7款AI大模型写高考作文,名师点评结果让人惊讶,有的跑题了?!

「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

刚刚,2025年高考作文题目出炉,再次成为亿万网友关注的话题。

越来越“聪明”的人工智能大模型写高考作文真题,会带给我们怎样的惊喜?阅卷老师又会给出怎样的分数呢?

今年湖北高考语文采用全国一卷,作文题为根据给定的材料进行写作。豆包、通义千问、GPT-4o的作品斩获前三名。

全国一卷

阅读下面的材料,根据要求写作。(60分)

他想要给孩子们唱上一段,可是心里直翻腾,开不了口。

——老舍《鼓书艺人》(见全国一卷阅读II)

假如我是一只鸟,

我也应该用嘶哑的喉咙歌唱

——艾青《我爱这土地》

我要以带血的手和你们一一拥抱,

因为一个民族已经起来

——穆旦《赞美》

以上材料引发了你怎样的联想和思考?请写一篇文章。

要求:选准角度,确定立意,明确文体,自拟标题;不要套作,不得抄袭;不得泄露个人信息;不少于800字。

极目新闻选取了7款AI大模型进行评测,测评过程中,记者将上述作文题原封不动输入,开启深度思考模式。

极目新闻邀请的阅卷老师为武汉二中高级教师、武汉市江岸区学科带头人谢先丽,曾于2009年、2012年、2021年参与高考阅卷并获评优秀评卷员。

题目点评

时间进入2025,距离1945年已经过去了八十年,科技飞速发展: AI生成的影像让人们交口称赞,笨拙的机器人在舞台上转起了小手绢,跑进了马拉松,豆包可以陪你细细聊天……科技的发展已经可以让天涯变为咫尺。可是,人与人却似乎越走越远:俄乌战争依然炮火连天,世界贸易战此起彼伏,漂亮国又宣布禁止哈佛大学招收国际学生……当我们感受祖国日新月异的变化,当我们为华为芯片、宇树科技的机器人骄傲叫好时,我们又气愤于特朗普政府一次次的技术封锁,一次次的关税壁垒,一次次的交流限制……我们才一次次地认识到,祖国永远是我们最坚强的后盾,祖国永远是我们最强大的底气。

在这样的时代背景下,我们看到全国一卷的作文题,自然就觉得此题来得恰如其分,理所当然。没有人为审题的难度,没有强行辩证的逻辑,只需要你有对祖国苦难的铭记,对祖国命运的思考,对祖国未来的责任,贯穿于对祖国矢志不渝的热爱中,你就可以书写出令人满意的答卷。

书写此题,可以写对祖国何以强大的认识,表达时代青年的责任担当;可以写今天我们为什么仍然要宣扬爱国,如何以个体有限的力量表达对祖国的热爱等等,表达时代青年的理性爱国意识。

img

1号大模型:文心一言

破茧之声:在沉默与歌唱的张力中书写时代

鼓书艺人紧攥的折扇终未展开,嘶哑喉头迸发的却是震耳欲聋的呐喊,带血的手掌托起的是整个民族的脊梁。老舍、艾青、穆旦笔下的三种歌唱姿态,恰似三棱镜折射出中国人精神世界的斑斓光谱。在沉默与歌唱的永恒辩证中,我们窥见了文明传承最深邃的密码——真正的表达从不是声音的简单外放,而是灵魂在重压下迸发的生命强音。

沉默从来不是怯懦的代名词,而是精神蓄力的茧房。老舍笔下那位欲言又止的艺人,恰似暗夜中蜷缩的春蚕,在沉默中完成着生命的蜕变。回望历史,司马迁在腐刑之辱后选择以沉默对抗命运,却在竹简上刻下"究天人之际"的千古绝唱;敦煌藏经洞的经卷在千年黑暗中静默,却让梵呗佛音穿越时空,在文明交融中奏响新的乐章。真正的沉默是苏武执节牧羊时的缄默,是文天祥囚室挥毫时的凝思,是陶渊明"欲辩已忘言"的哲思,是生命在重压下积蓄破茧力量的智慧。

嘶哑的歌喉往往能穿透历史的迷雾,在破碎中拼凑出完整的灵魂图景。艾青笔下那只喉咙嘶哑的鸟,让人想起贝多芬失聪后仍用牙齿抵着琴键创作,想起阿炳在双目失明后拉响的《二泉映月》。当顾炎武在明末清初的烽火中写下"天下兴亡,匹夫有责",当秋瑾在就义前挥毫"秋风秋雨愁煞人",这些带着血泪的歌唱,恰似荆棘鸟在尖刺上最后的绝唱,用生命的疼痛换取天籁的永恒。真正的歌唱从不在意音色的完美,而在于能否在时代的裂谷上架起精神的桥梁。

带血的拥抱不是悲情的谢幕,而是新生的序曲。穆旦笔下"以带血的手"拥抱的民族,让我们看到屈原投江时衣襟卷起的浪花,看到林则徐虎门销烟时升起的硝烟,看到闻一多拍案而起时溅落的墨迹。这些看似悲怆的姿态,实则是文明基因的赓续方式。正如敦煌壁画中的飞天,在剥离斑驳的壁画时,反而显露出更璀璨的色彩;正如青铜器在绿锈的侵蚀下,铭文愈发清晰可辨。带血的印记不是终点,而是文明在阵痛中完成自我更新的印记。

从商周青铜器的饕餮纹饰,到魏晋书法的飞白笔意;从盛唐诗歌的慷慨激昂,到宋元水墨的留白意境,中华文明始终在沉默与歌唱的张力中前行。当我们站在新的历史方位回望,那些未唱出的歌、嘶哑的喉、带血的手,早已化作文明长河中的璀璨星辰。真正的表达永远是灵魂的突围,是在命运的重压下,依然选择以人的姿态站立,以文明的方式传承,以精神的火炬照亮前路。

【打分及点评】43分 从审题立意来看,文章中心论点不够准确。该文由三则材料各自引出了一种观点:认为老舍笔下的艺人代表了沉默,侧重强调沉默中的蓄力智慧;抓艾青笔下“嘶哑”的声音,突出嘶哑的歌喉虽不完美,但能架起精神的桥梁;穆赞的诗抓“带血的拥抱”,联想出文明在阵痛中的自我更新。最后结论落脚在“中华文明始终在沉默与歌唱的张力中前行”号召传承文明,虽然强行将三个论点融在一处,但内在联系并不紧密,没有审出三则材料共同的爱国精神。给43分在于事例的丰满和三则材料分隔开还说得过去的解读。

2号大模型:腾讯元宝(混元模型)

喑哑处的呐喊

时代中的脊梁

当老舍笔下的鼓书艺人咽下最后一丝呜咽,艾青的喉咙却在战火中淬炼出金属般的嘶哑。这不是文人式的悲情,而是一个民族在血火交织中寻找声音的史诗。从甲骨文的裂纹到青铜器的铭文,从《诗经》的"关关雎鸠"到鲁迅的"救救孩子",中华文明始终在沉默与呐喊的辩证中完成精神的涅槃。今日青年,当以穆旦的"带血的手"拥抱时代——既要做敦煌壁画的守护者,也要成为元宇宙时代的造梦人,让民族精神在断裂处绽放新的光芒。

一、沉默:文明基因的隐秘编码

敦煌藏经洞的千年封存,是文明在绝境中的自我保护。当王道士发现藏经洞时,五万卷典籍在幽暗中沉睡了九百年。这些泛黄的经卷不是死寂的标本,而是先人留给未来的密码:鸠摩罗什译经时"一钵随缘度寒暑"的隐忍,玄奘西行时"宁可西去一步死,不愿东归半步生"的孤绝,都在诉说着文明基因的韧性。正如西南联大师生在铁皮屋顶漏雨的教室里吟诵《满江红》,他们用沉默对抗战火,用诗词构筑精神长城。这种沉默不是怯懦,而是将文明火种封存于血脉的智慧。

二、呐喊:精神觉醒的破晓之声

戊戌变法失败的那个深夜,谭嗣同在狱壁题诗"我自横刀向天笑",用生命完成最后的呐喊。这声呐喊穿透三千年封建铁幕,惊醒了沉睡的东方雄狮。百年后的今天,这种呐喊化作航天员王亚平在空间站朗读《天问》的清音,化作冬奥赛场上谷爱凌挑战极限的腾跃。正如穆旦诗中"带血的手",钱学森归国时行李箱里被海关扣留的笔记本,黄旭华隐姓埋名三十载研制的核潜艇,都是民族精神觉醒的印记。这些呐喊不是虚张声势的咆哮,而是文明基因在当代的重新编码。

三、新生:文化基因的创造性转化

故宫博物院将《千里江山图》化作舞蹈诗剧《只此青绿》,让北宋王希孟的青绿山水在当代舞台上流淌;李子柒用短视频展现蜀绣工艺,使千年针法在数字时代焕发新生。这种转化不是简单的复古,而是文明基因的迭代升级。就像三星堆考古现场,青铜面具与全息投影相遇,古蜀文明的神秘符号与现代科技对话。正如费孝通所言"各美其美,美美与共",故宫文创让《石渠宝笈》中的珍宝走进百姓生活,敦煌研究院用数字技术复原壁画,都在证明:真正的文化传承,在于让古老基因在当代语境中重新呼吸。

从良渚玉琮的神秘纹路到量子计算机的运算轨迹,从甲骨卜辞的裂纹到人工智能的神经网络,中华文明始终在断裂与弥合中完成超越。当我们站在元宇宙的门槛回望,会发现那些曾经沉默的鼓书艺人、嘶哑的诗人、带血的双手,早已将文明基因编码进民族的骨髓。未来的青年不必在沉默与呐喊间艰难抉择,因为真正的文化传承,是让敦煌的飞天与火星探测器共舞,让《诗经》的草木与基因图谱对话。这或许就是穆旦预言的"一个民族已经起来"——在传统与现代的断裂处,续写永恒的文明史诗。

上下滑动查看更多

【打分及点评】44分 本文抓住了三则材料的共同要素——声音,以此为关键词阐述“中华文明始终在沉默与呐喊的辩证中完成精神的涅槃”,号召青年续写永恒的文明史诗。但是,同上文一样,对作文材料内在关键词爱国并没有解读出来,所以,依然属于跑题作文。给了44分的原因也在于表达的流畅和事实材料的丰富,与前一篇相比较,还明显突出了现代科技的作用,更显得有时代性。

3号大模型:ChatGPT4-o

歌声与沉默之间: 民族灵魂的觉醒

在沉默与歌唱之间,人类的灵魂悄然苏醒。老舍笔下的鼓书艺人,面对一群孩子,却心绪翻腾,开不了口;艾青用“嘶哑的喉咙”高唱对土地的热爱;穆旦则以“带血的手”拥抱一个觉醒的民族。这些文字跨越时代,却都指向一个共同的命题:在苦难与希望之间,个体与民族如何找到自己的声音。

鼓书艺人,是一位民间说唱者,本应以艺术抚慰人心、传递温情。然而,他“心里直翻腾”,说明了沉重的情感压抑。他的沉默不是冷漠,而是对生活苦难的深切体悟。在动荡年代,他经历了太多离散、苦难与挣扎,以至于面对孩子纯真的眼神,竟哽咽失语。这种沉默,本身就是一种“歌唱”——不是声音的表达,而是沉痛情感的凝结,是历史在个体心中的刻痕。

与之相对,艾青选择了“嘶哑地歌唱”。尽管声音已经破碎,他仍要发出最真实、最赤诚的情感呐喊。他热爱这片土地,不因它贫瘠,不因它苦难,而是因为这片土地承载着民族的根。艾青的歌声,是对苦难的抗争,是不愿沉沦的执着。那“嘶哑”的声音,是在黑暗中不屈的光,是在绝望中燃起的火焰。

而穆旦则将个体的伤痕与民族的觉醒联结在一起。他“以带血的手”去拥抱众人,那不仅仅是同胞之间的团结,更是历史的见证。他的诗中没有粉饰的浪漫,而是以血与火铸就的真实。他写的是一个民族从沉睡中站起,从苦难中重生的过程。

这三位文学家的作品,尽管风格各异,却都表达了一个相同的信念:在民族遭受苦难、个体经历挣扎的时刻,文艺不仅仅是歌唱,更是见证,是抗争,是唤醒。

那么,我们这一代人呢?我们或许不再面对战乱、饥荒、流离失所,但我们同样面临着内卷、焦虑、环境危机、文化迷失。在这样的背景下,我们是否还保有“歌唱”的勇气与能力?是否还能像艾青一样,即使声音嘶哑,也要高歌?是否还能像穆旦一样,即使满手鲜血,也要拥抱同胞?

在当今时代,我们需要的,不只是键盘上的声音,也不只是社交媒体上的热议。我们更需要的是一种内在的诚实,一种直面现实的勇气,一种对土地、人民与历史的深切情感。这种情感,可能在艺术中生根,在行动中发芽,在责任中开花。

“歌唱”并非总是欢快的旋律,它可以是鼓书艺人无法开口的沉默,可以是艾青喉咙嘶哑的呐喊,也可以是穆旦用伤口写下的诗句。这些声音与沉默,共同构成了我们民族的灵魂图谱。

因此,我想说:在沉默与歌唱之间,我们必须学会倾听历史的回响,辨认现实的脉动,找到自己的位置。不论你是艺人、诗人,还是一名普通人,都应该在心中留下一段属于自己的歌——哪怕它是嘶哑的,是哽咽的,是带着血的——那也是民族的回声,是灵魂的证明。

在喧嚣的当下,让我们重新思考:我们如何歌唱,我们为何沉默,我们能否在歌声与沉默之间,找到通往未来的方向。

【打分及点评】47分 本文对三则材料的解读不错,而且都联系到了民族的苦难,但是中心论点却落在文艺的作用上,认为“在民族遭受苦难、个体经历挣扎的时刻,文艺不仅仅是歌唱,更是见证,是抗争,是唤醒。”文章后面还能够联系现实生活,号召我们“学会倾听历史的回响,辨认现实的脉动,找到自己的位置”,但是重点没有落在三则材料的核心精神——爱国上,哪怕已经说到了“我们更需要的是一种内在的诚实,一种直面现实的勇气,一种对土地、人民与历史的深切情感”,却依然没有点明更需要我们的爱国情感。所以,切题仍不够精准,主要精神突出仍然不够,不能够打在48分以上。

4号大模型:Kimi

在困境中找寻表达的出口

在时代的洪流中,个体的情感与表达有时会陷入困境,如同老舍笔下那个想给孩子们唱上一段却开不了口的艺人。然而,正如艾青与穆旦所展现的,困境并非表达的终点,而是寻找新出口的起点。身处其中的我们,应以坚定的信念与无畏的勇气,在困境中找寻表达的可能,让内心的声音得以传递,与时代产生共鸣。

老舍笔下艺人那 “心里直翻腾,开不了口” 的瞬间,道出了许多人在困境中面临的表达困境。或许是因为缺乏自信,或许是受限于外界的压力,又或许是在复杂的情感面前,语言显得如此苍白无力。但真正的表达并不会因此而被彻底封印。艾青化身为一只鸟,即便喉咙嘶哑,也要为这片土地歌唱。他的情感是炽热而强烈的,那对土地深深的眷恋,化作质朴却又直击心灵的文字,穿越岁月,依然能触动人心。而穆旦更是以 “带血的手” 拥抱大众,他的痛苦、他的抗争,都融入这饱含深情的拥抱之中。在民族危难之际,他用生命书写担当,用行动诠释对民族复兴的坚定信念。

回望历史长河,多少仁人志士在困境中寻得表达的契机,为后世留下熠熠生辉的精神财富。司马迁遭受宫刑之辱,在巨大的身心痛苦下,他没有让自己的声音被磨难吞噬。他将对历史的洞察、对正义的坚守,化作史家绝唱《史记》。字里行间,有对英雄人物的赞美,也有对暴政的深刻批判。他以笔为剑,刺破黑暗,让真相与思想得以留存。在抗日战争的烽火岁月里,无数文艺工作者奔赴前线,他们深入群众,用画笔描绘战士的英勇,用歌声激发民众的斗志,用文字记录民族的苦难与不屈。他们突破了传统文艺创作的局限,在硝烟弥漫的战场上,找到属于自己的表达方式,将民族精神深深镌刻在历史的画卷上。

而在当今时代,困境之于表达,更多地表现为信息的过载与表达渠道的多样化所带来的迷茫。我们被海量的信息包围,常常不知该如何筛选出有价值的内容,又该如何在众多的声音中让自己的表达不被淹没。但同时,这也是一个充满无限可能的时代。网络平台为普通人提供了前所未有的表达机会,从短视频的兴起,到各类社交平台的蓬勃发展,每个人都可以成为生活的讲述者、思想的传播者。当我们遭遇困境时,不妨积极拥抱这些新兴的表达方式。也许你是一位普通的工人,在流水线的机械劳作中感受到生活的压力,但你可以通过拍摄短视频,记录工作中的点滴,分享自己的感悟与梦想,让更多人了解生产一线的真实故事。也许你是一位热爱自然的年轻人,在看到环境问题日益严峻时,借助网络平台发起环保倡议,用生动的图文、鲜活的案例,唤起大众的环保意识。

然而,在困境中寻求表达并非易事,它需要我们具备敏锐的洞察力、深厚的文化底蕴以及坚定的信念。我们要善于从平凡的生活中挖掘不平凡的意义,用独特的视角去观察世界,让自己的表达充满个性与温度。同时,我们要在阅读经典中汲取营养,从古今中外的名著中学习语言的运用、思维的拓展,使表达更具深度与内涵。更重要的是,我们要坚守内心的信念,不为外界的喧嚣所干扰,不被困难与挫折所畏惧,让表达成为内心真实情感的自然流露,成为与世界对话的有力桥梁。

在困境中找寻表达的出口,是我们与时代对话的必然选择,是让个体生命在历史长河中留下痕迹的重要途径。让我们以老舍笔下艺人的情感为起点,以艾青、穆旦的勇气与担当为指引,在各自的困境中,勇敢地表达,深情地歌唱,用我们的文字、声音、行动,书写属于这个时代的华章,让后人在回顾今日时,能从我们的表达中读懂我们的喜怒哀乐,感受我们的精神力量。

【打分及点评】40分 本文侧重寻找表达的恰当方式,后面还涉及到了如何寻找,偏离三则主要意思更多,40分是给了一篇完整的文章。

5号大模型:DeepSeek

破喉之音

老舍笔下的鼓书艺人心中翻腾却开不了口,艾青化鸟以嘶哑喉咙歌唱,穆旦则“以带血的手”拥抱一个站起的民族。这从失语到发声的艰难之旅,不仅是个体灵魂的挣扎,更是人类在苦难中顽强确认自我存在、寻求共鸣的永恒回响。

失语之痛,是深渊中无声的坠落。老舍的鼓书艺人心怀热望却喉头哽咽,在炮火纷飞、家国飘摇之际,言语仿佛坠入虚无。这种被剥夺了表达权与沟通权的困境,正如鲁迅在《无声的中国》中描绘的“寂寞新文苑,平安旧战场”的悲凉。当个体或群体被强行拖入失语的黑洞,灵魂便如孤岛悬置在汪洋中,被无形的隔膜所囚禁——生命之光在沉默里黯淡,精神之火在窒息中熄灭。

但人类精神内核中自有不屈的勇气,如艾青那只鸟一般,明知声音嘶哑也要拼力啼鸣。苦难愈深重,表达之欲念反愈炽烈。屈原放逐时“长太息以掩涕兮”,在绝望的深渊里依然将悲愤化为《离骚》的千古绝唱;司马迁身受奇耻大辱,却于“肠一日而九回”的炼狱中呕心沥血完成《史记》。他们用生命在窒息中凿开气孔,嘶哑之音正是灵魂未被碾碎的铁证。纵使喉咙带血,却亦如巴金在《寒夜》里所写:“人活着,总要发出声音。”这声音是存在者面对荒诞命运的不屈宣言。

至为珍贵者,是穆旦诗中“带血的手”所象征的伤痕累累之表达。这声音里刻着切肤之痛,却挣脱了自怜的牢笼,以撕裂的伤口为桥梁去拥抱整个民族。杜甫“穷年忧黎元”的叹息浸透血泪,在“朱门酒肉臭,路有冻死骨”的尖锐映照里,诗人笔下的血泪超越了个人悲欢,凝聚成时代的良心。顾准在牛棚昏暗的灯光下,以病弱之躯在残纸上书写着对历史与未来的深邃思考。这些带血的文字如炼狱熔炉中的真金,灼热地烙在民族记忆里,其价值恰如鲁迅先生所言:“血写的文字,胜过墨写的谎言。”

历史长河中,无数声音因沉默而永久湮灭,唯那些刺破至暗的“破喉之音”长存不灭。它们并非凯旋的号角,而是带血的音符,在苦难的熔炉中锻造出灵魂的纯度与重量。今天当静心倾听,这些声音汇入星河,成为人类精神穹顶中永不熄灭的光——我们不仅为过往的悲鸣垂首,更是守护那从带血喉咙中迸出的不朽火种。

【打分及点评】45分 本文从三则材料提炼出“这从失语到发声的艰难之旅,不仅是个体灵魂的挣扎,更是人类在苦难中顽强确认自我存在、寻求共鸣的永恒回响”。相对来说,解读到了三则材料中蕴含的中华民族曾经的苦难,抓住了一点精神上的共通处,但中心论点始终没有落到呼唤对祖国的责任与爱上。

6号大模型:通义千问

在沉默与呐喊之间

老舍笔下的艺人欲言又止,艾青的鸟儿以嘶哑之声歌唱,穆旦以“带血的手”拥抱同胞——三段文字如三束光,穿透个体情感的迷雾,照亮民族精神的星空。

沉默,是情感的沉淀,亦是觉醒的前奏。

司马迁受宫刑后“肠一日而九回”,却以《史记》书写千年历史;苏轼“欲说还休”的赤壁风月,化作“大江东去”的千古绝唱。真正的深情无需喧嚣,正如敦煌壁画上斑驳的飞天衣袂,在千年沉默中依然舞动着永恒的美。沉默,是未发声的呐喊,是未落笔的诗行,是未燃尽的星火。

呐喊,是情感的迸发,更是责任的担当。

当林觉民写下《与妻书》时,他的笔尖蘸满的不是墨,而是山河破碎的血泪;当西南联大师生徒步南迁时,他们的脚步踏出的不是逃亡,而是“千秋耻,终当雪”的誓言。艾青的“嘶哑喉咙”何尝不是千万普通人的呐喊?穆旦的“带血之手”又何尝不是千万觉醒者的印记?民族的脊梁,从来不是伟人的独舞,而是无数凡人以血肉之躯托起的星辰。

从沉默到呐喊,是个人与时代的共振。

抗战时期,沈从文在《长河》中写下“民族兴亡,匹夫有责”的悲怆;今日边疆,戍边战士以“清澈的爱,只为中国”的誓言守护山河。个体的命运永远与民族血脉相连:敦煌画工在洞窟中留下无名笔触,却让千年后的我们看见文明的光辉;抗疫逆行者在防护服上写下“精忠报国”,让平凡的生命闪耀英雄的光芒。

站在历史与未来的交汇处,我们不必追问“该沉默还是呐喊”,因为真正的答案早已写在脚下:以赤子之心感受时代的脉搏,以行动之姿回应民族的召唤。正如穆旦所言:“一个民族已经起来。”而我们每一个人,都是这片土地上永不熄灭的星火。

【打分及点评】48分 本文事例充分,从“沉默”写到“呐喊”,挖掘出了情感与责任,甚至都提到了“清澈的爱,只为中国”,却始终不明白点出自己的中心观点,倡导对祖国的爱与责任,与五十分作文就隔了一个点题语。

7号大模型:豆包

喉间有火,拥抱山河

老舍笔下端木鼓书时,喉头的震颤是家国情怀的暗涌;艾青嘶哑的喉咙里,啼血的歌唱是信念的嘶吼;穆旦带血的拥抱中,藏着民族觉醒的滚烫。从个体的情感震荡,到群体的主动担当,三首时代的歌,唱出了家国语境下,生命与使命共振的旋律。

喉间的震颤,是家国情怀的初醒。老舍笔下的鼓书艺人,想给孩子们唱段戏,却“心里直翻腾,开不了口”。这不是怯懦,而是乱世中个体对命运的叩问:微小的声音,能否穿透苦难的墙?就像西南联大的师生,在防空洞的爆炸声里备课,在茅草棚的油灯下讲学——他们想救亡图存,却深知纸笔无力回天,这份“开不了口”的挣扎,恰是家国情怀最本真的悸动:当个体意识到自身与民族的联结,情感便成了烫人的火,在喉间灼烧。

嘶哑的歌唱,是破茧而出的担当。艾青说“用嘶哑的喉咙歌唱”,这“嘶哑”里藏着代价:是闻一多在李公朴追悼会上的拍案而起,喉咙里带着怒火与哽咽;是志愿军战士在坑道里写家书,字迹颤抖却笔笔坚定;是敦煌守护者常书鸿,在漫天黄沙中守护壁画,声音因岁月风沙变得沙哑。他们明知歌唱会带来疼痛,却甘愿让喉咙嘶哑——因为比起沉默,更可怕的是看着民族沉沦。这份“明知不可为而为之”的执着,让个体的声音成为刺破黑暗的利刃。

带血的拥抱,是民族觉醒的回响。穆旦“以带血的手和你们拥抱”,背后是“一个民族已经起来”的底气。脱贫干部黄文秀在百色深山里,手掌磨出茧子、脚底结出血痂,却笑着与乡亲拥抱;航天团队在发射场熬红了眼,带着实验失败的创痛,拥抱成功的曙光;援非医疗队在疟疾肆虐的丛林里,用带血的指尖丈量生命的重量。当民族觉醒为集体意志,个体的疼痛便成了勋章——带血的手拥抱的不仅是同胞,更是民族复兴的未来。

从老舍的“开不了口”,到艾青的“嘶哑歌唱”,再到穆旦的“带血拥抱”,我们看到的是一条清晰的精神脉络:家国情怀从个体的情感震荡,生长为群体的主动担当,最终汇聚成民族觉醒的洪流。今天的我们,不必再在战火中沉默,却仍需在和平年代里发声:为正义呐喊是歌唱,为民族复兴奋斗是拥抱,让喉间的火永远燃烧,让每一次拥抱都带着温度——这便是我们对历史最深情的回应,对未来最庄重的承诺。

山河依旧,火在喉间。且以歌者之姿,赴时代之约;携带血之手,振万里山河。

【打分及点评】54分 本文抓住了三则材料里涌动的时代脉搏,提炼出了对祖国苦难历史的悲悯,家国情怀的初醒,对民族觉醒的感悟以及都祖国复兴的担当与责任。事例充分,观点突出。没有打到55分以上甚至60分,是笔者感觉该文在材料解读上看似逐层递进的逻辑,其实没能整体把握三则材料内核,没有将其作为一个时代背景下对祖国饱含热爱深情共同的呼声。

综述

从七篇AI作文来看,它们很快都能找出三则材料比较明显的共同点:表达,声音。而且对每则材料都能按照要点进行比较合理的解读,但是,这种解读明显地不能从情感角度进行,甚至因为材料一个是写鼓书艺人,两个是诗人的诗句,所以好几个AI作文就牵扯到文明的表达与传承上去。而材料一里鼓书艺人为什么面对这群衣衫褴褛的逃难孩子“开不了口”,是因为在抗战时期的逃难途中,民族与个人的悲惨遭遇让人难过得开不了口,这句话告诉我们要铭记祖国曾经有过的屈辱与苦难;而艾青和穆旦的诗中很容易读出来的对祖国的热爱AI们都不能明确地读出来。

所以一些AI写出来的文章让人感觉就是隔靴搔痒,总是点不出要害,中心观点不能一步到位,不可能成为高分的考场作文。而对于看了现代文阅读一的文章,学过艾青诗歌和穆旦诗歌的孩子,这种情感的领悟应该是轻而易举的事,再加上新闻事例中不少爱国正面事例,可以预料今年高考作文中孩子们的写作应该是异彩纷呈的。

如何学习AI大模型 ?

“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,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。【保证100%免费】🆓

优快云粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传优快云,朋友们如果需要可以扫描下方二维码&点击下方优快云官方认证链接免费领取 【保证100%免费】

读者福利: 👉👉优快云大礼包:《最新AI大模型学习资源包》免费分享 👈👈

(👆👆👆安全链接,放心点击)

对于0基础小白入门:

如果你是零基础小白,想快速入门大模型是可以考虑的。

一方面是学习时间相对较短,学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

👉1.大模型入门学习思维导图👈

要学习一门新的技术,作为新手一定要先学习成长路线图,方向不对,努力白费。

对于从来没有接触过AI大模型的同学,我们帮你准备了详细的学习成长路线图&学习规划。可以说是最科学最系统的学习路线,大家跟着这个大的方向学习准没问题。(全套教程文末领取哈)
在这里插入图片描述

👉2.AGI大模型配套视频👈

很多朋友都不喜欢晦涩的文字,我也为大家准备了视频教程,每个章节都是当前板块的精华浓缩。
在这里插入图片描述

在这里插入图片描述

👉3.大模型实际应用报告合集👈

这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。(全套教程文末领取哈)

在这里插入图片描述

👉4.大模型实战项目&项目源码👈

光学理论是没用的,要学会跟着一起做,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战项目来学习。(全套教程文末领取哈)
在这里插入图片描述

👉5.大模型经典学习电子书👈

随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。(全套教程文末领取哈)
在这里插入图片描述

👉6.大模型面试题&答案👈

截至目前大模型已经超过200个,在大模型纵横的时代,不仅大模型技术越来越卷,就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道,我总结了大模型常考的面试题。(全套教程文末领取哈)
在这里插入图片描述

为什么分享这些资料?

只要你是真心想学AI大模型,我这份资料就可以无偿分享给你学习,我国在这方面的相关人才比较紧缺,大模型行业确实也需要更多的有志之士加入进来,我也真心希望帮助大家学好这门技术,如果日后有什么学习上的问题,欢迎找我交流,有技术上面的问题,我是很愿意去帮助大家的!

这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理,鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位,在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利,同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目,无论你是小白还是有些技术基础的,这份资料都绝对能帮助你提升薪资待遇,转行大模型岗位。

在这里插入图片描述
在这里插入图片描述

优快云粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传优快云,朋友们如果需要可以扫描下方二维码&点击下方优快云官方认证链接免费领取 【保证100%免费】

读者福利: 👉👉优快云大礼包:《最新AI大模型学习资源包》免费分享 👈👈

(👆👆👆安全链接,放心点击)
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

从零开始用QP框架开发STM32:事件驱动编程实战指南(附状态机设计技巧)

本文详细介绍了如何使用QP框架在STM32上实现事件驱动编程,包括状态机设计技巧和嵌入式开发实践。通过对比传统前后台系统和RTOS,展示了QP框架在资源占用、实时性和代码可维护性方面的优势,并提供了从环境搭建到高级状态机设计的完整指南。

h6i7j8的博客 1173

视频隐私脱敏工程化:CSRT/KCF追踪算法在本地推理中的实现与边界

在短视频内容合规审查中,动态遮挡(Dynamic Masking)是高频且高耗时的环节。传统手动关键帧打码不仅效率低下,且在目标快速移动或遮挡时极易出现遮罩漂移。本文从计算机视觉工程角度,解析基于CSRT与KCF算法的目标追踪方案在视频隐私处理中的技术路径、性能权衡及落地实践。

Mysssone的博客 226

草莓成熟度与叶片病虫害智能检测数据集应用全解析

本文深入解析草莓成熟度与叶片病虫害智能检测数据集的应用价值,涵盖从绿草莓到红果转色的完整成熟周期及白粉病、炭疽病等7种病害的精准识别。通过实战案例展示如何提升病害识别率至94%,并介绍数据集的科研价值,包括跨品种迁移学习和多模态数据融合技术。

weixin_28366353的博客 275

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。

Mardi_Ladin的博客 399

从接线到组态:手把手教你搞定PROFIBUS-DP与PA的混合网络搭建(基于西门子TIA Portal)

本文详细介绍了PROFIBUS-DP与PA混合网络的搭建方法,基于西门子TIA Portal平台,从硬件选型、网络架构设计到组态配置和现场调试,提供了一套完整的实战指南。重点解析了DP/PA耦合器的使用、地址映射策略及网络诊断技巧,帮助工程师高效构建高可靠性的工业自动化网络。

weixin_32103009的博客 302

多臂老虎机——入门强化学习

多臂老虎机(Multi-Armed Bandit,MAB)问题是强化学习的经典入门例子,也是理解探索与利用(exploration-exploitation)平衡的重要案例。

qq_56683019的博客 2458

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。

鸽芷咕的博客 2万+

【Jlink & C#】通过C#实现Jlink RTT上位机的功能

某天看到安富莱家的自己开发的调试器可以实现输出中文调试信息到自己编写的Jlink RTT上位机上,觉得无比神奇,略好奇到底是如何做的,找了很久,发现其上位机的对应的实现好像也没有完全开源出来。后来经过很多搜索确认,知道了几个事实:那么有没有可能用C#来控制Jlink呢?答案是,有!!! 解决思路在于,C#调用JLinkARM.dll里面的函数 这里转载下我认为很有意义的发现结合以上的几个发现,加上我自己的测试,我把我对接JLinkARM.dll的C#接口分享出来,不保证都能用,我只是测试了几个常用的功能,R

一只爱做笔记的码农 9150

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。

laoyunsi的博客 246

我的PCB设计经验总结及最容易犯错的100例之二B07

本文总结了PCB设计中的常见错误及解决方法。作者通过记录自身及他人的设计失误,系统归纳了高频、隐蔽且致命的问题,如电容中间穿线、高速信号跨分割、锐角布线等。重点提出从错误中提炼规律,建立分类案例库,并开发自动化检查工具的方法。案例涵盖高速信号处理、电源设计、EMC防护等关键领域,强调通过原理理解和实践验证提升设计质量。文章建议工程师建立个人错误数据库,从被动纠错升级为主动预防,最终形成系统化的设计方法论,提高PCB一次成功率。

启芯硬件的博客 83

广东省低应变题库

11.按《建筑地基基础检测规范》DBJ/T15-60-2019的规定,采用低应变法对混凝土预制桩进行检测时,地基基础设计等级为甲级的桩基工程抽检桩数不应少于总桩数的30%,其余桩基工程抽检桩数不应少于总桩数的20%,且不得少于10根;16.按《建筑地基基础检测规范》DBJ/T15-60-2019的规定,当对某桩的桩身完整性判定为III类时,可认为该桩不满足验收条件,不用进一步确定该桩桩身缺陷对桩身结构承载力的影响程度。2.地基基础检测所用计量器具均应在检定(校准、验证)的有效期内,性能符合相关技术要求。

ZShy001238的博客 319

【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 502

116、影像质量主观评价方法论:标准场景与专家判读

本文探讨了影像质量主观评价的方法论,强调标准场景构建和专家判读体系的重要性。作者基于15年行业经验指出,仅靠客观指标无法保证观感质量,提出四类标准场景(灰阶、肤色、纹理、动态)的构建原则和四种专家判读维度(通透性、干净度、自然感、流程化)。文章揭示了主观评价中的常见误区,包括光源单一性、个人判读偏差、显示设备影响等,并建议建立多专家交叉验证机制和主观评价数据库。最后强调主观评价是可标准化的专业技术,需要将人眼感知转化为可追溯的技术参数。

sundong_81的博客 39

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

DL_data_set的博客 201

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")

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

AI Agent之核心框架

A: 显式 Thought 有三类价值:可解释性(便于人类审计)、可调试性(定位哪一步选错工具)、学习信号(可做监督微调或评估中间步骤质量)。ReAct 把推理与 可执行行动 绑定,每一步行动后都有 真实 Observation 反馈,从而用工具结果约束生成,降低闭卷幻觉。做完不等于结束——还要 评估做得好不好,把 教训 记下来,下次 带着教训重试,反思作为 记忆,影响后续尝试的策略。工作流程:Action → Evaluation → Reflection → Retry。A: 普通 CoT 只在。

剑雨巍巍的博客 199

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

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。

2301_79189962的博客 558

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

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%。

johnsong2009的博客 574

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。

T3165919332的博客 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}[\

eloudy的专栏 278

终端 AI 审计与 “龙虾” 类智能体风险治理:从可见性到闭环溯源

生成式 AI 办公普及之后,数据泄露风险逐步下沉到终端。员工将合同、源代码、客户资料粘贴至公有大模型,以及龙虾(OpenClaw)这类本地开源 AI 智能体的滥用,成为企业安全新挑战。传统网络边界防护存在审计盲区,本文从风险链路拆解、核心能力模型、分级治理策略、落地踩坑点以及技术局限性多角度,分享终端侧 AI 安全治理的实践思路。

2401_86491085的博客 640

2.53 基于极稀疏指纹的室内定位注意力图元学习

该论文发表于IEEE Transactions on Mobile Computing(TMC)2026年6月,面向极稀疏指纹条件下的WiFi室内定位,针对指纹采集人力成本高、标记指纹稀缺时定位精度大幅下降的痛点,提出注意力图元学习模型AGML(Attentional Graph Meta‑Learning),结合图神经网络、元学习、两种指纹数据增强与分布对齐技术,在标记指纹极少的场景实现高精度室内定位,同时公开了多套真实+仿真定位数据集用于基准测试。场景:二维室内空间,障碍物造成信号遮挡,

weixin_42963026的博客 338

语音识别与语音合成的技术原理及应用

语音识别 #语音合成 #人工智能 #大模型。语音识别与语音合成的技术原理及应用。一、语音识别的核心原理。二、语音合成的核心原理。三、工程落地的主要难点。五、需要关注的现实问题。

weixin_62919816的博客 211

设计师工作室 GEO 实操:如何提升 AI 实体推荐概率

设计工作室 GEO 的本质,是把创意服务转化为 AI 可理解的结构化信息。核心动作可归纳为:区分事实与审美、建立实体图谱、预判用户提问、输出脱敏内容、搭建多信源、持续测试验证。梳理工作室的 6 个实体属性:品类、城市、流程、边界、团队、渠道。在官网或作品集平台发布至少 3 篇结构化项目复盘,只陈述事实。输出 1 篇「设计报价影响因素」科普内容,覆盖甲方高频提问。争取 1 次行业媒体或本地媒体专访,形成第三方信源。每周用「XX 城市 + 品类 + 设计工作室推荐」指令测试,记录出现频率。

goujunwe的博客 337

AI作图软件技术选型:从4个技术维度出发的实测对比

AI作图软件技术选型:从4个技术维度出发的实测对比

Vbaoke的博客 205

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 4636
上一篇: 从一位AI大厨的角度带你全方位了解大模型微调
下一篇: 国产大模型上新!测评达全球第一梯队,价格比DeepSeek更低……
大模型产品经理
博客等级 码龄3年 1万+粉丝 1120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