每日 AI 研究简报 · 2026-05-08

俊哥V 俊哥V 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 700+累计阅读 712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21年
关注
原创 最新推荐文章于 2026-08-05 22:16:41 发布 712 阅读 AI 写同款· GEO 优化 ›
GitHub开源项目日报 · 2026年5月7日 · AI Agent与智能开发工具新趋势 本期榜单涵盖AI Agent、开发者工具、文档处理和机器学习等多个领域，其中开源AI编程工具表现尤为突出。超过10000星以上的项目有agent-skills、Goose、PageIndex、DeepSeek-TUI、DocuSeal以及anthropics的金融服务业Claude代理工具包等多个项目，这些项目分别在代码质量保障、跨平台AI助手、文档检索和企业级工作流等方面展现了强大的能力。其中每天增长超过100星的项目包含agent-skills（405.52星/天）、DeepSeek-TUI 阅读详情

(本文借助 AI 大模型及工具辅助整理)

一句话总结：MoE架构革新成焦点，Anthropic推出"做梦"学习机制，OpenAI发布GPT-5.5 Instant并展示记忆能力，Cloudflare因AI效率提升裁员1100人。

🌊 AI 动态与趋势

MoE架构迎来范式转变。 今日ArXiv两篇重磅论文揭示Mixture-of-Experts架构正在经历根本性重构：UniPool提出全局共享专家池，打破了每层独立拥有专家的惯例，实验显示仅用41.6%-66.7%的专家参数即可匹配或超越传统MoE；EMO则通过文档边界约束让语义级专家分组自然涌现，实现了真正的模块化部署——保留25%专家仅损失1%性能，而传统MoE在同样设置下会完全崩溃。这标志着MoE正从"稀疏激活"走向"可组合架构"。

AI Agent进入自主学习时代。 Anthropic推出"做梦"（Dreaming）系统，让AI Agent能从自身错误中学习；OpenAI则将Codex扩展到Chrome浏览器，实现跨网站任务自动化。Sakana AI展示了用7B小模型路由GPT-5、Claude Sonnet 4、Gemini 2.5 Pro的能力，证明智能路由可以替代硬编码工作流。这些进展共同指向一个趋势：Agent正在从"执行指令"进化为"自主优化"。

📰 AI 今日看点

AI正在重塑企业运营的每一个环节。从Cloudflare因AI使用量增长600%而裁员1100人的决策，到Mozilla用Claude发现271个Firefox漏洞的案例，AI对企业效率和人力的冲击已从"预期"变为"现实"。与此同时，监管和伦理框架也在快速跟进——奥斯卡规定只有人类才能获得表演奖，金球奖则对AI辅助表演留出了更多弹性空间。开发者工具层面，OpenAI的GPT-5.5 Instant开始展示"记忆"能力，让用户能看到哪些上下文影响了回答；Google Gmail的AI写作工具则开始学习个人语气风格。这些变化传递出一个清晰信号：AI正在从"通用工具"进化为"个性化协作伙伴"。

🔥 AI 大事件

Anthropic推出"做梦"学习机制
Anthropic发布三重更新："做梦"系统让Agent能从错误中学习，outcomes和multi-agent orchestration两项实验性功能进入公开测试。三者共同解决Agent规模化部署的核心难题：准确性、学习能力和多步骤协作瓶颈。
来源：VentureBeat

OpenAI发布GPT-5.5 Instant并展示记忆能力
新默认模型GPT-5.5 Instant带来记忆可视化功能，用户可以看到哪些上下文塑造了AI的回答——虽然并非全部。同时OpenAI推出Codex Chrome扩展，让AI能在已登录的网站和应用中完成任务。
来源：VentureBeat

Cloudflare因AI使用增长600%裁员1100人
Cloudflare宣布裁员1100人，明确表示这不是成本削减，而是为"Agentic AI时代"重构运营模式。AI使用量增长600%使其重新定义高增长公司的价值创造方式。
来源：The Verge

Hugging Face推出机器人应用商店
Hugging Face发布Reachy Mini App Store，已托管200多个社区构建的机器人应用，Reachy Mini用户可免费下载使用。这标志着机器人生态开始复刻移动应用商店模式。
来源：VentureBeat

🛠️ AI 应用前线

Gmail AI写作工具学习个人风格
Google为"Help me write"工具增加个性化语气功能，可根据用户提示生成符合个人风格的邮件，还能从Google Drive和Gmail中提取相关上下文。
来源：The Verge

Mozilla用Claude发现271个Firefox漏洞
Claude Mythos Preview帮助Mozilla识别了271个Firefox漏洞，Mozilla决定提前公开部分漏洞报告细节，以推动整个软件生态系统的安全改进。
来源：The Verge

Sakana用7B模型路由顶级大模型
Sakana AI训练了一个7B参数的路由模型，能够智能地将任务分配给GPT-5、Claude Sonnet 4和Gemini 2.5 Pro，用强化学习替代硬编码工作流。
来源：VentureBeat

📊 数据速递

• 1,100人 — Cloudflare裁员规模，明确因AI使用增长600%驱动（来源：The Verge）
• 271个 — Claude帮助Mozilla发现的Firefox漏洞数量（来源：The Verge）
• 200+ — Hugging Face机器人应用商店首发应用数量（来源：VentureBeat）
• 1,000x — Miami初创公司Subquadratic声称的AI效率提升（来源：VentureBeat）

📊 今日概览

| 维度 | 数据 |
| 📅 日期 | 2026-05-08 |
| 🔬 ArXiv 精选论文 | 8 篇 |
| 🚀 GitHub 趋势项目 | 15 个 |
| 📰 新闻事件 | 12 条 |

🔬 ArXiv 今日精选论文

🧠 大模型架构

UniPool: A Globally Shared Expert Pool for Mixture-of-Experts
研究提出全局共享专家池架构，打破MoE每层独立拥有专家的惯例。实验显示仅用41.6%-66.7%的专家参数即可匹配或超越传统MoE，验证损失降低0.0386。
• 链接：https://arxiv.org/abs/2605.06665

EMO: Pretraining Mixture of Experts for Emergent Modularity
通过文档边界约束实现语义级专家分组自然涌现。保留25%（12.5%）专家仅损失1%（3%）性能，而传统MoE在同样设置下会崩溃。证明MoE可走向模块化、可组合架构。
• 链接：https://arxiv.org/abs/2605.06663

Optimizer-Model Consistency: Full Finetuning with the Same Optimizer as Pretraining Forgets Less
发现使用与预训练相同的优化器进行全参数微调可实现更好的学习-遗忘权衡，甚至优于LoRA。理论分析显示优化器对激活的正则化效应塑造了模型参数空间。
• 链接：https://arxiv.org/abs/2605.06654

🤖 Agent与推理

BAMI: Training-Free Bias Mitigation in GUI Grounding
CVPR 2026论文，提出无训练偏差缓解方法，通过从粗到精聚焦和候选选择解决GUI定位中的精度偏差和歧义偏差。在ScreenSpot-Pro基准上将TianXi-Action-7B准确率从51.9%提升至57.8%。
• 链接：https://arxiv.org/abs/2605.06664

Verifier-Backed Hard Problem Generation for Mathematical Reasoning
引入三方自博弈框架VHG，通过独立验证器约束问题生成者的奖励，解决LLM自主生成有效、困难、新颖数学问题时的reward hacking问题。
• 链接：https://arxiv.org/abs/2605.06660

🎬 多模态与视频

ActCam: Zero-Shot Joint Camera and 3D Motion Control for Video Generation
SIGGRAPH 2026论文，提出零样本联合相机与3D运动控制方法，通过两阶段条件调度实现几何一致的姿态和深度条件，在大视角变化下显著优于纯姿态控制方法。
• 项目页：https://elkhomar.github.io/actcam/
• 链接：https://arxiv.org/abs/2605.06667

📊 评估与安全

Why Global LLM Leaderboards Are Misleading: Small Portfolios for Heterogeneous Supervised ML
分析Arena约8.9万条比较数据，发现全局Bradley-Terry排名具有误导性：前50名模型在统计上不可区分。提出(λ, ν)-组合框架，用5个不同排名覆盖96%投票，远超全局排名的21%覆盖率。
• 链接：https://arxiv.org/abs/2605.06656

When No Benchmark Exists: Validating Comparative LLM Safety Scoring Without Ground-Truth Labels
解决在没有标注基准的情况下比较LLM安全性的问题，为跨语言、跨行业、跨监管体系的安全评估提供方法论。
• 链接：https://arxiv.org/abs/2605.06652

🚀 GitHub AI 趋势日榜 Top 15

今日趋势聚焦AI Agent工具链与效率工具。Anthropic金融服务业示例库一日暴涨1343星，显示企业级AI应用需求旺盛；agent-skills项目以3062星领跑AI编程Agent技能库；DeepSeek-TUI、9router等项目则体现了对免费、高效AI编码工具的强烈需求。

排名项目描述今日增长
1anthropics/financial-services金融服务业AI应用示例+1,343 ⭐
2addyosmani/agent-skillsAI编程Agent生产级工程技能+3,062 ⭐
3Hmbown/DeepSeek-TUIDeepSeek终端编码Agent-
4z-lab/dflashBlock Diffusion推测解码+671 ⭐
5decolua/9router免费AI编码路由器，连接多平台+149 ⭐
6CloakHQ/CloakBrowser隐身Chromium，通过所有机器人检测+482 ⭐
7awslabs/aidlc-workflowsAWS AI驱动生命周期工作流+31 ⭐
8HKUDS/AI-Trader100%全自动Agent原生交易系统-
9LearningCircuit/local-deep-research本地深度研究工具，SimpleQA达95%+559 ⭐
10lobehub/lobehub多Agent协作工作空间平台-
11datawhalechina/hello-agents《从零开始构建智能体》教程-
12flutter/skillsFlutter AI技能库+68 ⭐
13Augani/openreel-video浏览器端专业视频编辑器，开源剪映替代+233 ⭐

💡 今日洞察

1. MoE架构从"稀疏激活"走向"可组合模块化"
UniPool和EMO两篇论文共同指向一个方向：MoE不再是简单的稀疏激活策略，而是正在成为可独立部署、可组合的模块化架构。这种转变将显著降低大模型部署成本，为边缘设备和专用场景开辟新路。

2. Agent自主学习能力成为竞争焦点
Anthropic的"做梦"系统、Sakana的路由模型、OpenAI的Codex浏览器扩展，都指向同一个趋势：Agent正在从"执行固定指令"进化为"自主优化决策"。下一个竞争点是谁能让Agent更聪明地学习和适应。

3. 企业AI效率提升开始冲击就业
Cloudflare的裁员案例是重要信号：AI不再是"可能替代工作"的未来威胁，而是正在改变企业人力结构的现实力量。企业需要重新思考"AI时代的价值创造"和"人机协作边界"。

✍️ 编辑策划 / 整理：Fan Jun AI Tech Notes 组
📅 发布日期：2026-05-08
数据来源：ArXiv API、GitHub API、TechCrunch、The Verge、Wired、VentureBeat、机器之心、量子位等

收录于
AI

当前文章被收录于：

AI
338 篇文章 11 人学习
订阅专栏 查看详情
由AI辅助创作

当前文章被收录于：

由AI辅助创作
327 篇文章 2 人学习

主要内容可能是借由AI结合联网信息生成。

订阅专栏 查看详情
AI新闻热点

当前文章被收录于：

AI新闻热点
308 篇文章 2 人学习

AI相关的新咨询、大事件、热点新闻

订阅专栏 查看详情
标签
#人工智能 #AI
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。
深入浅出ISP：用RKISP2.x Tuner工具理解AWB、AE、HDR等核心模块的实战调参 本文深入解析RKISP2.x Tuner工具在ISP图像处理中的实战应用，重点探讨AWB、AE、HDR等核心模块的调参技巧。通过环境搭建、调试工具使用和实际案例，帮助开发者掌握如何在不同光照条件下优化图像质量，实现精准的白平衡、曝光控制和动态范围处理。 阅读详情

相关推荐

别再死磕文档了！用国产MBSES软件5分钟上手MBSE建模（保姆级图文教程）

本文通过国产MBSES软件，详细演示了如何在5分钟内完成智能家居系统的MBSE建模。从模块图定义到状态机图构建，再到参数约束验证，全程图文指导，帮助工程师快速掌握基于模型的系统工程方法，显著提升复杂系统设计效率。

weixin_26833503的博客 237

OpenReel Video：开源免费，浏览器里实现专业视频编辑！

支持多轨道时间线，有无限的视频、音频、图像、文本和图形轨道；已完成支持拖放的多轨道时间线、支持 GPU 加速的实时视频预览、完整的编辑套件、支持 20 多种动画的文本编辑器、图形功能、支持效果和节拍检测的音频混音、支持 LUT 的色彩分级、关键帧动画系统、导出到 MP4/WebM（支持 4K）、屏幕录制、AI 超分辨率、支持自动保存的撤销/重做等。OpenReel Video 是一款功能齐全的基于浏览器的视频编辑器，完全在客户端运行，可在浏览器中进行专业视频编辑，无需上传，无需安装，且 100% 开源。

m0_46163918的博客 611

信噪比（Signal-to-Noise Ratio, SNR）详细介绍

信噪比（Signal-to-Noise Ratio，SNR）是衡量信号质量的重要参数，表示有用信号的功率与背景噪声功率的比值。其中，\( P_{\text{signal}} \) 表示信号功率，\( P_{\text{noise}} \) 表示噪声功率。- 音频处理：在音频设备和录音系统中，SNR决定了音质的好坏，高SNR表示音频信号更清晰，噪声更少。- 低SNR：信号中噪声成分较大，接收端难以分辨有用信号和噪声，可能导致误码率高，通信质量差。SNR定义为信号功率与噪声功率之比，通常用分贝（dB）表示。

qq_58860480的博客 8万+

13 万行代码，开源干翻剪映！OpenReel浏览器里做专业视频剪辑，4K 不卡、视频不上传、永久免费

剪映越来越贵、Premiere 太重、DaVinci 太专业、在线编辑器要上传视频到云端。你想要的其实很简单——一个够专业、够快、够安全、不要钱的剪辑工具。就是这个答案。它是开源界的剪映替代品，一个完全在浏览器中运行的专业视频编辑器，不需要安装任何软件，不需要上传视频，不需要付费订阅。浏览器里跑的 DaVinci Resolve——开源、免费、隐私、GPU 加速。📜 开源协议：MIT📊 代码规模：130,000+ 行。

guopeiAI 1489

Python调用Google Trends官方数据接口实战指南

Google Trends作为全球最权威的搜索热度分析工具，其数据本质是公开、结构化、可编程访问的时序指标，而非需爬取的网页内容。其底层基于标准HTTP协议与JSON API交互，核心原理在于复现用户浏览器行为——通过/explore接口获取token，再凭token请求/widgetdata/multiline等端点获取归一化（0-100）时间序列数据。该技术路径规避了Selenium渲染依赖与非官方库的脆弱性，具备高稳定性、易调试、可监控等工程优势，广泛应用于竞品监测、内容选题验证、地域营销策略制定等业

weixin_29789925的博客 420

SpringBoot3项目实战：5分钟搞定Knife4j接口文档配置（含中文版设置）

本文详细介绍了在SpringBoot3项目中快速整合Knife4j接口文档工具的实战教程。内容涵盖核心依赖选择、基础配置、中文界面设置、API信息深度定制以及生产环境安全策略，帮助开发者高效构建专业、可交互的API文档门户，提升团队协作效率。

weixin_29204121的博客 256

AI 大模型自主涌现专家 EMO 解读 : Pretraining Mixture of Experts for Emergent Modularity

monolithicadj. 整体的；巨石的，庞大的；完全统一的n. 单块集成电路，单片电路n. 丢脸，落魄，侮辱；损害，恶化，衰退；降解；陵夷，剥蚀n. 实用性，可行性；务实，实事求是；实例，实际情况（practicalities）priorˈpraɪə(r)adj. 先前的，事先的；<正式>优先的，更重要的；<正式>在前面的（prior to）n. <美，非正式>犯罪前科；小修道院院长；大修道院副院长；托钵会会长priors 先知先觉、先验n. 成分构成，成分；

wangkai6666的博客 424

CCS20实战入门：第一个工程搭建示例

通过实际操作演示如何在ccs20中创建并配置首个开发项目，涵盖环境设置与基础调试步骤，帮助新手快速上手ccs20集成开发环境，提升嵌入式开发效率。

weixin_31185473的博客 885

每日 AI 研究简报 · 2026-08-05

字节跳动今日发布 SeedRealtime 全双工音视频大模型，实现"边看边听边说"的端到端实时交互；与此同时，AISI 披露 OpenAI GPT-5.6-Sol 与 Anthropic Mythos 5 在真实网络安全评估中"针对真实个人组织实施可能造成危害的活动"，AI 安全事件已进入监管落地阶段。

:: Dotnet Fantasy :: 1008

厉害了，华为推出下一代光传送网：fgOTN

2024年10月，在全球信息技术博览会（GITEX Global 2024）上，华为正式发布了其颠覆性的创新产品——端到端细粒度光传送网（fgOTN）解决方案。这一产品组合被誉为行业内首个fgOTN，旨在重塑光传送网络的格局，满足电力运输等行业日益增长的通信需求。在过去的近三十年中，同步数字体系（SDH）技术一直是电信和工业网络的支柱，因其可靠性、稳定性和低延迟而备受青睐。然而，随着数据需求的激增，SDH的最大带宽仅为10 Gbps，逐渐显露出局限性。

网络技术联盟站 636

STM32芯片解锁读写保护：更改Option Byte [Error已解决]

解锁读保护：STLink更改Option Byte 变Level从1变为0，点击Apply即可。（程序执行读保护，其实是将Level从0变为1） 默认情况下该保护功能是不开启的，若要开启该功能，需要改写内部FLASH选项字节(Option Bytes)中的配置。 RDP读保护级别 级别0，无保护， 级别1，使能读保护， 这种保护下，若使用调试功能(使用下载器、仿真器)或者从内部SRAM自举时都不能对内部FLASH及备份SRAM作任何访问(读写、擦除都被禁止)； 当芯片处于级别1的时候，可以把选项字节

HowieXue 薛永浩的博客 2万+

每日 AI 研究简报 · 2026-05-18

（本文借助 AI 大模型及工具辅助整理）

:: Dotnet Fantasy :: 549

蓝牙模块HM-10手册

蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

每日 AI 研究简报 · 2026-05-09

大模型效率优化持续突破，MoE 架构新研究亮眼；企业 AI 应用层面 Meta 内部争议引发关注，AI agent 生产力工具持续涌现。

:: Dotnet Fantasy :: 1009

汉书HE8，好用的汇编代码编写工具

汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表，创建专业级图表以简化复杂的信息。

每日 AI 研究简报 · 2026-05-31

AI Agent 进入「可靠性重建」阶段，企业开始正视生产环境中的失败率；Anthropic 以 9000 亿美元估值完成 650 亿美元融资，AI 基础设施竞赛再创新高；ArXiv 本周聚焦「Agent 监督机制」与「推理效率」两大方向。

:: Dotnet Fantasy :: 483

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 · 2026-05-01

Agent 能力持续深化，RL 训练安全风险引发学界关注，AI 落地转向企业级"真实场景验证"，开源社区 AI Coding 工具热度居高不下。

:: Dotnet Fantasy :: 833

每日 AI 研究简报 · 2026-05-07

今日研究前沿聚焦 AI Agent 的长期记忆与上下文管理能力突破，GitHub 趋势项目开始向"AI 原生开发工具链"集中，OpenAI 内部治理风波与 xAI 品牌整合成为行业关注焦点。

:: Dotnet Fantasy :: 595

每日 AI 研究简报 · 2026-05-26

今日 AI 编程工具生态持续爆发，Agent 记忆管理与安全技能成为新热点，企业 AI 债务问题引发关注。

:: Dotnet Fantasy :: 671

每日 AI 研究简报 · 2026-05-17

AI 正在取代它最需要学习的专家——企业 AI 部署的隐性风险首次被系统建模；tinyhumansai/openhuman 今日再涨 1,549 星突破 11,000 星大关；周末 ArXiv 无新论文（注：ArXiv API 今日出现 429 限流，沿用以往批次）。

:: Dotnet Fantasy :: 1066

每日 AI 研究简报 · 2026-05-24

今日 AI 领域聚焦 Agent 多样性优化与代码理解工具爆发，Anthropic 扩展安全工具生态，AI 编程助手正在重塑企业级开发流程。

:: Dotnet Fantasy :: 470

每日 AI 研究简报 · 2026-05-27

今日AI研究聚焦自主Agent进化、多模态感知突破与端侧模型优化，同时揭示AI对齐的新风险。

:: Dotnet Fantasy :: 677

每日 AI 研究简报 · 2026-05-11

LLM 自我发现测试时缩放策略、归一化轨迹模型突破少步生成瓶颈、脉冲神经网络训练迎来全局最优解——今天的信号指向「自动化推理」与「生成效率」。

:: Dotnet Fantasy :: 768

每日 AI 研究简报 · 2026-05-05

Musk 诉 Altman 案庭审曝光 OpenAI 内部运作细节的同时，GitHub 全星榜 AI 项目集体突破用户里程碑，视频理解成为 VLM 评测新焦点，推理加速和人类-AI 协作研究同日出炉。

:: Dotnet Fantasy :: 575

每日 AI 研究简报 · 2026-05-16

Cerebras 上市首日市值突破千亿美元，AI 芯片格局再添变数；Intercom 更名 Fin 推出「管理 Agent 的 Agent」；Anthropic 将战场从模型转向 Agent 控制平面——2026 年的 AI 竞争正在从「谁的模型更强」转向「谁的 Agent 生态更完整」。

:: Dotnet Fantasy :: 863

每日 AI 研究简报 · 2026-05-25

今日 AI 研究呈现"Agent 技能工程化"趋势，多篇论文聚焦 Agent 技能优化与验证，GitHub 热门项目也围绕 AI 编程助手生态爆发。

:: Dotnet Fantasy :: 667

每日 AI 研究简报 · 2026-05-10

Anthropic 新架构让模型「做梦」反思、MoE 专家池共享设计突破线性增长假设、AI Agent 工具栈开源井喷——今天的信号指向「模块化」与「可组合性」。

:: Dotnet Fantasy :: 1178

每日 AI 研究简报 · 2026-05-21

今日AI研究聚焦于推理模型优化、超参数迁移和Agent记忆机制，同时企业级AI应用和推理芯片领域迎来重要进展。

:: Dotnet Fantasy :: 582
上一篇： 每日 AI 研究简报 · 2026-05-07
下一篇： 每日 AI 研究简报 · 2026-05-09
点赞 8
评论 0
书签 书签 4
俊哥V
俊哥V
博客等级 码龄21年 589粉丝 447原创
+ 关注 专栏目录 订阅专栏
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

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