每日 AI 研究简报 · 2026-04-11

MindIE与vLLM-Ascend性能对决:Qwen3在昇腾910B上的推理效率实测 本文深度对比了昇腾910B平台上两大推理框架MindIE与vLLM-Ascend的性能表现。通过实测Qwen3系列模型,详细分析了二者在单卡、多卡场景下的推理效率、扩展性及生产环境适用性,为AI算力基础设施选型提供关键参考。 阅读详情

(本文借助 AI 大模型及工具辅助整理)

一句话总结:今日 AI 领域亮点聚焦于 Agent 工具使用优化、物理仿真数据增强、以及多模态 MoE 路由机制研究,GitHub 上 AI Agent 相关项目持续火热,Anthropic 和 OpenAI 在企业级 AI 应用上加速布局。

🌊 AI 动态与趋势

近期 AI 领域呈现出几个明显的技术演进方向。首先是 Agent 工具使用的精细化,研究者开始关注如何让 AI Agent 更智能地决定何时调用外部工具、何时依赖内部知识,避免盲目调用导致的延迟和噪声问题。这标志着 Agent 技术从"能用"向"好用"迈进。

其次是 物理仿真与数据增强的结合,针对可变形物体操作的机器人学习是一个数据密集型领域,新的仿真技术通过物理对齐的方式,将稀疏的真实世界观测转化为大规模的合成监督数据,实现了 1:15 的数据效率比,这对机器人学习的实用化具有重要意义。

第三,多模态混合专家模型(MoE)的路由机制成为研究热点。研究发现视觉输入会导致路由机制无法充分激活任务相关的推理专家,这一"看见但不懂思考"的现象揭示了多模态模型架构中的深层问题。

行业层面,AI Agent 正在从实验室走向企业应用。Anthropic 推出 Claude Cowork 企业级工作空间,Block 发布 Managerbot 主动式 AI Agent,Nvidia 联合 17 家大企业推出企业级 AI Agent 平台,显示出 AI Agent 商业化落地的加速态势。

📰 AI 今日看点

AI 正在从"对话工具"进化为"工作伙伴"。今天的技术动态显示,无论是学术研究还是工业应用,大家都在解决同一个核心问题:如何让 AI 更聪明地"动手"——不是盲目地调用工具,而是在恰当的时机做出恰当的选择。这种"元认知"能力的提升,可能是 AI 从辅助工具向自主 Agent 跃迁的关键一步。

同时,物理仿真技术的突破让我们看到,机器人学习的数据瓶颈或许有了解决方案。通过将真实世界的物理规律注入仿真环境,AI 可以在虚拟世界中高效学习,再迁移到现实世界——这像极了人类在模拟器中训练飞行员的逻辑。

🔥 AI 大事件

Anthropic 推出 Claude Cowork 企业级功能
Anthropic 的共享 AI 工作空间 Claude Cowork 新增 IT 管理员工具,支持企业级部署,允许任何人在付费计划下构建和部署自主工作流,新增将 Zoom 会议转录转为行动项的功能。
来源:The Verge

Block 推出 Managerbot 主动式 AI Agent
Block(原 Square)发布 Managerbot,这是一个突破性的主动式 AI Agent,与早期的反应式聊天机器人不同,它能够主动为商家提供销售、员工和业务绩效方面的建议。
来源:VentureBeat

Nvidia 发布企业级 AI Agent 平台
Nvidia CEO 在 GTC 2026 发布 Agent Toolkit 开源平台,Adobe、Salesforce、SAP、ServiceNow、Siemens 等 17 家大型企业已宣布采用,覆盖几乎所有行业和财富 500 强公司。
来源:VentureBeat

Google Finance AI 功能全球扩展
Google 将其 revamped Finance 应用扩展到 100 多个国家,包括澳大利亚、巴西、加拿大、日本等,新增内置 Gemini 聊天机器人、图表工具和升级的新闻推送。
来源:The Verge

Google Meet AI 语音翻译登陆移动端
Google Meet 的实时语音翻译功能从网页版扩展到移动端,支持英语与西班牙语、法语、德语、葡萄牙语、意大利语之间的互译,面向 Google AI 和 Workspace 订阅用户。
来源:The Verge

OpenAI 发布 AI 儿童安全政策框架
OpenAI 与 NCMEC 和 Attorney General Alliance 合作发布儿童保护蓝图,旨在现代化法律以应对 AI 生成的 CSAM,改进举报流程,建立阻断剥削尝试的系统。
来源:The Verge

Anthropic 宣布 Mythos 网络安全模型
Anthropic 表示其最强大的 AI 网络安全模型 Claude Mythos Preview “过于危险不宜公开发布”,因此启动 Project Glasswing 项目,与 AWS、Apple、Google、Microsoft 等 40 多家关键软件组织合作,承诺投入 1 亿美元使用积分和 400 万美元直接捐赠给开源安全组织。
来源:VentureBeat

🛠️ AI 应用前线

Trending AI - AI 驱动的 GitHub 项目解读工具
一款用 AI 快速读懂 GitHub Trending 开源项目的 App,接入 Gemini/DeepSeek,自动过滤并提取高价值信息,支持按日期和批次回溯往期榜单,采用 Compose Multiplatform 一套代码覆盖 Android 和 iOS。
来源:GitHub

last30days-skill - 社区讨论抓取插件
冲上 GitHub Trending 的 AI 插件,专为 Claude Code、Gemini CLI 等 AI 终端设计,可跨平台抓取 Reddit、Hacker News、Polymarket 过去 30 天内的高质量讨论,生成带真实源链接的总结报告。
来源:优快云

Google 官方 CLI 工具登顶 GitHub Trending
googleworkspace/cli 是谷歌官方推出的命令行工具,一个命令搞定 Drive、Gmail、日历、文档等全家桶,支持 AI Agent 技能,可调用 Gemini 大模型,已获得 15,000+ Star。
来源:今日头条

📊 数据速递

• 2.75 亿次/周 — GitHub 代码提交量,预计今年全年突破 140 亿次,较一年前增长约 14 倍(来源:The Information)
• 1700 万次/月 — AI Agent 发起的 Pull Request 数量,从去年 9 月的约 400 万次激增(来源:The Information)
• 25 倍增长 — Anthropic Claude Code 向 GitHub 公开项目提交代码的周频次,过去六个月内从约 10 万次跃升至逾 250 万次(来源:腾讯网)

📊 今日概览

维度数据
📅 日期2026-04-11
🔬 ArXiv 精选论文20 篇
🚀 GitHub 趋势项目15 个
📰 新闻事件8 条

🔬 ArXiv 今日精选论文

大模型与 Agent

• Act Wisely: Cultivating Meta-Cognitive Tool Use in Agentic Multimodal Models
论文提出 HDPO 框架,将工具效率从竞争标量目标重构为严格条件目标,通过条件优势估计仅在准确轨迹内强制执行执行经济性。由此产生的模型 Metis 将工具调用减少数个数量级,同时提升推理准确性。
arXiv:2604.08545

机器人与物理仿真

• SIM1: Physics-Aligned Simulator as Zero-Shot Data Scaler in Deformable Worlds
提出物理对齐的 real-to-sim-to-real 数据引擎,将稀疏观测转换为大规模合成监督数据,在纯合成数据上训练的策略达到与真实数据基线相当的性能,数据效率比达 1:15,零样本成功率 90%。
arXiv:2604.08544

多模态与 MoE

• Seeing but Not Thinking: Routing Distraction in Multimodal Mixture-of-Experts
揭示多模态 MoE 模型中"看见但不懂思考"的现象:模型能准确感知图像内容却在后续推理中失败。提出"路由干扰"假设,设计路由引导干预方法增强领域专家激活,在复杂视觉推理任务上提升高达 3.17%。
arXiv:2604.08541

🚀 GitHub AI 趋势日榜 Top 15

今日 GitHub Trending 呈现明显的 AI Agent 化特征,开发者工具和企业级应用成为焦点:

  1. googleworkspace/cli (15,228 ⭐) — 谷歌官方 CLI 工具,一个命令搞定 Drive、Gmail、日历、文档全家桶,支持 AI Agent 技能和 Gemini 大模型调用
  2. paperclipai/paperclip (8,081 ⭐) — 为 AI Agents 打造的开源编排框架,目标实现"零人工公司",支持多 Agent 协同和可视化编排
  3. HarlonWang/TrendingAI — 用 AI 快速读懂 GitHub Trending 项目,接入 Gemini/DeepSeek,支持双端(Android & iOS)
  4. mvanhorn/last30days-skill — 为 AI 终端设计的插件,抓取全网过去 30 天社区高质量讨论
  5. expr-lang/expr (6.5k ⭐) — Go 表达式语言和评估工具,支持动态配置
  6. NVlabs/Sana (2.6k ⭐) — 高效高分辨率图像合成工具,可在笔记本 GPU 上生成 4096×4096 图像
  7. steven2358/awesome-generative-ai (6.6k ⭐) — 精选生成式 AI 项目和服务列表
  8. htmlstreamofficial/preline (5.1k ⭐) — 基于 Tailwind CSS 的开源预构建 UI 组件
  9. 78/xiaozhi-esp32 (2.2k ⭐) — 小智 AI 聊天机器人,开源硬件开发学习项目
  10. xpipe-io/xpipe (4.1k ⭐) — 创新的 shell 连接中心和远程文件管理器
  11. rabbitmq/rabbitmq-server (12.4k ⭐) — 多协议消息传递和流媒体服务器
  12. denoland/deno (101.1k ⭐) — 安全现代的 JavaScript 和 TypeScript 运行时
  13. JoshuaC215/agent-service-toolkit (1.1k ⭐) — 使用 LangGraph、FastAPI 和 Streamlit 搭建 AI Agent 服务的完整工具套件
  14. kevmo314/scuda (1.2k ⭐) — 允许通过 IP 网络将远程 GPU 连接至本地 CPU 机器进行高性能运算
  15. yusing/go-proxy (1k ⭐) — 轻量级反向代理工具,支持 Web UI、自动 SSL、Docker 集成

💡 今日洞察

  1. Agent 的"元认知"成为新战场:从 Anthropic 的 Claude Cowork 到 ArXiv 上的 Metis 论文,业界开始关注 Agent 如何智能地决定何时使用工具、何时依靠自身知识。这种"元认知"能力可能是区分"能用"和"好用"的关键。

  2. 物理仿真正在解决机器人学习的数据瓶颈:SIM1 的研究表明,通过将真实物理规律注入仿真环境,可以实现 1:15 的数据效率比。这意味着机器人学习可能不再需要海量真实世界数据,仿真+迁移的路径正在变得可行。

  3. 企业级 AI Agent 落地加速:从 Block 的 Managerbot 到 Nvidia 的 Agent Toolkit,再到 Google 的 Workspace CLI,企业级 AI Agent 正在从概念走向产品。这一波浪潮的核心是"主动式"而非"反应式"的 AI——不是等用户问,而是主动发现问题、提供建议。


✍️ 编辑策划 / 整理:Fan Jun AI Tech Notes 组
📅 发布日期:2026-04-11
数据来源:ArXiv API、GitHub、TechCrunch、The Verge、Wired、VentureBeat、机器之心、量子位等

[网络安全提高篇] 一二〇.恶意软件动态分析经典沙箱Cape批量提取动态API特征 这是作者网络安全自学教程系列,主要是关于安全工具和实践操作的在线笔记,特分享出来与博友们学习,希望您喜欢,一起进步。前文详细介绍动态分析沙箱Cape的安装过程,其是一个开源的自动恶意软件分析系统,通过自动运行和分析恶意软件,全面分析和提取恶意软件的关键特征。然而,当样本数量增加时,单个样本分析会降低效率。这篇文章将讲解如何实现Cape沙箱的批量分析,通过调用Python脚本文件来实施批量处理,并将分析结果存储在指定位置,最后补充submit.py的参数及Python调用方式。基础性文章,希望对您有帮助! 阅读详情

相关推荐

centos7安装db2 version11.1

centos7安装db2 version11.1

AKA石头 1067

每日 AI 研究简报 · 2026-11-04

今日 AI 主线集中在「可信与可控」——模型身份防伪(Anthropic FlashProve)、权重空间编程工程化(MIT 改写 Qwen 权重)、Agent 安全量化评估(MCP / VeriHarm)三线并行,叠加算力范式切换与具身智能真实场景考核。

:: Dotnet Fantasy :: 595

使用VNC可视化Docker容器

Docker容器可视化

Robert_Q的博客 1万+

每日 AI 研究简报 · 2026-04-08

今日亮点聚焦多智能体研究框架、测试时训练新方法、视觉语言模型幻觉检测,以及英伟达企业级 AI Agent 平台的重磅发布,AI 基础设施与应用落地的竞争持续升温。

:: Dotnet Fantasy :: 978

ICM42670 IIC驱动与卡尔曼+四元数姿态解算实战

惯性测量单元(IMU)是运动控制、无人机飞控和AR/VR设备的核心传感器,其数据质量直接取决于底层硬件通信可靠性与姿态估计算法鲁棒性。IIC(I²C)作为嵌入式系统中最常用的低速串行总线,需满足确定性时序、抗干扰与实时采样要求;卡尔曼滤波则通过状态建模与噪声协方差优化,在动态环境中融合加速度计与陀螺仪数据;而四元数因其无万向锁、插值平滑、旋转合成高效等优势,成为高精度姿态解算的数学基础。本文以高性能六轴IMU ICM42670为载体,深入剖析IIC硬件设计要点、裸机级驱动优化、Allan方差驱动的卡尔曼参数

weixin_27076351的博客 258

Arduino——GY39大气压、温湿度、光照模块

前几天买东西的时候买了一个GY39,这个模块集成了温湿度,大气压,海拔,光照一体,使用起来很方面。它有两种工作模式使用串口模式时需要搭配转接板,我选择了IIC模式,看一下通信协议吧,就是关于高八位和低八位的数据。看一下接线。

戚晨夕的博客 2605

每日 AI 研究简报 · 2026-04-19

英伟达开源量子AI模型 Ising 加速量子实用化,OpenAI 发布 GPT-6 旗舰模型军备竞赛升级,具身智能商业化部署元年正式开启。

:: Dotnet Fantasy :: 2106

基于IWRL6432AOP的低功耗毫米波雷达设计:从硬件选型到算法调优实战

毫米波雷达作为一种非接触式物理层感知技术,通过发射和接收高频电磁波实现对目标距离、速度及微动特征的探测。其核心原理在于分析反射波的频率和相位变化,从而在复杂环境(如黑暗、雨雾)中实现稳定感知,且不涉及光学成像,天然具备隐私保护优势。在工程实践中,低功耗与小型化是技术落地的关键挑战,这直接关系到其在电池供电的物联网设备中的可行性。天线封装技术通过将天线集成于芯片内部,极大简化了射频前端设计,降低了硬件成本和开发门槛。本文以TI的IWRL6432AOP芯片为例,深入剖析其在智能恒温器等场景中实现精准人员存在检测

weixin_29189003的博客 283

每日 AI 研究简报 · 2026-04-12

今日 AI 领域聚焦智能体(Agent)技术突破与多模态推理优化,ArXiv 涌现多项关于工具使用效率、物理仿真和视觉推理的前沿研究;产业层面,AI Agent 商业化元年信号强烈,国内外科技巨头加速布局自主智能体赛道。

:: Dotnet Fantasy :: 2266

SPSS与SPSS Modeler,不一样的世界

1. SPSS软件的前世今生 1.1 IBM SPSS的由来 与数据打过交道的小伙伴们,应该对SPSS软件都不陌生。SPSS是世界上最早的统计分析软件,由斯坦福大学的三个研究生大牛于1968年研发,同时还成立了SPSS公司。SPSS最初的全称是Solutions Statistical Package for the Social Sciences(社会科学统计软件包),随着SPSS产品服务领...

qq_24339451的博客 3613

【Autosar从入门到精通到进阶实战篇】75 0x34/0x36/0x37:请求下载、传输数据、请求退出——刷写流程的“三兄弟”

文章摘要:UDS刷写流程0x34/0x36/0x37关键实现要点 本文通过一个真实ECU变砖案例,揭示了UDS刷写服务(0x34请求下载、0x36传输数据、0x37请求退出)的实现陷阱与最佳实践。核心要点: 安全架构设计: 0x34阶段只协商参数,不立即擦除Flash 采用缓冲区暂存数据,避免频繁写Flash 严格检查地址对齐和内存边界 关键改进措施: 实现数据包序列号校验(防错位) 传输层缓冲区溢出保护 0x37阶段必须包含完整性校验(如CRC32) 一次性批量写入Flash,减少擦写次数 典型错误模式:

企鹅码农的专属播客,分享10多年的实战案例和经验解读,包含YOLO、RT-DETR、AI等各个工作领域。 72

每日 AI 研究简报 · 2026-04-04

企业级 AI Agent 平台成焦点,Nvidia 推出 Agent Toolkit 联合 17 家企业巨头,Google 开源 Gemma 4 转向 Apache 2.0 许可证。

:: Dotnet Fantasy :: 896

【即插即用模块】注意力篇 | ECCV 2024 | DPB:高低频动态分离+双提示融合,PSNR直冲40+!

本文提出了一种基于频率提示的图像恢复方法FPro,通过动态滤波器分离输入特征的高低频分量,并采用双提示块(DPB)进行频域专属提示生成与调制。DPB包含低频提示调制器(LPM)和高频提示调制器(HPM),分别处理不同频段信号,通过生成提示组件并融合解码器特征来优化恢复效果。实验表明,该方法在U型结构中表现优异,尤其适用于分割、底层视觉和多模态任务。模块通过动态无监督频率分离、频域专属提示生成和适配性融合机制,有效解决了传统方法对频域信息关注不足的问题,显著提升了图像恢复质量。

主要更新底层视觉(去噪、超分等)相关的科研内容,形式为【论文精读】+【论文复现】 149

每日 AI 研究简报 · 2026-04-10

AI Agent 安全治理进入深水区——Anthropic 主动封禁最强网络攻击模型引发行业反思,同日 Nvidia 发布企业级 Agent 工具包标志着 AI Agent 从实验室走向大规模商业落地。

:: Dotnet Fantasy :: 1041

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

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")

每日 AI 研究简报 · 2026-04-17

Agent 能力持续向编码助手和系统控制方向深化,GitHub 趋势反映开发者正加速构建"AI 原生"工具链;学术界则聚焦推理可靠性评测与空间智能两大主题。

:: Dotnet Fantasy :: 774

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

每日 AI 研究简报 · 2026-04-07

推理效率优化成为近期研究热点,大模型"早停"与 KV 缓存压缩方案密集出现;同时开源视觉推理模型 Vero 引发关注,企业级 AI Agent 平台暗战升温。

:: Dotnet Fantasy :: 929

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

每日 AI 研究简报 · 2026-04-26

今日亮点聚焦视频时间感知新突破、持续学习评估范式反思、LLM数学自博弈评测,以及OpenAI/Google/Anthropic的资本与技术新动向。

:: Dotnet Fantasy :: 1999

每日 AI 研究简报 · 2026-04-13

MiniMax M2.7 开源打响国产大模型追赶战,全球大模型调用量结束十周连涨进入调整期,Claude Mythos 引发英美监管机构联合关注安全风险。

:: Dotnet Fantasy :: 2776

每日 AI 研究简报 · 2026-09-04

(本文借助 AI 大模型及工具辅助整理)

:: Dotnet Fantasy :: 548

每日 AI 研究简报 · 2026-04-18

Anthropic 强势扩张产品线,Claude Design 挑战 Figma;OpenAI 高管离职潮持续;AI Agent 从实验室走向企业基础设施,军事 AI 合规边界正在被重新划定。

:: Dotnet Fantasy :: 551

每日 AI 研究简报 · 2026-04-15

Midjourney V8.1 三倍提速降价回归经典美学,Anthropic Claude Code 推出云端 Routines 自动化,小红书突然开源多模态训练引擎——AI 从"造工具"进入"用工具造工具"的新阶段。

:: Dotnet Fantasy :: 793

每日 AI 研究简报 · 2026-04-09

今日 AI 领域聚焦视频生成运动控制、空间记忆重建、以及大模型安全认证等前沿方向;GitHub 上 Agent 框架和 AI 编程工具持续火热,Anthropic 与 Google 达成重大算力合作。

:: Dotnet Fantasy :: 713

每日 AI 研究简报 · 2026-04-20

Anthropic 双线出击发布 Claude Design 和 Mythos 网络安全模型,引发行业震荡;同时研究发现 LLM 审计 sabotaged 代码能力薄弱,AI 安全治理仍任重道远。

:: Dotnet Fantasy :: 705

每日 AI 研究简报 · 2026-04-02

OpenAI 完成 122 亿美元融资并宣布 9 亿周活用户里程碑,同时关停 Sora 转向「超级应用」战略;AI Agent 成为研究焦点,从个人电脑文件管理到模拟创业公司长期规划,多维度基准测试揭示当前智能体在真实场景中的能力边界与改进方向。

:: Dotnet Fantasy :: 639

每日 AI 研究简报 · 2026-04-06

今日AI领域亮点纷呈——Nvidia发布企业级AI Agent平台获17家巨头支持,Claude Code泄露事件引发安全担忧,开源AI Agent生态持续升温。

:: Dotnet Fantasy :: 810

每日 AI 研究简报 · 2026-07-04

AI 安全研究迎来新突破——持久态攻击防御、精准遗忘定位、在线安全监控等方向均有重要进展;同时 Anthropic 与 OpenAI 的商业化布局持续引发行业关注。

:: Dotnet Fantasy :: 390
上一篇: 每日 AI 研究简报 · 2026-04-10
下一篇: 每日 AI 研究简报 · 2026-04-12
俊哥V
博客等级 码龄21年 589粉丝 453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

打赏作者

俊哥V

这是个嘛?

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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