<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[codeshare1135的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/codeshare1135</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; codeshare1135]]></copyright><item><title><![CDATA[LPDA馈源反射面天线高效设计与仿真]]></title><link>https://blog.youkuaiyun.com/codeshare1135/article/details/160986043</link><guid>https://blog.youkuaiyun.com/codeshare1135/article/details/160986043</guid><author>codeshare1135</author><pubDate>Mon, 11 May 2026 15:07:58 +0800</pubDate><description><![CDATA[本白皮书提出了一种使用高阶基函数的先进全波仿真方法，与传统矩量法相比将未知量减少一个数量级，展示了从独立馈源优化到完整天线集成的实用三步设计策略，并为反射器直径在24.2 λ 至 242 λ、带宽比10:1的范围内提供了经过验证的结果——所有这些均在配备CPU/GPU加速的标准台式机硬件上执行。本白皮书为天线与射频工程师提供了一种面向宽带、高增益LPDA馈电反射面天线的实用设计方法，结合先进的高阶矩量法技术与智能对称技术，涵盖从初始指标到电大结构全波三维电磁仿真的完整流程。]]></description><category></category></item><item><title><![CDATA[Python启动配置：.site.toml文件规范]]></title><link>https://blog.youkuaiyun.com/codeshare1135/article/details/160982576</link><guid>https://blog.youkuaiyun.com/codeshare1135/article/details/160982576</guid><author>codeshare1135</author><pubDate>Mon, 11 May 2026 14:00:48 +0800</pubDate><description><![CDATA[本PEP提出一种基于TOML的配置文件格式，用于替代解释器启动期间site.py所使用的.pth文件机制。新格式使用名为的文件，为扩展sys.path和执行包初始化代码提供结构化配置，取代了当前将路径配置与任意代码执行混为一谈的临时.pth格式。]]></description><category></category></item><item><title><![CDATA[利用大模型分歧优化NLP标注]]></title><link>https://blog.youkuaiyun.com/codeshare1135/article/details/160980389</link><guid>https://blog.youkuaiyun.com/codeshare1135/article/details/160980389</guid><author>codeshare1135</author><pubDate>Mon, 11 May 2026 13:01:01 +0800</pubDate><description><![CDATA[这或许可行，但有大量证据表明，长远来看，尤其是针对特定领域，训练一个定制模型可能更好。但借助大语言模型，还有另一个技巧。例如，可以找到用于文本分类的配置，还有一个非常有用的术语生成配置，可以生成相关术语用于弱监督建模。这类似于主动学习，但依据的是两个模型之间的差异，而非单个模型的置信度。每次看到它们的分歧，我往往会受到启发：为大语言模型编写更好的提示词，同时收集更多训练数据来改进本地流程。首先，需要定义一个config.cfg配置文件，使用某机构的大语言模型来设置用于命名实体识别的spaCy流程。]]></description><category></category></item><item><title><![CDATA[大模型动态计算：按需推理更高效]]></title><link>https://blog.youkuaiyun.com/codeshare1135/article/details/160972379</link><guid>https://blog.youkuaiyun.com/codeshare1135/article/details/160972379</guid><author>codeshare1135</author><pubDate>Mon, 11 May 2026 11:10:43 +0800</pubDate><description><![CDATA[通过赋予模型‘知道自身未知’的能力，我们可以让模型在最难的问题和最有希望的解决路径上投入更多计算资源，而在简单问题上使用少得多的令牌。研究人员发现，他们的新方法使大语言模型在解决难度各异的一系列问题时，仅需现有方法一半的计算量即可达到相当的准确率。为了解决这个问题，某机构的研究人员开发了一种更智能的方法，在大语言模型解决问题时动态分配计算资源。通过提高大语言模型的可靠性和效率，尤其是在处理复杂推理任务时，这项技术可以减少生成式人工智能系统的能耗，并使大语言模型能够应用于更高风险和对时间更敏感的应用场景。]]></description><category></category></item><item><title><![CDATA[AI基准测试解析：GPQA、SWE-bench与竞技场ELO]]></title><link>https://blog.youkuaiyun.com/codeshare1135/article/details/160969519</link><guid>https://blog.youkuaiyun.com/codeshare1135/article/details/160969519</guid><author>codeshare1135</author><pubDate>Mon, 11 May 2026 10:10:42 +0800</pubDate><description><![CDATA[基准测试只是一个标准化测试。一组固定的问题或任务，以相同的方式、相同的评分标准给予每个AI模型。其理念是，如果每个人都参加相同的测试，你就可以公平地比较结果。但AI社区开始称之为“刷榜”的做法：通过评估选择、挑选设置和训练策略，从基准测试中榨取每一分可能的分数，却不一定会改进模型。]]></description><category></category></item><item><title><![CDATA[ChatGPT科学判断准确率仅80%且自我矛盾]]></title><link>https://blog.youkuaiyun.com/codeshare1135/article/details/160966025</link><guid>https://blog.youkuaiyun.com/codeshare1135/article/details/160966025</guid><author>codeshare1135</author><pubDate>Mon, 11 May 2026 08:00:44 +0800</pubDate><description><![CDATA[2026年3月17日某机构一项新研究对ChatGPT进行了测试，要求它判断数百个科学假设的真假，结果远不令人放心。虽然该AI表面上的正确率约为80%，但在考虑随机猜测因素后，其表现显著下降，仅显示出有限的推理能力。更令人担忧的是，当同一问题被多次重复提问时，它经常自相矛盾，有时答案来回翻转。]]></description><category></category></item><item><title><![CDATA[AI推荐引擎：CRM的下一个技术前沿]]></title><link>https://blog.youkuaiyun.com/codeshare1135/article/details/160965154</link><guid>https://blog.youkuaiyun.com/codeshare1135/article/details/160965154</guid><author>codeshare1135</author><pubDate>Mon, 11 May 2026 07:00:43 +0800</pubDate><description><![CDATA[成功构建此类系统的关键在于：从设计之初就注重可解释性、将LLM作为合成层、提前投资信号新鲜度、衡量实际行为改变而非仅模型准确率，并为冷启动问题做显式设计。这篇文章探讨了AI推荐引擎作为CRM系统“行动层”的技术架构与实现挑战。CRM本质上只是一个存储层（昂贵的文件柜），缺乏将数据转化为行动的推理能力。更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/AI推荐引擎作为补充，拥有独立的技术架构，运行于数据之上。]]></description><category></category></item><item><title><![CDATA[可拉伸OLED显示器的突破性技术]]></title><link>https://blog.youkuaiyun.com/codeshare1135/article/details/160965051</link><guid>https://blog.youkuaiyun.com/codeshare1135/article/details/160965051</guid><author>codeshare1135</author><pubDate>Mon, 11 May 2026 06:00:44 +0800</pubDate><description><![CDATA[一个由某机构和某机构科学家领导的国际研究团队，现已开发出一种柔性的、可拉伸的OLED，这可能使这一想法更接近实际应用，并开启新的用途。虽然柔性发光二极管的创造取得了重大进展，但由于透明导体层的限制，过去十年进展已趋于平缓，这限制了它们的可拉伸性。为了展示更广泛的潜力，某机构的研究人员还使用ExciPh层内的四种掺杂材料构建了一个全彩色、完全可拉伸的OLED显示器。他们的解决方案使用了一种专门的有机层，可增加电荷结合形成激子的频率，从而产生更强的光输出。在ExciPh层中产生的激子中，超过57%转化为光。]]></description><category></category></item><item><title><![CDATA[ECS基于Elastic云的成本与安全技术实践]]></title><link>https://blog.youkuaiyun.com/codeshare1135/article/details/160948063</link><guid>https://blog.youkuaiyun.com/codeshare1135/article/details/160948063</guid><author>codeshare1135</author><pubDate>Sun, 10 May 2026 11:11:09 +0800</pubDate><description><![CDATA[我们将客户的Elastic云（SIEM）跨集群连接到ECS的Elastic云，然后可以从我们的GitHub仓库大规模部署检测规则、执行IOC扫描，并进行威胁狩猎操作。为此，ECS构建了一个内部的计费返还模型，该模型参考了Elastic云自身的计费原则。Elastic近期的计费功能增强，尤其是详细的集群级用量展示，减少了人工追踪工作，并消除了以往管理共享池时的大量不确定性。ECS借助Elastic云，在规模化开展安全托管运营的同时，实现了用量追踪、成本控制，并为客户提供清晰、数据驱动的计费透明度。]]></description><category></category></item><item><title><![CDATA[Anthropic发布Cowork，非编程用户的桌面AI代理]]></title><link>https://blog.youkuaiyun.com/codeshare1135/article/details/160941284</link><guid>https://blog.youkuaiyun.com/codeshare1135/article/details/160941284</guid><author>codeshare1135</author><pubDate>Sun, 10 May 2026 07:00:40 +0800</pubDate><description><![CDATA[在其宣布该功能的博客文章中，Anthropic解释说，开发者“很快就开始用它来做几乎所有其他事情”，这“促使我们构建了Cowork：一种更简单的方式，让任何人——而不仅仅是开发者——都能以完全相同的方式与Claude协作”。Anthropic于周一发布了Cowork，这是一项新的AI代理功能，将其大获成功的Claude Code工具的能力扩展至非技术用户。公司表示：“我们已经构建了针对提示注入的复杂防御措施，但代理安全性——即保护Claude在现实世界中的行动的任务——仍然是行业中一个活跃的发展领域。]]></description><category></category></item><item><title><![CDATA[网站安全验证机制与Cloudflare防护技术]]></title><link>https://blog.youkuaiyun.com/codeshare1135/article/details/160892056</link><guid>https://blog.youkuaiyun.com/codeshare1135/article/details/160892056</guid><author>codeshare1135</author><pubDate>Fri, 08 May 2026 15:10:44 +0800</pubDate><description><![CDATA[更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号（网络安全技术点滴分享）该网站使用安全服务来防御恶意机器人。当网站验证您不是机器人时，会显示此页面。正在等待 www.techrepublic.com 响应。请启用 JavaScript 和 Cookie 以继续。性能和安全性由 Cloudflare 提供。隐私政策FINISHED。]]></description><category></category></item><item><title><![CDATA[AI领域工作与入门指南]]></title><link>https://blog.youkuaiyun.com/codeshare1135/article/details/160890075</link><guid>https://blog.youkuaiyun.com/codeshare1135/article/details/160890075</guid><author>codeshare1135</author><pubDate>Fri, 08 May 2026 14:00:40 +0800</pubDate><description><![CDATA[在AI领域工作是什么感觉？本周又有什么新动态？欢迎收看这档由云倡导者Henk和Amy主持的30分钟节目。在本节目中，我们将与每日使用AI的嘉宾进行对话，并向您推荐每周的MS Learn学习模块，助您拓展技能。更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号（网络安全技术点滴分享）]]></description><category></category></item><item><title><![CDATA[泡沫动力学揭示AI学习数学原理]]></title><link>https://blog.youkuaiyun.com/codeshare1135/article/details/160886330</link><guid>https://blog.youkuaiyun.com/codeshare1135/article/details/160886330</guid><author>codeshare1135</author><pubDate>Fri, 08 May 2026 12:10:44 +0800</pubDate><description><![CDATA[长期以来，人们认为泡沫的行为类似玻璃，气泡在微观层面被冻结。但新的模拟揭示，泡沫气泡始终在移动，即使泡沫保持整体形状不变。值得注意的是，这种不宁的运动遵循着与训练人工智能相同的数学原理。这一发现暗示，类似学习的行为可能是材料、机器和活细胞共享的基本原则。]]></description><category></category></item><item><title><![CDATA[大规模虚拟知识图技术获奖]]></title><link>https://blog.youkuaiyun.com/codeshare1135/article/details/160882021</link><guid>https://blog.youkuaiyun.com/codeshare1135/article/details/160882021</guid><author>codeshare1135</author><pubDate>Fri, 08 May 2026 10:10:43 +0800</pubDate><description><![CDATA[该论文通过描述一个源自 OpenStreetMap 的大规模数据集，论证了大规模虚拟知识图的可行性。其查询日志也被用于多种分析任务。使用最新的重写器，研究人员可以构建自己用例的数据快照，并通过 SPARQL 及其扩展 OGC GeoSPARQL 进行高效查询。在发布和查询该数据集时，作者的重写方法将 SPARQL 语言的传入查询转换为对底层 OpenStreetMap 数据库的查询。“该数据集在科学界引起关注有若干原因，”Lehmann 表示，“其一，全量提取时达到数十亿事实的规模，是当时最大数据集之一；]]></description><category></category></item><item><title><![CDATA[生成式AI时代的NLP应用实践]]></title><link>https://blog.youkuaiyun.com/codeshare1135/article/details/160875908</link><guid>https://blog.youkuaiyun.com/codeshare1135/article/details/160875908</guid><author>codeshare1135</author><pubDate>Fri, 08 May 2026 08:00:46 +0800</pubDate><description><![CDATA[在本次演讲中，将分享从解决工业界真实世界的信息抽取问题中学到的最重要经验，并向你展示在生成式AI时代设计稳健、模块化NLP管道的新方法和新思维。将更大的业务问题分解为可操作的机器学习任务是应用自然语言处理的核心挑战之一。将带你了解示例应用和实际解决方案，展示如何充分发挥LLM的潜力，如何在何处集成自定义业务逻辑，以及如何最大化效率、透明度和数据隐私。更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/]]></description><category></category></item><item><title><![CDATA[Gemini 2.5 Flash-Lite模型稳定版发布]]></title><link>https://blog.youkuaiyun.com/codeshare1135/article/details/160875033</link><guid>https://blog.youkuaiyun.com/codeshare1135/article/details/160875033</guid><author>codeshare1135</author><pubDate>Fri, 08 May 2026 06:00:41 +0800</pubDate><description><![CDATA[2025年7月22日集团产品经理产品经理某机构DeepMind今天，发布了Gemini 2.5 Flash-Lite的稳定版本，这是Gemini 2.5模型家族中速度最快、成本最低的模型（输入每100万token $0.10，输出每100万token $0.40）。构建2.5 Flash-Lite旨在推动单位成本的智能水平，具备原生推理能力，可根据需要为更高要求的用例开启。基于2.5 Pro和2.5 Flash的势头，该模型完善了2.5模型集，为大规模生产使用做好了准备。]]></description><category></category></item><item><title><![CDATA[某机构发布具身AI智能体代码与数据集]]></title><link>https://blog.youkuaiyun.com/codeshare1135/article/details/160825675</link><guid>https://blog.youkuaiyun.com/codeshare1135/article/details/160825675</guid><author>codeshare1135</author><pubDate>Wed, 06 May 2026 15:10:43 +0800</pubDate><description><![CDATA[为使游戏更具吸引力，Arena包含实时背景动画和声音、用户友好的图形、平滑的机器人导航及实时视觉显示、支持多视角、可切换第一人称和第三人称摄像机、可纳入任务完成标准的危险和前置条件、显示机器人在场景中位置的小地图，以及可配置的提示生成机制。在Arena中，可以使用新的挑战定义格式来编写长周期机器人任务（例如“泡一杯热茶”），以指定物体的初始状态（如“橱柜门关闭”）、需满足的目标条件（如“杯子装满牛奶或水”），以及放置在场景中特定位置的文本提示（如“检查冰箱里的牛奶”）。机器人技术 | 对话式AI。]]></description><category></category></item><item><title><![CDATA[Confection v0.1.0 配置解析增强]]></title><link>https://blog.youkuaiyun.com/codeshare1135/article/details/160821608</link><guid>https://blog.youkuaiyun.com/codeshare1135/article/details/160821608</guid><author>codeshare1135</author><pubDate>Wed, 06 May 2026 13:02:00 +0800</pubDate><description><![CDATA[【代码】Confection v0.1.0 配置解析增强。]]></description><category></category></item><item><title><![CDATA[DGX Spark软件优化与模型加速技术]]></title><link>https://blog.youkuaiyun.com/codeshare1135/article/details/160818327</link><guid>https://blog.youkuaiyun.com/codeshare1135/article/details/160818327</guid><author>codeshare1135</author><pubDate>Wed, 06 May 2026 11:12:12 +0800</pubDate><description><![CDATA[2026年CES发布的DGX Spark软件更新，通过软件优化、新模型更新和开源协作，为DGX Spark及基于OEM GB10的系统带来了重大性能提升。128GB统一内存、NVFP4数据格式支持和高速ConnectX-7网络等特性，使开发者和创作者能够在本地运行大模型、优化内存使用并提高吞吐量，例如Qwen-235B模型相比旧格式性能提升高达2.6倍。新的操作指南、某机构认证系统项目以及集成某机构Brev和Hugging Face教程等功能，降低了用户上手门槛。]]></description><category></category></item><item><title><![CDATA[LoRA微调中目标模块的优化选择]]></title><link>https://blog.youkuaiyun.com/codeshare1135/article/details/160806807</link><guid>https://blog.youkuaiyun.com/codeshare1135/article/details/160806807</guid><author>codeshare1135</author><pubDate>Wed, 06 May 2026 07:00:48 +0800</pubDate><description><![CDATA[消融实验阐明了使用低秩适应（LoRA）微调AI模型时，精度与效率之间的权衡关系。作者：Rushil Anirudh, Anjie Fang, Bhoomit Vasani | 2026年3月19日 | 11分钟阅读。]]></description><category></category></item></channel></rss>