模型观察 2026-11-07：Kimi K3.1 Pro 开放权重，腾讯 Hy4 与智谱法律版上线

cloudcheap cloudcheap 博客等级 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 272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 码龄3年
关注
原创 2026-11-08 19:44:18 272 阅读 AI 写同款· GEO 优化 ›
OpenRouter 周榜实证：用真实流量数据做国产大模型选型决策（2026.6 第 3 周） 这一期的最大焦点是 DeepSeek-V4-Flash 连续第 5 周登顶。但很多评论文章漏掉了一个细节——DeepSeek 旗下还有一款定位"旗舰"的 DeepSeek-V4-Pro，为什么挂在头版的是 Flash 而不是 Pro？这个问题的答案，就是 OpenRouter 这种"路由层 + 比价"场景下选型逻辑的最佳样本。先看产品参数。根据DeepSeek V4 发布公告和DeepSeek-V4-Flash 官方介绍维度总参数 / 激活参数1.6T / 49B284B / 13B上下文窗口。 阅读详情

本期的范围是 2026 年 11 月 1 日（上期）以来新推出的模型，来源有两个：Hugging Face Trending 前 60 名里的新发布模型，以及 OpenRouter 模型列表里新上架的模型和免费模型。如果模型恰好由本站收录的服务商提供，会在介绍里附上该服务商的链接和我们收录的价格。

几点说明：

  • 规模取自模型卡；MoE 写“总参数 / 每 token 激活参数”。
  • 效果数字都是开发者自报，评测框架和推理设置各不相同，不同模型卡之间不能直接横比。
  • 价格：OpenRouter 的价格是美元 / 百万 token；服务商价格取自本站大模型 Token 套餐对比，币种不同不能直接换算比较。

本期要点

  • Kimi K3.1 Pro：月之暗面开放权重，2.8T 总参数 / 104B 激活，1M 上下文。七牛云、火山引擎都已提供 API。
  • Hy4（腾讯）：正式版首次支持图像输入，1M 上下文，已上架 OpenRouter；腾讯云 TokenHub 目前收录的仍是 Hy4 preview 的价格。
  • GLM-5.3-FlashX-Legal（智谱）：GLM-5.3-FlashX 的法律领域版，Z.ai 价格和 OpenRouter 一致。
  • Ripple-65B Preview：65B 稠密模型，自报 Terminal-Bench 2.1 为 80.5，高于几款 500B 以上的 MoE。
  • OpenRouter 免费模型：本期新增 LFM3-1.7B 免费版和匿名的 Crouton Alpha（1M 上下文、多模态），Dots3-Note Preview 免费到 12 月底。

新推出的模型

模型发布方规模上下文输入权重在哪调用
Kimi-K3.1-Pro月之暗面2.8T / 104B1M文本、图像开放（Kimi K3.1 Pro License）七牛云、火山引擎、OpenRouter
Hy4腾讯未公布1M文本、图像OpenRouter 页面标注 HF 仓库 tencent/Hy4，写稿时无法访问腾讯云、OpenRouter
GLM-5.3-FlashX-Legal智谱未公布1M文本、图像、视频未提供Z.ai、OpenRouter
Ripple-65B-PreviewRicursive65B 稠密1M文本开放（Apache-2.0）OpenRouter

Kimi-K3.1-Pro

月之暗面称它是“迄今最强的 3T 级模型”，在 Kimi K3 基础上做了大规模联合强化学习，原生多模态（文本、图像，视觉编码器 401M），重点提升编程、3D 创作、金融研究和事实准确性。

  • 结构：93 层，896 个专家每 token 选 16 个，另有 2 个共享专家；注意力由 69 层 KDA 和 24 层 Gated DSA 组成。相比 K3，把全注意力层换成了稀疏的 Gated DSA，以降低长上下文成本。权重是 MXFP4，模型卡写明做了量化感知训练。
  • 效果（自报，最大推理强度；对比对象依次为 Claude Fable 5.1、GPT-6 Astra、Claude Opus 5.5、DeepSeek-V4.1-Flash-1017、GLM-5.3）：
  • Terminal-Bench 4.0 为 65.7，对比 57.9 / 58.2 / 66.4 / 42.3 / 41.8；
  • DeepSWE v1.1 为 75.5，对比 67.4 / 74.1 / 74.2 / 77.0 / 66.9；
  • BrowseComp 92.1（GPT-6 Astra 91.5，Opus 5.5 90.8）；HLE-Full（带工具）70.0，表内最高；
  • OSWorld V2.1 为 79.6，低于 Fable 5.1 的 80.7 和 Opus 5.5 的 81.8。
  • 使用：reasoning_effort 可选 low / high / max，默认 max；多轮和工具调用时必须把 API 返回的整条助手消息（含 reasoning_content 和 tool_calls）原样传回。
  • 价格：我们收录的七牛云和火山方舟报价相同，输入 13 元 / 输出 68 元每百万 token（取首档，七牛云为非缓存输入价）；七牛云另有 Highspeed 版，26 / 136 元。OpenRouter 为 $2 / $10。完整对比见大模型 Token 套餐对比。
  • 模型卡同时给出了官方 API（platform.kimi.ai，OpenAI / Anthropic 兼容）。自部署推荐 vLLM、SGLang 和 TokenSpeed。

腾讯 Hy4

OpenRouter 上的说明很简短：Hy4 正式版在 Hy4 Preview 的基础上全面提升，智能体能力和长程真实生产力任务提升尤其明显，并首次支持视觉理解。上下文 1M，输入文本和图像。OpenRouter 价格 $0.417 / $1.2505（缓存读取 $0.021）。

  • 没有可核对的模型卡：OpenRouter 标注的 HF 仓库 tencent/Hy4 在写稿时返回认证错误，所以规模、评测和 license 都无从确认，这里不猜。
  • 在腾讯云，我们收录的是 TokenHub 按量计费里的 Hy4 preview：输入 6 元 / 输出 18 元每百万 token（广州地域）。正式版在腾讯云的价格尚未确认，两者不要混为一谈。

GLM-5.3-FlashX-Legal

Z.ai 的法律领域版，在 GLM-5.3-FlashX 上增加了法律领域的中期训练，以及在仿真实际法律工作流的任务环境中做的强化学习，面向文档理解、法律推理和多步任务，如法律检索、合同审查、跨文档一致性检查、起草和修改法律文书。保留 FlashX 的 1M 上下文、强制思考模式、函数调用和结构化输出，输入文本、图像、视频。

价格 $0.37 / $1.25，Z.ai 价格页上的输入输出价与 OpenRouter 一致（OpenRouter 缓存读取 $0.075）。这是 API 模型，没有开放权重，OpenRouter 页面也没有给出评测数据。

Ripple-65B Preview

Ricursive 从零训练的 65B 稠密 Transformer，12T token 预训练，上下文 1M，BF16 和 NVFP4 都有，另附基座模型。Apache-2.0。

  • 结构：80 层的“窄而深”设计（d_model 5120），改用类 Gemma 3N 架构以稳定训练；多给了注意力头，同时提高滑窗注意力与全局层的比例并缩小窗口；还加了 FFN 激活裁剪、门控注意力、全局 NoPE 和 value residual。开发团队称刻意选稠密而不是 MoE，是为了降低训练和部署的复杂度。
  • 效果（自报）：Terminal-Bench 2.1 为 80.5，对比 Reflection Beam 501B 的 80.1、Meta Muse Spark Open 816B 的 76.4、Inkling 975B 的 63.8、Nemotron 3 Ultra 550B 的 56.4；GPQA Diamond 85.2，AIME 2026 95.0。对比表里的部分成绩是开发者自己跑的，模型卡也承认智能体评测很难复现，换用官方 Terminus 2 配置后其他模型的分数普遍偏低，所以别把这一排数字当成严格排名。
  • 部署：65B 的 NVFP4 版可以放进 NVIDIA DGX Spark 这类桌面设备；2×B200、batch=8 时约 250 tok/s（未量化、未用自定义内核）。只做过较轻的后训练，重点是智能体编程。
  • OpenRouter 价格 $0.2 / $0.6。

其他新上榜的模型

  • Arete-27B（Nous Research，Apache-2.0）：对 Qwen3.8-27B 做监督微调，目标是改变模型在政治敏感话题上的立场和措辞。Nous 的出发点是认为原模型在这类话题上有拒答、回避和官方口径式的回答。教师模型是 Inkling，用 2 万条覆盖七类话题的提示词，只用 SFT。自家评测里，事实得分从 2.32 提到 2.98（满分 5），含“宣传”内容的回答从 22% 降到 0.9%，通用能力和智能体基准没有明显下降。这是以“价值取向”为卖点的定向微调，评测集和判定标准由开发者自己定义，使用前请按自己的场景验证。
  • Qwen3.5-4B-GLB-3D-Coder（CCORE，Apache-2.0）：同一作者上期的 3D-Coder 只是预览版，这一版是 CCORE 项目 11 月 5 日的正式发布。输入一段文字描述，输出一个带预览和“导出 GLB”按钮的 Three.js 页面，可以把低多边形游戏资产导进 Godot 等编辑器。训练集同步开放（3,918 个经测试和渲染的样本，40 个领域）。GGUF 文件名没变，下载过旧版的需要删掉重下。
  • Qwen3.5-0.8B-weight-space-programming（RikiyaT，Apache-2.0）：一个研究性质的小实验。让前沿大模型直接编辑 Qwen3.5-0.8B 的权重，不做梯度下降：在 50 次前向传播的预算内，找到导致数学题思维循环的方向，从两层的 down_proj 中减掉（共改了 0.016% 的权重）。作者自报 MATH-500 从 7.9% 提到 48.1%，GSM8K 从 13.8% 到 67.1%；另有一次独立复跑得到 51.0%，达到 token 上限的比例从 93% 降到 31.6%。

OpenRouter 最新免费模型

OpenRouter 上 ID 以 :free 结尾的是免费版，数据取自 11 月 7 日的模型 API，按上架时间从新到旧排列。免费版有按累计充值额度分档的每分钟和每日请求上限，细则见 OpenRouter 的限额说明；部分模型的免费版会留存提示词和输出，使用前看一下各模型页的说明，不要发送敏感数据。如果不想挑模型，openrouter/free 是一个自动选择免费模型的路由。

模型上架规模上下文输入备注
LFM3-1.7B11-061.7B256K文本上期已介绍；同时上架付费版 $0.08 / $0.2
Crouton Alpha11-02未公布1M文本、图像、文件、音频、视频匿名“隐形模型”，预览期免费
Flint10-21约 40B / 2.5B256K文本上期已介绍
Xing4.0-29B-A4B10-1629B / 4B256K文本中国电信 TeleAI，Apache-2.0
Nemotron 3.5 Super VL10-15120B / 12B1M文本、图像、文档、GUI 截图、视频英伟达
Dots3-Note Preview08-13280B / 16B512K文本、图像Dots 3 系列里最轻的一款，免费到 2026-12-31
LFM2.5-2.6B08-112.6B64K文本免费版 2026-11-13 到期

更早上架、目前仍免费的有：Nemotron 3.5 Lightning（30B / 3B，1M 上下文）、Cohere North Mini Code（30B / 3B，256K，面向智能体编程）、Nemotron 3 Ultra（550B / 55B，1M）、Nemotron 3 Nano Omni（30B-A3B，支持文本、图像、音频、视频输入）和 Google 的 Gemma 4 26B A4B / Gemma 4 31B（256K，支持图像和视频输入）。

Crouton Alpha 的页面介绍它是面向大规模编程、智能体和多模态工作流的轻量模型，适合执行智能体里的子任务、调用工具和做文档分析，也可以与前沿推理模型搭配，由后者规划、它来执行。它的开发者没有公开身份，OpenRouter 只负责转发；提示词和输出可能被该服务商留存，但按页面说明不会用于训练。

Xing4.0-29B-A4B 是 TeleChat 系列的后继，MLA + MTP 架构，完全在昇腾 NPU 上用 MindSpore 训练，针对 OpenCode、Claude Code 等智能体框架做了格式适配。自报成绩（对比 Gemma4-26B-A4B 和 Qwen3.6-35B-A3B）：Terminal-Bench 2.1 为 57.5 对 30.0 / 51.5；SWE-bench Verified 75.0 对 53.0 / 76.0；Claw-Eval 76.55 对 71.49 / 74.54。

另外 OpenRouter 本周还上架了 Google 的 Gemini Omni 1.1 Flash 和 1.2 Flash（均为 $1.5 / $9，131K 上下文），是闭源付费模型，不在本栏目范围。

标签
#人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
《AI实战嵌入式Agent +MCP+skill》课时2.5|定时器实战 本课讲解定时器时基单元原理，通过PSC、ARR、CNT三寄存器配合实现精确周期控制。以84MHz时钟为例，计算得PSC=8399、ARR=9999可实现1秒溢出周期。采用HAL_TIM_Base_Start_IT启动定时器更新中断，在HAL_TIM_PeriodElapsedCallback中处理周期任务，实现非阻塞、高精度的定时。相比HAL_Delay的阻塞式延时，定时器中断方案不占用主循环，支持并发操作，是嵌入式系统中实现周期任务的高效方式。 阅读详情

相关推荐

碎碎念android eMMC【转】

本文转载自：https://blog.csdn.net/Fybon/article/details/44242549 一、/dev/blockroot@:/dev/block #lsbootdevicemmcblk0mmcblk0p1mmcblk0p10…….mmcblk0p18mmcblk0p19mmcblk0p2mmcblk0p20……mmcblk0p29mmcblk0p3mmcblk0p3...

zzb2760715357的博客 376

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 298

编译hive-3.1.3（3.0.0）和编译tez-0.10.2适配hadoop-3.3.4以及hadoop-3.2.2（附安装包）

编译hive-3.1.3（3.0.0）和编译tez-0.10.2适配hadoop-3.3.4以及hadoop-3.2.2（附安装包）

2301_77356579的博客 2596

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 164

Windows环境Oracle19C安装与配置全攻略

本文详细介绍了在Windows环境下安装与配置Oracle19C数据库的完整流程，包括环境准备、安装步骤、网络配置、客户端工具设置及常见问题解决方案。特别针对Windows 10和Windows Server 2016及以上版本提供了优化建议，帮助用户高效完成Oracle19C的部署与维护。

weixin_28455801的博客 487

用deepseek对GPU服务器进行压力测试

利用 DeepSeek 模型对 GPU 服务器进行压力测试，核心思路是通过，验证 GPU 服务器在计算、显存、网络等维度的承载能力，同时观察稳定性与性能瓶颈。

weixin_42795092的博客 1609

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 1万+

Unity Hub报错The Hub as encountered a critical error and must close

如果注册表HKEY_LOCAL_MACHINE\SOFTWARE\Unity Technologies\这个目录下有Hub文件，直接删掉然后重装就可以。C:\Users\Administrator\AppData\Roaming\Unity 作者：SevenVee。HKEY_CURRENT_USER\Software\Unity 下所有项，尝试过，卸载重装，清除临时文件无果后，最终决定删除所有与Hub有关的文件。重装unity后可以打开了。结果：卸载重装后还是会出现此问题。结果：重装后还是无法解决。

qq_42345116的博客 3637

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 223

详解Xilinx FPGA高速串行收发器GTX/GTP（1）--SerDes和GTX的关系

详解Xilinx FPGA高速串行收发器GTX/GTP（1）--SerDes和GTX的关系

孤独的单刀 4349

BP神经网络回归预测+SHAP可解释分析+新数据预测（MATLAB完整源码）

BP神经网络回归预测+SHAP可解释分析+新数据预测（MATLAB完整源码）

机器学习之心的博客，关注并私信文章链接，获取对应文章源码和数据。 390

在Codex 让AI模型 拥有长期智能记忆

本文介绍Claude-Mem V15新功能——智能记忆召回，解决AI遗忘、重复提示、执行不一致等问题。通过本地部署claude-mem，实现自动记录决策（如数据库选型）、跨会话智能召回，支持记忆写入、检索、遗忘全流程闭环。相比传统记忆方案，其基于Hooks自动捕获工具调用，结构化存储，可追溯、可共享、可清理，显著提升工程效率与协作一致性，是长期项目中理想的“工作黑匣子”与“工程脑”。

米莱虾 257

YOLOv11涨点改进 | 首发全网创新、主干改进篇 | AAAI 2026 | PartialNet 主干让 YOLOv11 更加强大！引入部分通道机制 和 部分注意力卷积，全方面提升了模型的性能

本文提出PartialNet主干网络改进YOLOv11的方法，通过部分通道机制（PCM）和部分注意力卷积（PATConv）提升模型效率。PartialNet将特征图通道拆分并应用不同操作，显著减少计算量和内存占用。主要创新包括：1）部分通道机制实现计算优化；2）三种注意力模块（PATch/PATsp/PATsf）增强特征提取；3）动态部分卷积（DPConv）自适应调整计算复杂度。文章详细提供了代码实现和YOLOv11集成方法。

Ai缝合怪、助力小伙伴高效发论文 268

医疗 AI 有两种，别混着谈：一个改流程，一个改范式

InfoXMed 是面向医生、医学生和医学科研人员的 AI 医学工具平台，提供文献检索、全文翻译、AI 解读、指南查询和题库练习等功能，辅助临床学习、科研汇报与医学备考。原文是日本医学会杂志（JMA Journal）的一篇综述（Review Article）：基本事实：这一点必须先说清：这篇论文提出的是一个研究纲领。它文中的"预测"指的是科学设想，不是可以拿来用的临床预测能力。文中甚至自己承认了一个硬缺口（见第三节）。本文只谈它的术语辨析与科学方法论，不转述任何可作为临床依据的预测或处置主张。这篇论文的全部

2601_96948740的博客 203

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/

文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况

主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。

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 167

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&#39;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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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, &#39;Too big error&#39;);```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(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

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 179

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

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 527

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 68

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 512

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 238

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 610

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 317

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 182

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 308

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 193

深入理解 Transformer：Decoder 与 Masked Attention 速查手册

写Decoder时直接套用Encoder自注意力代码，训练loss秒降、推理却不会生成？😵 这份速查手册按“症状→诊断→改法→代价→边界”组织，30秒帮你定位masked_fill、tril、causal_mask的正确写法，附可跑代码与对照表，让你彻底搞懂“为什么不能看到未来”。🔧

2601_94912102的博客 242
上一篇： 模型观察 2026-11-01
点赞 1
评论 0
书签 书签 3
cloudcheap
cloudcheap
博客等级 码龄3年 849粉丝 67原创
+ 关注
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
 
表情包 插入表情
表情包 代码片
 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