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
200+累计阅读
269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
Anthropic 发布 Claude Sonnet 4.6，相比 4.5 版本全面升级，在代码能力、计算机操作、长上下文推理与规划能力上均有提升，且价格保持不变。
模型支持 100 万 token 上下文窗口，性能接近 Opus 水平，安全性与对抗提示词注入能力更强。
开发者可通过 Claude.ai、Claude Cowork、Claude Code、API 及主流云平台使用 Sonnet 4.6。
谷歌推出 Gemini 3.1 Pro，用于复杂问题求解的核心智能模型升级版，目前面向开发者以预览版形式开放，可通过 Gemini API、Antigravity、Gemini CLI、Android Studio 使用；企业用户可通过 Vertex AI 和 Gemini Enterprise 接入。
该模型在 ARC‑AGI‑2 推理基准上的得分从 Gemini 3 Pro 的水平翻倍至 77.1%，并支持从文本提示直接生成
LLM Weekly
AI早报系统：轻量级RAG+RSS+Jinja2自动化生产实践
AI早报是一种面向时效性与结构化交付的自动化信息聚合范式，其核心在于用确定性工程替代大模型端到端生成的不确定性。原理上采用分层流水线设计：信源层保真抓取（RSS/HTML/Sitemap）、数据层无损清洗（BS4+正则）、逻辑层轻量RAG增强（Whoosh索引+实体知识库）、呈现层模板化填充（Jinja2）。技术价值体现在毫秒级响应、零幻觉输出与金融级可靠性，适用于AI、金融、医疗等强合规场景。本文聚焦可日更、低资源、高稳定性的落地实现，涵盖信源治理、时间校准、去重机制与VPS级部署细节。
2026科研AI工具链：本地化深度学习与离线可审计的模块化实践
深度学习在科研中的应用正从云端API调用转向本地化、可验证的轻量推理——这既是数据安全与合规性的刚性需求，也是边缘算力普及后的自然演进。其核心原理在于利用LoRA微调、结构化PDF解析、小模型蒸馏等技术，在有限显存（如RTX 4090/3060）下实现高精度领域任务处理。技术价值体现在‘离线可运行、源码可审计、权重可验证’三原则，支撑真实科研闭环：文献精读、实验复现、出版级绘图、可调试代码生成与知识图谱构建。本文聚焦一套已落地于高校实验室与企业R&D的CLI+WebUI双模态工具链，深度融合LitParse
AI工程就绪态动态：可集成、可压测、可调度的技术雷达
AI工程就绪态（Engineering-Ready）指技术模块已通过开源社区可观测性验证，具备生产环境直接集成能力——它不是论文新概念，而是GitHub主分支合并、Hugging Face周下载≥500、LangChain生态适配完成的实证信号。其核心原理在于将学术创新转化为CI/CD友好的确定性交付单元，技术价值体现在降低MLOps决策风险、压缩模型上线周期、规避CUDA驱动等底层兼容性陷阱。典型应用场景包括RAG检索器升级、大模型推理服务优化、微调平台依赖治理等工程闭环任务。本文聚焦20260406期5
OpenClaw+GLM-4.7-Flash实战工作台搭建指南
大模型应用落地的核心瓶颈，往往不在模型本身，而在于如何将LLM能力无缝集成到业务流程中——这正是函数调用（Function Calling）与技能编排（Skill Orchestration）技术的价值所在。OpenClaw并非传统模型托管平台，而是一个轻量级、开源的AI能力调度中心，它通过标准化接口统一纳管本地模型（如GLM-4.7-Flash）、Python函数、HTTP服务等异构能力源，并基于自然语言意图动态路由执行。其技术价值在于降低非AI工程师的使用门槛，实现‘说需求即调用’；典型场景包括自动化周
OpenClaw与Hermes：本地AI智能体操作系统的部署与工程实践
AI智能体（Agentic System）是继大语言模型之后的关键演进方向，其核心在于状态管理、工具编排与工作流自动化，而非单纯文本生成。OpenClaw和Hermes正代表了这一范式的底层基础设施——它们提供类操作系统级的运行时能力，包括进程调度、内存持久化、事件监听与容错恢复。这种确定性、可嵌入、可服务化的特性，使其成为个人知识自动化与中小企业轻量级AI中台的理想选择。本文聚焦于生产就绪的本地部署实践，涵盖Conda环境隔离、Redis存储选型、Skill生命周期规范、云上IaC交付及多场景端到端调试，
Hermes Agent：支持自我进化的AI智能体运行时
AI智能体是能跨会话维持状态、自主调用工具并理解复杂意图的可执行实体，其核心价值在于脱离Prompt工程依赖，实现真实工作流闭环。Hermes Agent作为轻量级Agent运行时（Agent Runtime），不修改大模型权重，而是通过感知→规划→执行→反思→沉淀五阶段闭环，在应用层持续沉淀可复用的函数式Skill，形成越用越准的自我进化能力。它原生支持本地、Docker、SSH等六种执行后端，适配开发、测试与生产全环境，特别适合需稳定交付、安全审计与长期演进的企业级AI助手建设场景。
Ollama+LangGraph构建本地智能体：数据不出域的AI工作流实战
本地智能体（Local Agent）是一种在终端设备上完全离线运行、不依赖云端API、数据全程不出本地环境的AI自动化系统，其核心原理是将大模型推理、工具调用与任务编排全部收敛于单机内存空间，通过模型本地化部署与有向图工作流实现零网络外泄。该技术显著提升金融、医疗、法律等强合规场景下的数据主权保障能力，支持PDF解析、合同审查、销售报告生成等典型办公自动化任务。Ollama提供轻量级模型容器化运行能力，LangGraph则实现可审计、可条件路由、可熔断的多节点协同，二者组合构成当前最易落地的生产级本地智能体
GPT-5不存在？深度解析大模型演进逻辑与GPT-4o实战能力边界
大语言模型并非按数字线性升级的消费电子产品，其本质是架构、对齐与工程能力的范式跃迁。从GPT-3到GPT-4o，命名反映的是多模态（omni）、实时交互、系统级优化等关键突破，而非简单参数堆叠。当前技术面临算力墙、高质量数据枯竭与Transformer理论瓶颈三大硬约束，使所谓‘GPT-5’在短期内不具备工程可行性。真正具备落地价值的是以GPT-4o为基座，结合RAG、Agent框架与多模态感知层构建的‘准GPT-5级’工作流。本文基于127项原子测试与制造业、政务等真实场景验证，系统梳理能力图谱、明确5类
LLM Weekly（2026.3.16-2026.3.22）
据 Anthropic 报告，开发者约 60% 的工作会使用 AI 辅助，但能完全交由 AI 代劳的任务仅占 0%–20%。来自乐天、加拿大电信运营商 TELUS 及 Zapier 的案例显示，Claude Code 可自主完成复杂开发工作，工程交付速度提升 30%，企业整体 AI 采用率达 89%，标志着开发模式从手写代码转向智能体编排。
LLM Weekly（2026.5.11-2026.5.17）
MinT 可在共享万亿参数基础模型上管理百万规模的 LoRA 适配器目录，支持扩展到超 1T 参数的 MoE 架构，也支持适配器占比不到基础模型 1% 的场景，实现 18.3 倍数据移动减少，并支持数千并发活跃适配器，效率提升 8.5–8.7 倍。发布 8B 和 30B MoE 版本，采用 NEO-unify 架构，在文本理解、视觉推理、图像合成和信息图生成等方面表现具有竞争力，在视觉-语言-动作和世界建模上也展现潜力。此次重组旨在减少冗余，通过垂直整合加速发展，包括计划中的太空数据中心和半导体制造。
LLM Weekly（2026.8.17-2026.8.23）
Adaptyv Bio 和 Twist Bioscience 独立合成并测试了这些设计：在 1,320 条序列中，有 354 条成功结合，命中率为 22.6%–35.1%，而该领域常规命中率为 10%–15%，且至少对六个靶点产生了高亲和力结合剂。它能同步现有 GitHub 仓库，而非完全替代。OpenRouter 数据显示，前沿模型仅占总令牌量的 16%，而六种流行的非前沿模型占据了 80% 的流量，其能力约为前沿模型的 77%——每百万令牌成本 0.50 美元，而 Fable 5 为 20 美元。
Hermes GitHub PR 审查 —— 自动化代码评审
SKILL.md 是 Hermes Skills 系统的核心载体。它不是普通的 Markdown 文档，而是一个带有 YAML frontmatter 的结构化技能描述文件。
LCD工程师必看：MIPI DSI的LP/HS模式切换全流程拆解（附高通平台实测）
本文为LCD工程师深度解析MIPI DSI接口中低速（LP）与高速（HS）模式切换的全流程。文章结合高通平台实测波形，从协议状态机、时序关键参数到实战调试案例，系统拆解了模式切换的本质、协同机制及常见问题排查方法，重点阐述了LP模式在低功耗控制与HS模式在高速数据传输中的核心作用与切换时序。
华为铁三角（AR、SR、FR）的考核指标设计
以和为核心，通过和实现协同。考核维度分为和，并随市场阶段动态调整权重。
IPD的分析工具与模型（十六）CBB公用基础模块管理实现资源共享，缩短开发周期降低成本
CBB流程的开发环节，基于CBB规划中所识别和设计的CBB，进行CBB的详细设计（包括参数设计和接口设计），并最终实现CBB的落地开发。作为特殊类型的技术构件，CBB的开发流程，可沿用技术开发中的构件开发流程，具体包括概念、计划、开发和迁移等步骤，具体可参见前文的相关介绍。有了蓝图与架构设计，落地实施是关键攻坚。具体工作内容包括：具体工作内容包括：a. 以相似性、聚类、相对独行性、可组合、可扩展性、可维护性等原则为指导，按照产品的功能特征和业务类型，聚焦零散的功能点，形成功能模块，实现产品功能模块的划分；
操作系统原理：【优麒麟】linux内核添加系统调用
在底端添加如下代码。
《计算机网络》课程大作业- 《小区局域网的设计和规划》
8.1首先，在满足用户需求方面，通过详细的需求分析，充分考虑了居民和物业管理的不同业务需求。对于居民，无论是日常的高清视频播放、在线游戏、远程办公还是智能家居设备的连接，网络都能提供稳定的高速带宽支持。从有线网络的千兆以太网技术保障稳定的有线连接，到无线网络采用 Wi - Fi 6 技术确保无线覆盖区域的高速和低延迟，满足了居民多样化的娱乐和生活需求。对于物业管理，安防监控系统的实时数据传输、物业办公自动化系统的流畅运行以及社区信息的及时发布等业务，都有针对性的网络设计。
按照autoware.universe官方从零搭建自己的自动导航小车（三）（续）
本文介绍了在Autoware框架下完善自定义传感器套件描述包的详细过程。主要内容包括：1）创建传感器描述包tinyplc_sensor_kit_description，包含YAML标定文件和URDF模型；2）配置传感器与车辆基座的相对位姿，实现sensor_kit.xacro和sensors.xacro宏文件；3）更新sensor_kit.launch.xml文件以集成激光雷达和GNSS/IMU驱动。通过xacro验证URDF模型正确性后，下一步计划接入Helios16激光雷达数据并在Rviz2中验证点云显
华为od 面试八股文_JAVA语言_01_含答案
华为od 面试八股文_JAVA语言_01_含答案
FPGA学习笔记（一）入门背景、软件及时钟约束的概念及程序下载与固化
使用正点原子的PFPGA开拓者V2学习，通过b站上正点原子的手把手教你学FPGA-基于开拓者V2学习。
ET2012新版免狗免安装绿色软件
ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，
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');```[](https://bitdeli.com/free "Bitdeli Badge")
老版QQ原生表情gif动态
这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。
IDEA的使用指南
IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
超级会员免费看
订阅专栏 解锁全文
412
扫一扫
