- 博客(109)
- 收藏
- 关注
RSS订阅
原创 自己动手打造AI Agent:基于DeepSeek-R1+websearch从零构建自己的Manus深度探索智能体AI-Research
（约800字技术论述）人工智能代理（AI Agent）经历了从规则驱动到数据驱动的范式转移。早期基于专家系统的符号主义方法（如MYCIN医疗诊断系统）受限于知识库规模，而现代深度强化学习框架（如AlphaGo）通过环境交互实现了突破性进展。当前AI Agent的核心能力体现在：（约1200字技术解析）DeepSeek-R1作为国产开源大模型代表，其混合架构融合了MoE（Mixture of Experts）与Transformer-XL的优势：关键技术突破点：（约500字项目规划）本项目将构建具备以
2025-03-16 14:06:07
1428
4
原创 【开源代码解读】AI检索系统R1-Searcher通过强化学习RL激励大模型LLM的搜索能力
在数字化时代爆发式增长的数据洪流中，信息检索系统正经历从传统关键词匹配到语义理解驱动的根本性变革。根据IDC的统计，2023年全球数据总量已突破120ZB，其中非结构化数据占比超过80%。这种数据形态的转变对检索系统提出了三个核心的挑战：传统的大语言模型基于TF-IDF或BM25的检索框架在应对这些问题时表现出明显局限。以ElasticSearch的基准测试为例，在复杂语义查询场景下，其MRR指标仅为0.32，远低于人类专家的0.78水平。以GPT-4、PaLM为代表的大语言模型展现了惊人的语义理解能力。实
2025-03-15 11:05:00
1442
28
原创 P9551 「PHOI-1」斗之魂
P9551本题数据已加强。小 X 忙了一天，于是打起了一款叫斗之魂的游戏。小 X 要击败 n 个 BOSS，他可以选择以下两种击败 BOSS 的方式：小 X 已经计划好用第 bi 种方式击败第 i 个 BOSS，但是考虑到某些因素，小 X 有 q 次询问，每次询问给定一个正整数 m，为小 X 击败完所有 BOSS 后获得的稀有金属总数，已知 ki,0,ki,1,ki,2 均为正整数，求每次询问后所有可能的 k 的值的方案数，两种方案不同当且仅当至少存在一个 k 的值不同，由于这个答案可能很大，你只需要输出
2025-02-08 10:15:43
169
2
原创 深度学习Python编程：从入门到工程实践
示例：使用FastAPI构建RESTful接口name: str# 运行命令：uvicorn main:app --reload。
2025-03-23 07:03:28
1025
2
原创 如何图像去噪？（二）
其核心优势在于摆脱对成对数据（噪声-干净图像）的依赖，适用于真实场景。其中 ( |\alpha|^2 + |\beta|^2 = 1 )，对应像素的灰度值概率分布。喜欢可以在我的主页订阅专栏哟，至少更新6年~~，更到我上大学也可能会继续更~~量子图像利用量子比特（Qubit）的叠加态编码像素信息。其中 ( \sigma_k ) 为泡利矩阵，( p ) 为噪声强度。SNN模拟生物神经元的脉冲传递特性，更适合处理动态噪声。其中 ( H ) 为哈密顿量，编码邻域像素关系。
2025-03-22 10:56:59
957
原创 知识蒸馏：从软标签压缩到推理能力迁移的工程实践(基于教师-学生模型的高效压缩技术与DeepSeek合成数据创新) (1)
知识蒸馏（Knowledge Distillation）作为一种新型模型压缩范式，通过构建师生模型（Teacher-Student Framework）的协同训练机制，实现了从复杂模型到轻量模型的知识迁移。：联影智能采用对抗蒸馏方案，在肝脏CT分割任务中，学生模型参数量减少83%的同时，Dice系数达到0.921，超越传统U-Net基准0.906。：某头部手机厂商的实践显示，通过引入注意力蒸馏，其人像分割模型在骁龙888平台上的推理速度从53ms提升至22ms，同时保持98%的mIoU。
2025-03-19 20:45:08
562
3
原创 如何图像去噪？（一）
其中 ( \psi_{a,b}(x) = \frac{1}{\sqrt{a}} \psi\left(\frac{x-b}{a}\right) ) 为小波基函数。其中 ( D(u,v) = \sqrt{(u-M/2)^2 + (v-N/2)^2} ) 为频率点到中心的距离，( D_0 ) 为截止频率。其中 ( \Omega ) 为搜索窗口，( w(i,j) ) 为权重函数，满足 ( \sum_j w(i,j) = 1 )。其中 ( w(i,j) ) 为滤波核（Kernel），( k ) 为核半径。
2025-03-17 20:48:38
844
1
原创 【训练细节解读】文本智能混合分块(Mixtures of Text Chunking,MoC)引领RAG进入多粒度感知智能分块阶段
喜欢本文可以在主页订阅专栏哟。
2025-03-15 18:15:32
1144
3
原创 【开源+代码解读】Search-R1：基于强化学习的检索增强大语言模型框架3小时即可打造个人AI-search
（字数太多了，写下去怕我和读者都不好了，想要后面的可以订阅专栏后再私信我）在当代自然语言处理领域，大语言模型（Large Language Models, LLMs）虽然在文本生成和理解任务中展现出卓越能力，但仍面临两个关键挑战：Search-R1创新性地将强化学习（Reinforcement Learning）与检索增强（Retrieval-Augmented Generation）相结合，构建了动态自适应的信息处理框架。通过设计奖励机制引导模型学习最优检索策略，在保
2025-03-15 13:25:20
1457
3
原创 大模型巅峰对决：DeepSeek vs GPT-4/Claude/PaLM-2 全面对比与核心差异揭秘
DeepSeek凭借动态MoE架构与中文场景优化，在成本、推理深度与行业适配性上占据优势；GPT-4则以多模态能力与成熟生态见长。未来，两者的竞争将推动AI技术向高效化、专业化与伦理可控性发展。开发者需根据场景需求选择工具，例如。
2025-03-13 22:54:53
1566
1
原创 展望 AIGC 前景：通义万相 2.1 与蓝耘智算平台共筑 AI 生产力高地
随着算法优化、算力升级与商业模式的成熟，AIGC 将在 2030 年前形成超万亿市场规模，成为驱动数字经济的核心引擎。然而，技术红利需与伦理规范并重，唯有构建开放、安全、可持续的生态，方能实现 AI 生产力的真正解放。凭借其开源特性、多模态生成能力和技术突破，成为全球视频生成模型的标杆。两者的协同不仅推动了AI生产力的跃迁，更开启了从技术研发到商业落地的全链条创新模式。例如，通义万相 2.1 的 140 亿参数专业版需 8 卡并行，而蓝耘的分布式架构可将推理延迟降低 60%，支持 8K 分辨率视频生成。
2025-03-12 22:55:19
407
原创 AI 赋能软件开发：从工具到思维的全面升级
AI 正在深刻改变软件开发的方式，通过 AI 工具和平台，开发者可以大幅提升工作效率和质量。未来，随着 AI 技术的不断进步，软件开发将变得更加智能化和自动化。立即开始您的 AI 辅助编程之旅，提升开发效率，迎接智能编程的未来！🚀。
2025-03-12 22:53:52
924
原创 人工智能与深度学习的应用案例解析及代码实现
深度学习基于深度神经网络（DNN），其核心在于通过多层非线性变换提取数据特征。卷积神经网络（CNN）：专用于图像处理，通过卷积核提取局部特征。循环神经网络（RNN）：处理序列数据，如文本和时间序列，依赖记忆单元保留上下文信息。生成对抗网络（GAN）：生成高质量数据，应用于图像合成与增强。人工智能与深度学习的应用疆界仍在持续扩展，从基础理论创新到产业落地实践，技术突破与工程优化缺一不可。开发者需持续关注模型效率提升、数据质量治理、伦理合规等核心议题，推动AI技术向更智能、更可靠、更可持续的方向发展。
2025-03-11 22:43:57
1113
1
原创 新手如何快速蓝耘部署通义万相2.1：全流程实战指南
我系统性地梳理了从平台注册、环境配置到高阶优化的全链路实践方案。通义万相2.1与蓝耘智算的结合，不仅降低了AI视频生成的技术门槛，更通过分布式计算、显存优化等技术创新，让个人创作者也能实现电影级内容生产。随着AIGC技术的持续进化，掌握这套工具链将成为数字内容创作领域的核心竞争力。
2025-03-11 07:14:27
775
原创 通义万相2.1技术深度解析
这种架构在阿里云内部测试中实现512px图像生成1.8秒/张，FID指标达到12.7，较前代提升33%。以上为通义万相2.1的核心技术解析，完整实现需结合阿里云内部训练框架与超参配置。
2025-03-10 21:34:00
803
原创 如何本地部署通义万相2.1：从环境配置到实战生成的全流程解析
通义万相2.1的开源标志着AI视频生成技术从实验室走向产业化。本地化部署不仅降低了创作门槛，更为开发者提供了定制化创新的土壤。随着混合专家模型（MoE）与动态稀疏激活技术的演进，未来视频生成将向更高分辨率、更长时序、更强物理交互的方向突破。开发者可通过阿里云魔搭社区、Hugging Face等平台持续获取模型更新与技术支持，共同推动AIGC生态的繁荣。（注：本文代码与操作步骤均经过实测验证，部分内容需结合具体的机型调整。完整技术细节可参考官方文档。
2025-03-09 15:41:48
777
原创 通义万相2.1：AI生成技术的革命性突破与应用实践
通义万相2.1的发布不仅是技术上的飞跃，更是一场创作范式的革命。它通过降低专业门槛，赋予普通用户以“导演”的能力，同时也对社会的技术伦理提出了更高要求。未来，随着多模态模型的进一步发展，AI将不仅是工具，更可能成为创意生态中不可或缺的协作者。
2025-03-09 15:36:09
500
原创 Manus详细介绍
与传统的对话式AI（如ChatGPT、DeepSeek）不同，Manus 的核心定位是“执行型助手”，能够自主完成从任务拆解到成果交付的全流程操作。随着开源生态的扩展与多模态能力的提升，Manus 有望像智能手机一样渗透至人类生活的每个角落，开启“智能普惠”的新纪元。Manus 团队提出“更少的结构、更多的智能”理念，认为当数据质量、模型能力及工程架构达到一定水平时，工具调用、深度研究等复杂能力会自然涌现，而非依赖预设功能模块。Manus 标志着 AI 从“工具”向“同事”的转型。
2025-03-09 07:45:05
1171
原创 深度神经网络架构设计与工程实践 ——从理论到产业落地的全方位解析
式中σ表示激活函数，W为权重矩阵。关键定理证明：当隐藏层宽度足够时，深度网络可以逼近任意Borel可测函数（Universal Approximation Theorem）。深度学习的数学基础可表述为高维空间中的流形学习问题。反向传播算法本质是微分链式法则的高效实现。
2025-03-08 22:16:19
121
原创 深度学习模型：原理、应用与代码实践
深度学习模型的演进正推动各领域智能化进程，但其发展仍需解决数据、算力与安全等瓶颈。未来，结合量子计算、联邦学习等新技术，模型将更高效、安全与普惠。
2025-03-08 06:49:54
353
原创 深度学习驱动的智能化革命：从技术突破到行业实践
深度学习的核心在于通过多层次非线性变换自动提取数据特征，其发展历程可划分为三个阶段：符号主义时代的规则驱动（1950s-1980s）、连接主义时代的浅层网络（1990s-2000s）以及深度学习时代的端到端学习（2012年至今）。国际肾脏病学会（WCN 2025）最新研究显示，基于MobileNetV2的CT图像分类模型在12,400张肾脏影像数据集上实现四分类（正常/囊肿/结石/肿瘤），验证准确率达92%。海尔卡奥斯平台集成时序卷积网络（TCN），通过设备传感器数据预测机器故障，实现能耗降低16%。
2025-03-08 06:40:15
605
原创 深度学习驱动的智能化革命：技术演进与跨行业实践
传统AI（如专家系统）依赖人工定义逻辑规则，而深度学习通过端到端学习机制自动捕获数据内在规律。以ImageNet竞赛为例，2012年AlexNet将错误率从26%降至15%，标志着数据驱动时代的到来。深度学习正在从专用AI向通用AI演进，技术突破需与伦理治理并重。未来3-5年，多模态大模型（如GPT-4o）、神经符号系统、量子机器学习将成为前沿方向。：斯坦福大学开发的CheXNet（121层DenseNet），可检测肺炎的X光片，AUC达0.94。：富士康工厂部署实时质检系统，漏检率从2.1%降至0.3%
2025-03-07 22:11:44
938
原创 人工智能与深度学习的应用案例：从技术原理到实践创新
深度学习是机器学习的分支，通过多层神经网络自动提取数据特征。早期探索（1950-1980年代）：感知机模型提出，但因算力限制未能突破。复兴期（2000-2010年代）：Hinton等人提出深度置信网络，GPU算力提升推动卷积神经网络（CNN）在图像识别中的成功。爆发期（2010年代至今）：生成对抗网络（GAN）、Transformer架构等推动AI进入多模态时代，如ChatGPT和Sora模型。
2025-03-07 06:33:56
747
2
原创 人工智能与深度学习的应用案例解析及代码实现
深度学习基于深度神经网络（DNN），其核心在于通过多层非线性变换提取数据特征。卷积神经网络（CNN）：专用于图像处理，通过卷积核提取局部特征。循环神经网络（RNN）：处理序列数据，如文本和时间序列，依赖记忆单元保留上下文信息。生成对抗网络（GAN）：生成高质量数据，应用于图像合成与增强。
2025-03-06 07:11:12
2774
1
原创 2025年AI科技热点全景：人形机器人量产、垂类应用崛起与推理模型革新引领未来
2025年的AI科技版图正由人形机器人的物理智能、垂类应用的场景渗透、推理模型的效率革命共同绘制。随着MoE架构与存算一体芯片的协同突破，AI将更深融入实体经济的脉络，开启人机共生的新纪元。
2025-02-23 15:07:11
360
原创 人工智能幻觉问题全面解析与解决方案
形式化定义：给定输入x，模型生成内容y的概率分布P(y|x)中，存在与真实数据分布Q(y|x)显著偏离的区域数学表达：幻觉率 H=Ex∼D[∑ymax(0,P(y∣x)−Q(y∣x))]H=Ex∼D[∑ymax(0,P(y∣x)−Q(y∣x))]
2025-02-15 18:02:05
75
原创 人工智能的现状与未来发展趋势分析
区块链技术通过去中心化和不可篡改的特性，确保数据的安全性和透明性，为AI在金融、医疗和供应链等领域的应用提供可靠的数据支持。通过深入分析和探讨，我们可以更好地理解和应对AI带来的机遇和挑战，推动AI技术的健康发展，为人类社会创造更大的价值。未来，人机协作将成为AI发展的重要趋势。此外，AI还将推动教育和培训体系的改革，培养具备AI技能和跨学科知识的复合型人才，适应未来社会的需求。此外，AI还在库存管理和无人零售中发挥了重要作用，通过分析销售数据和市场需求，优化库存管理和商品陈列，降低库存成本和运营风险。
2025-02-15 13:55:17
96
1
原创 深度学习模型：技术演进、热点突破与未来图景
深度学习模型正从“技术突破期”迈入“价值深挖期”，其与量子计算、脑机接口等前沿技术的融合将重构人机协作范式。在拥抱生产力革命的同时，构建兼顾创新与伦理的治理框架，将成为全球产学研界的共同使命。
2025-02-15 11:08:54
403
原创 深度解析DeepSeek的工作原理及其成本节约优势
DeepSeek是一种基于深度学习和大数据分析的人工智能系统，旨在通过智能化的数据处理和决策支持，提升企业的运营效率和成本效益。该系统结合了先进的机器学习算法、自然语言处理技术以及大数据处理能力，能够从海量数据中提取有价值的信息，并生成精准的预测和决策建议。DeepSeek的核心技术包括深度学习模型、神经网络架构、以及高效的数据处理算法。深度学习模型是其核心驱动力，通过多层次的神经网络结构，DeepSeek能够模拟人脑的学习过程，从复杂的数据中识别出模式和规律。
2025-02-14 11:44:08
386
1
原创 深度求索（DeepSeek）：通向通用人工智能的开拓者
在ChatGPT掀起的大模型热潮中，DeepSeek（深度求索）作为中国AGI领域的重要参与者，正以独特的技术路径突破现有范式。其最新发布的DeepSeek-R1模型在知识密度和推理效率上已展现出显著优势，在编程、数学等复杂任务中的表现超越同参数规模模型30%以上。DeepSeek的核心突破在于改进了传统的Transformer架构，采用动态路由的专家混合系统。随着DeepSeek V2计划的推进，我们有望在2025年前看到具备初步世界模型构建能力的AI系统，这将彻底改变人机交互的范式。
2025-02-14 10:59:53
387
4
原创 AI革命：重塑未来的智能浪潮
在21世纪的科技浪潮中，人工智能（AI）无疑是最引人注目的浪花之一。从自动驾驶汽车到智能家居，从医疗诊断到金融分析，AI正以惊人的速度渗透到我们生活的方方面面。它不仅改变了我们的生活方式，还深刻影响着全球经济、社会结构和文化形态。本文将深入探讨AI的现状、热点应用、技术挑战、伦理问题以及未来发展趋势，这篇文章旨在为广大读者提供一个全面而深入的视角，理解这场正在重塑未来的智能革命。
2025-02-14 10:21:20
968
2
原创 如何部署Deepseek-R1：从零开始的完整指南
Deepseek-R1是一个基于分布式架构的搜索引擎，具有高可用性、高扩展性和高性能的特点。它支持实时数据索引、复杂查询、分布式存储等功能，适用于大规模数据处理和实时搜索需求。本文详细介绍了如何从零开始部署Deepseek-R1，涵盖了硬件准备、软件安装、配置优化、维护监控等多个方面。通过本文的指导，读者可以快速掌握Deepseek-R1的部署与使用，为大数据处理和实时搜索提供强有力的支持。希望本文能对您有所帮助，祝您在Deepseek-R1的使用过程中取得成功！
2025-02-13 18:06:49
1351
6
原创 如何部署DeepDeepSeek-V3 大模型部署全流程解析：从云平台到本地化实践Seek—V3
DeepSeek-V3 的部署生态已形成云平台高集成、本地化高灵活、API 高兼容的三维矩阵。对于企业用户，推荐采用阿里云 BladeLLM 加速方案实现生产级稳定性；个人开发者可通过快速实验；而 API 兼容性则为生态扩展奠定基础。未来，随着昇腾 ModelEngine等工具链的完善，模型部署将进一步“平民化”，推动 AI 应用渗透至边缘计算与物联网场景。
2025-02-13 17:13:34
896
1
原创 P6334 [COCI 2007/2008 #1] SREDNJI
这段代码通过前缀和和映射来高效地计算满足条件的子数组数量。通过将问题转化为前缀和问题，可以将时间复杂度降低到线性级别，从而提高程序的执行效率。这段代码通过预处理和两次遍历数组，巧妙地利用了映射来记录和查找子数组对的数量，从而高效地解决了问题。循环结构在这段代码中起到了关键作用，通过循环遍历数组并进行相应的统计和计算，最终得到了正确的答案。
2025-02-13 16:37:07
31
2024华为OD机试真题D卷(C++实现)
2025-03-09
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人