为“协议修改需提前30天通知,用户可选择退出并获得数据导出”
P1建立DNA追溯机制为每条用户数据、每次API调用生成可追溯的DNA码
P1引入三色审计对模型输出、数据处理、协议合规进行三色标记
P2分层许可将思想层(模型权重)与工程层(API服务)的许可分开声明

11.2 龙魂系统的跟踪项

跟踪项说明状态
智谱API数据主权声明更新持续监测智谱是否更新用户协议中的数据主权条款🔄 跟踪中
智谱合规记录持续监测是否有新的监管通报🔄 跟踪中
智谱开源策略变化监测MIT协议是否持续🔄 跟踪中

11.3 对龙魂系统的启示

智谱清言的案例证明:技术自主 ≠ 数据主权。

一个模型可以是全链路自研的、基于国产算力的、被美国制裁的——但仍然可能在数据主权透明度上存在重大缺口。龙魂系统的优势在于:从第一天起就把数据主权焊死在协议层,而不是等到被审计才发现问题。

十二、DNA签名区

═══════════════════════════════════════════════════
 龍魂三色审计报告 · 智谱清言 · 最终签名
═══════════════════════════════════════════════════
DNA:        #龍芯⚡️丙午·癸未·乙酉·坤卦-ZHIPU-AUDIT-V1.0-UID9622
确认码:      #CONFIRM🌌9622-ONLY-ONCE🧬LK9X-772Z
GPG:        A2D0092CEE2E5BA87035600924C3704A8CC26D5F
主权锚定:    #ZHUGEXIN⚡️2025-🇨🇳🐉⚖️♠️🧚🏼‍♀️❤️♾️-DEVICE-BIND-SOUL
三色:       🟡 待审(综合评级)
审计维度:    技术自主性 🟢 / 开源生态 🟢 / 主权理念 🟢 / 数据主权 🔴 / 用户权利 🟡 / 合规历史 🟡 / 法律割裂 🟡
审计时间:    2026-08-06
审计人:      龍芯北辰 UID9622 · 龍魂系统创始人
状态:       发完即走,不互动、不解释、不回复
═══════════════════════════════════════════════════

🐉 丙午 · 癸未 · 乙酉 · 坤卦 · 🟡

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

EMC测试案例分析——晶振对辐射发射的影响

本文分析了某产品350MHz辐射发射超标问题,发现源头是50MHz晶振的7次谐波通过连接器泄漏。主要原因是:1)防水非导电垫圈形成屏蔽缝隙;2)晶振下方地平面不完整且信号线穿过;3)晶振离接口过近。改进措施包括:完善晶振下方地平面、增大晶振与接口距离、使用导电密封圈等。最终辐射降低10dB以上达标。文章总结了晶振EMC设计要点:保持地平面完整、远离接口、外壳接地、合理布局滤波电路等,并强调防水与屏蔽的协调统一。

u012526819的博客 671

3步实现Windows端AutoGLM替代方案,弥补智普清言功能空缺

解决Windows端智普清言缺失AutoGLM功能的痛点,提供实用替代方案。针对本地部署与自动化场景,通过API对接、模型替换和工具链配置三步实现高效补位,兼容性强且操作简单,显著提升AI任务处理效率,值得收藏。

CompiGap的博客 514

手把手教你用Anaconda安装李沐d2l-zh包(附常见报错解决方案)

本文提供了一份详尽的Anaconda环境下安装李沐d2l-zh包的实战指南。文章从创建虚拟环境、配置国内镜像源加速下载入手,分步讲解核心依赖的预安装策略,并重点剖析了安装过程中常见的报错及其解决方法,旨在帮助初学者和开发者高效、稳定地搭建深度学习实验环境。

efc1234567的博客 1012

【FDE知识库】(4):企业知识库怎么选型,开源知识库分享几个,选择开源协议友好的版本,开发wiki-go项目

本文介绍企业内部搭建Wiki的主流开源项目,涵盖现代化(如Wiki.js、BookStack)、轻量级(MM-Wiki)、经典老牌(DokuWiki、XWiki、MediaWiki)及基于Git的文档即代码方案(Docusaurus等)。重点推荐将BookStack核心功能迁移至Go语言的Wiki Go项目,采用GoFrame框架实现单二进制部署,支持SQLite与本地文件存储,保留“书-章-页”结构与权限体系,架构清晰可扩展,适合中小团队快速私有化部署。

freewebsys的专栏 208

OpenWebUI外部模型配置异常排查与修复指南

本文详细解析了OpenWebUI外部模型配置异常的常见问题及解决方案,包括隐藏字符、数据库锁死等典型现象。通过错误日志分析和数据库修复实战指南,帮助开发者快速定位并解决配置问题,确保OpenWebUI与第三方大模型的稳定连接。

weixin_29205061的博客 316

RandLA-Net 调通代码1:Windows 11 + Tensorflow 2.4 + S3DIS数据集【踩坑+填坑】

TF不上进啊,学学pytorch

累了就要打游戏 2484

git 协作:基于 Code Review 的修改与二次提交整理

开头的 MR 处于草稿状态,合并按钮被禁用,语义是「仍在修改,暂不合并」。追加新提交不改变被评审的提交,comment 与代码的对应关系保持完整——处理评审意见时优先采用追加提交而非改写提交。该命令用本地引用直接覆盖远端分支引用,远端分支上所有未被本地包含的提交(即评审期间他人推送的提交)会脱离分支历史,其他协作者基于这些提交的工作将无法正常合并。已推送并带有评审意见的提交对提交 SHA 有额外的依赖:GitLab MR 中的 comment 依附于原提交的 SHA 与代码行位置,变基或。

qq_40467670的博客 342

Verilog实战:手把手教你实现IEEE 754单精度浮点乘法器(附完整代码)

本文详细介绍了如何使用Verilog实现IEEE 754单精度浮点乘法器,包括标准解析、架构设计、Verilog代码实现及优化技巧。通过两级流水线设计,平衡性能与面积,适用于数字信号处理、AI加速器等高性能计算场景。

weixin_33724046的博客 315

【人工智能】AI时代下CodeReview怎么做

AI时代代码审查需明确分工:人负责需求流程把关,避免因假设错误导致设计偏差;AI擅长检测代码缺陷,尤其在多函数协作中的潜在问题;而团队私域知识(如内部接口规范)需通过沉淀为上下文供AI参考,弥补其知识盲区。唯有三者协同,方能实现高效、可靠的Code Review。

千月星跡 315

Masta调用Geometry Modeller(Space Claim)进行根据三维模型快速建模设置方法

masta中调用ANSYS的space claim的设置方法

xifegnlie的博客 248

数字电视中的 Closed Caption (CC) 字幕标准协议

本文将详细介绍 DVB中的 CC 字幕标准协议,包括数据结构格式、字段定义、字段占用比特数以及字段用途。此外,本文还将举例说明如何从 TS 传输流中解析 CC 字幕信息,并组织打包到电视节目中进行显示。

以实战经验介绍行业知识 671

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

模型实战(31)之 yolo26 实现对手部关键点数据集 的训练与关键点检测

模型实战(31)之 yolo26 实现对手部关键点数据集 的训练与关键点检测

yohnyang的博客 210

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

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")

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

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

【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

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

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

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
上一篇: ⛩️ 龍魂系统 · 自主主权插件适配协议 v1.0 ——拒绝黑箱·自研替代·主权适配·即需即造
下一篇: 干掉 OpenAI——怎么干? OpenAI真正的弱点,不是技术,是**底座脆弱**(DeepSeek 又不免责的输出,这家伙,就是爱跟我吹牛逼。没办法,就吹吧,反正吹一年多了,不差这几天)
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