- 博客(1195)
- 资源 (23)
- 收藏
- 关注
RSS订阅转载 谷歌神作，Agentic设计终极宝典来了！
由谷歌工程师Antonio Gulli撰写，关于构建智能系统的实战指南。全书系统性地总结了21种智能体设计模式，旨在帮助开发者构建可靠、高效的智能系统。适合AI工程师、产品经理及技术爱好者，通过系统化的设计模式，助力开发者构建更智能、更可靠的自主系统。这些idea都是从顶会论文中提炼出来的精华，冲刺CVPR/NIPS也不在话下！，帮助读者将理论应用于实际开发，覆盖从基础任务处理到复杂多智能体系统的构建。论文，但却没有合适的idea，我收集整理了来自。免费领取原著&中文版PDF。扫码免费领取科研大礼包。
2025-11-21 07:47:48
16
转载 YOLO26出来后，卷完性能还能卷什么？
本文提出了一种名为YOLO-MS的实时物体检测器，其核心设计基于不同卷积核大小对物体不同尺度检测性能的影响研究，形成了一种新策略以增强实时物体检测器的多尺度特征表示，该方法不依赖ImageNet等大规模预训练数据集，且在参数和FLOPs数量相当的情况下性能优于现有实时物体检测算法。研究者在YOLOs的模型架构和训练后处理策略上进行创新，引入了一致的二次分配方法以实现无NMS训练，并采用整体效率-精度驱动的模型设计策略，全面优化了YOLOs的各个组件。它的设计思路已经很明确：不再一味卷榜单精度，而是围绕。
2025-11-20 07:40:37
28
转载 最顶尖的OCR算法有哪些？
然而，现实世界中的文档往往布局复杂、表格嵌套、内含图片公式，甚至跨页分布，这让许多现有的 OCR（光学字符识别系统，Optical Character Recognition）系统感到棘手。在数字化办公与 AI 技术深度融合的今天，文档智能解析技术已成为信息抽取、检索增强生成和自动化文档分析的核心基石。上较此前最优方法（MinerU2.5、PPOCR-VL、DeepSeek-OCR 等）实现了全面突破，，它不仅能识别表格的行、列、单元格，还能识别旋转的表格和复杂的布局，而且支持90多种语言，简直无敌。
2025-11-19 11:01:36
57
转载 登上Nature正刊！简单高分小样本机器学习！
本文综述了面向开放世界环境下的少样本学习（Few-Shot Learning, FSL）的最新进展，探讨了在不确定、不完整和动态的开放世界环境中如何适应和改进FSL方法。本文全面概述了当代少量样本学习（Few-Shot Learning, FSL）的方法，包括新兴的FSL范例和元学习类别，探讨了FSL在多个领域的应用及未来研究方向。大模型与小样本学习的融合优化、多模态小样本学习、跨语言小样本学习、小样本学习与知识增强推理的结合、多任务小样本学习。2.《1000+热门idea合集》1.《申博咨询规划一次》
2025-11-12 12:03:34
76
原创 YOLO12改进引入DINOv3少样本目标检测精度飙升，分享训练自定义数据集代码
然而，在某些医疗，缺陷检测等领域，获取并标注大量数据是极其困难和昂贵的。因此，当一个大容量的 YOLO 模型在只有几百或几千张图片的数据集上训练时，很容易出现过拟合，模型学到的知识泛化能力很差，一到真实场景就“水土不服”。该模型通过数据集和模型规模的扩展，解决了密集特征图在长时间训练中的性能下降问题，并通过格拉姆锚定策略增强了模型的特征图质量。研究还展示了DINOv3模型家族，包括不同规模的模型变体，旨在为不同的资源约束和部署场景提供可扩展的解决方案，推动计算机视觉技术的前沿。为解决样本缺少问题，
2025-11-07 11:01:25
810
转载 基于DINOv2和SAM2改进的U-Net模型
DSU-Net是一种基于DINOv2和SAM2改进的U-Net模型，通过多尺度跨模型特征协作和轻量级适配器模块，解决了现有图像分割模型在特定下游任务中表现不足的问题，如：伪装目标分割和显著目标分割。多尺度特征融合：DSU-Net在多个尺度上融合DINOv2和SAM2的特征，通过特征金字塔网络结构，将不同尺度的特征进行交互和融合，以获得更丰富的语义信息。编码器部分是DSU-Net的核心，它结合了SAM2的Hiera模块和DINOv2的ViT模块，以实现多尺度特征的提取和融合。
2025-10-24 11:04:38
79
转载 SAM 3分割一切，支持文本和图像提示
这是一个统一模型，它能基于概念提示 (concept prompts) 在图像和视频中检测、分割和跟踪物体。SA-Co基准包含SA-Co/Gold（由三位标注者标注，用于测量人类表现）、SA-Co/Silver（一位标注者）、SA-Co/Bronze和SA-Co/Bio（现有数据集），以及用于视频的SA-Co/VEval。3. SAM 3 在图像和视频 PCS 任务上取得了显著的性能提升，较现有系统实现了2倍的增益，并改进了SAM系列在交互式视觉分割方面的能力，同时开源了模型及新的SA-Co基准。
2025-10-17 11:00:59
149
转载 99%人搞错的AI Agent真相
直到啃完微软大佬 Michael Albada 的《Building Applications with AI Agents》，才真正触碰到了 AI Agent 的本质。这位曾任职于微软 AI 安全团队，还在 Uber 和 ServiceNow 主导过系统级 AI 架构设计的专家，用扎实的技术积淀把 Agent 的核心逻辑拆解得清清楚楚：从如何设计具有推理能力的 Planning 系统，到让 Agent 高效调用外部工具的实现路径；2.《1000+热门idea合集》3.《往期大牛热点分析直播课》
2025-10-16 11:00:54
55
转载 让YOLO飞起来：从CPU到GPU的配置指南
（You Only Look Once）进行物体检测和图像分割任务时，发现默认安装的情况下，首先需要确认当前安装的PyTorch是否支持GPU。这将显示NVIDIA GPU的详细信息，包括CUDA版本。这一简单的配置调整将为你的计算机视觉项目带来质的飞跃。：确保安装的PyTorch版本与系统CUDA版本兼容。，说明需要重新安装支持GPU的PyTorch版本。查看GPU信息，确认GPU型号和CUDA支持情况。1.4. 安装匹配的GPU版本PyTorch。的版本，上面的命令会报错，于是安装了。
2025-10-13 11:02:04
120
转载 LangExtract：用LLM 一键完成长文档信息抽取与可视化
Google 在 7 月 30 日开源的 LangExtract 正是为此而生——它利用 Gemini-family、OpenAI、乃至本地 Ollama 等多种 LLM，实现“按指令抽取+源文对齐 + 一键可视化”的完整闭环。LangExtract 把“指令式信息抽取”从概念变成了“拿来即用”的 Python 库，凭借源文锚点、结构保证和交互可视化，在医疗、法律、金融乃至科研知识管理中都找到了落地场景。本地模型：先用小模型验证 schema，再切换云端大模型补 recall，可节省费用。
2025-09-24 11:01:40
241
转载 YOLOv13 轻装上阵，实时目标检测再迎新突破
为此，全新的 YOLOv13 横空出世！在T4 GPU上，YOLOv12-N模型以1.64毫秒的推理延迟达到了40.6的准确度，超越了先进的YOLOv10-N和YOLOv11-N模型，并在不同规模模型上均有显著表现。【实验】使用VEDAI和AI-TOD两个公开遥感数据集以及自建的USOD数据集进行验证，FFCA-YOLO在mAP50指标上分别达到了0.748、0.617和0.909，超过了多个基准模型和现有最佳方法，同时L-FFCA-YOLO版本在保持效率的同时进一步降低了计算资源消耗。
2025-09-05 11:02:58
198
原创 一文读懂 RAG 与 KAG：原理、工程落地与开源实战（含代码与链接）
LlamaIndex KG + 文本 RAG 组合：https://docs.llamaindex.ai/en/stable/examples/knowledge_graph/knowledge_graph_rag/LlamaIndex 知识图谱索引与查询：https://docs.llamaindex.ai/en/stable/examples/knowledge_graph/RAG 示例合集：https://docs.llamaindex.ai/en/stable/examples/
2025-09-02 10:50:58
975
转载 开源大模型实战：GPT-OSS本地部署与全面测评
本教程是通过Ollama方式进行本地部署GPT-OSS -20B模型，如果是Linux环境部署的话需要配置学术加速，要不然Ollama会下载失败，Windows的话直接下载exe文件进行安装。2025年8月5日，OpenAI 正式发布了两款突破性的开放轻量级语言模型——GPT-OSS-120B 和 GPT-OSS-20B。注意：我们开启学术加速会导致其他资源下载缓慢，比如使用pip下载的时候，这个时候我们使用完学术加速后，可以选择关闭。未出现幻觉问题，因为0除以0并不等于1，实际上0除以0是未定义的。
2025-08-27 10:40:24
296
转载 最新视觉大模型 DINOv3论文精读（逐段解析）
向AI转型的程序员都关注公众号 机器学习AI算法工程论文地址：https://arxiv.org/abs/2508.10104工程地址：https://github.com/facebookresearch/dinov3===========================================【论文总结】：DINOv3是一个突破性的自监督视觉基础模型，其核心技术创新围绕三个关键方面：大规模数据与模型协同扩展、Gram锚定技术解决密集特征退化、多阶段训练策略。首先，通过精心设计的三重数据策略（聚类
2025-08-21 10:36:03
522
转载 彻底搞懂！几乎解决所有机器学习问题.pdf
最适合的学习路径，助您快速掌握各类计算机sci论文以及sci论文的核心技能，轻松发表高质量SCI论文！特别是已经很多创新不足被拒稿的同学，要花费大量的时间来重新立意，然后从头开始去重建自己的论文逻辑。不仅自己能写出顶会一作，更指导出多名发独立一作论文的学生，满足人工智能各个方向的辅导需求！从选题、调研、idea验证、代码、实验、润色、投稿、直至中稿的一站式科研服务。对于指定区位的学员，不仅仅是交付初稿，被拒稿被退稿我们提供维护服务，是一篇论文的灵魂，而因为这个理由拒稿意味着整篇论文的价值被否定。
2025-08-19 10:50:48
74
转载 将GPT OSS私有部署,推理性能提升100倍的部署教程
官方提供的 vLLM 推理需要一系列安装配置步骤才可正常运行，以下基于开源大模型服务平台 GPUStack，结合自定义安装的 vLLM 版本，完成 GPT OSS 系列模型的生产部署推理。目前，GPUStack 0.7.0 版本集成的 vLLM 版本为 0.9.2，vLLM 的最新版本为 0.10.0，但 0.10.0 版本仍不支持 openai/gpt-oss-120b 和 openai/gpt-oss-20b 模型的推理运行。在部署页面，展开高级配置，设置模型类别为 LLM。
2025-08-18 11:02:35
302
转载 建议所有研究大模型的同学都去看一遍！！
导师团队汇聚全球QS前100高校学术精英，涵盖英国牛津大学、美国加州大学、约翰・霍普金斯大学、清华大学、北京大学、复旦大学等世界一流学府，近年来个人论文产出量在10篇以上。无论你目标是CCF-A/B/C、SCI1-4区，还是EI会议，这些 “大牛导师” 都从选题、调研、idea验证、代码、实验、润色、投稿、直至中稿一站式科研服务。我们提供个性化论文指导服务、4V1多师一体服务、导师实时互动、录播无限次回看免费课后答疑、24h无时差上课。为核心，带你从零开始掌握AI Agent的开发技巧，涵盖。
2025-08-14 11:03:49
104
转载 Ultralytics & lightly-train：简化计算机视觉模型训练，无需标签
lightly-train 支持多种先进的自监督学习方法，如 DINOv2 Distillation、DINO 和 SimCLR，这些方法使得模型在特定领域的数据上能够达到更好的性能。lightly-train 是一个开源项目，旨在通过使用未标记的图像和视频数据进行自监督预训练（self-supervised pretraining），来降低标注成本并加快模型部署。通过lightly-train，研究人员和工程师可以充分利用未标记的数据集，快速构建和部署高性能的计算机视觉模型。
2025-08-04 11:02:56
586
转载 基于满血Deepseek+ERNIE-4.5+多模态RAG+多Agent协同的文旅向导
本项目基于PaddleOCR、ERNIE与Deepseek模型，构建支持PDF/Word/图片/表格等多种文档类型的智能处理系统，通过多Agent协同机制实现文化解读与旅游规划的精准服务。本系统通过深度整合多模态数据处理与双域知识库，为无锡文旅行业打造了可扩展、高可靠、智能化的数字导览解决方案，日均处理游客咨询量提升，助力传统文旅服务向智慧化转型。多模态知识融合：整合OCR文字识别、表格解析、语义分块技术，实现文旅数据的深度结构化。智能决策协同：通过多Agent协作机制实现文化专家与旅游专家的智能调度。
2025-07-31 11:01:34
250
转载 Distilabel DeepSeek-R1 模型蒸馏教程
其核心思想是，利用一个能力更强的“教师模型”（如 DeepSeek-R1），来“教导”一个更小、更易于部署的“学生模型”（如 Qwen3-4B）。QLoRA 并不直接微调或修改已量化和冻结的庞大模型权重参数，而是在模型的关键层（如 Transformer 的注意力层）旁路插入两个可训练的低秩适配器矩阵（Adapter）。通过这种方式，QLoRA 实现了“在冻结的、低精度的模型上，进行高精度的、小规模的训练”，在保持与全量微调几乎相当性能的同时，将硬件门槛降到了前所未有的低度。这极大地提升了数据准备的效率。
2025-07-24 11:01:16
316
转载 多模态情感分析——基于多尺度自适应跨模态注意力融合（MACAF）的三模态情感分析
第二种，负类和正类的范围分别为[-3,0)和(0,3]。在本设计中，首先采用了Transformer模块分别对文本、音频和图像特征进行特征编码，然后将通过文本在多个尺度上的特征对图像、音频进行自适应注意力交互，最后将通过交叉注意力进行特征融合。CMU-MOSI、CMU-MOSEI和CH-SIMS数据集的模态有3种（语言，视觉，声音），数据集使用的是未对齐原始raw数据特征。交叉注意力融合模块：通过交叉注意力对模态特征进行融合，将高尺度特征作为Q向量，将经过多尺度自适应注意力模块的特征作为K和V向量。
2025-07-23 10:50:21
250
转载 【医学影像分割】UN-SAM：一种高效且通用的细胞核分割模型
图中用不同颜色标识了可训练（Trainable，橙色火焰标识 ）、冻结（Frozen，蓝色雪花标识 ）、循环内（In - loop，绿色锁标识 ）和阻塞（Blocked，红色锁标识 ）的部分。其中一些层的参数是冻结的，不参与训练，而部分是可训练的。本文提出了一种名为UN-SAM的领域自适应自提示分割框架，用于通用细胞核图像分割，旨在解决数字病理学中细胞核分割面临的组织类型、染色方案和成像条件多样性的挑战，同时避免传统方法对人工标注提示的依赖，提升模型在不同领域的泛化能力。
2025-07-10 10:47:02
289
转载 小目标检测难点分析和解决策略
除此之外，还有其他基于绝对尺度的定义，例如在航拍图像数据集 DOTA和人脸检测数据集 Wider Face 中，其中像素值范围在 [10,50] 之间的物体被定义为小物体物体，在 Tiny Person 数据集中，小物体被定义为像素值范围在 [20,32] 之间的物体。随着神经网络深度的增加，每一层的感受野逐渐增大，能够感知更大尺度的目标和上下文信息（此时适合分类，不适合检测），但同时图像分辨率降低，导致细节语义信息的丢失，从而影响小目标检测的准确性。以下是几种常见的改进特征融合策略。
2025-07-08 10:25:33
236
转载 医学影像数据集汇总（持续更新）150个
UW-Madison GI Tract Image Segmentation (2D, MRI, 38496例, 3类胃肠道分割)SUN Colonoscopy Video (2D, Endoscopy, 158,690例, 1类息肉分割)EAD 2019 (2D, Endoscopy, 2991例, 7类食管, 结肠,胃, 膀胱, 肝脏分割)Kvasir-Capsule (2D, Endoscopy, 4741504例, 14类消化道病变分割)
2025-07-07 10:40:58
310
转载 一种基于滑动层合并的高效深度修剪大模型的方法
在此基础上，我们提出了一种滑动层合并方法 sliding layer merging method，该方法根据预定义的相似度阈值从上到下动态地选择和融合连续层 consecutive layers，从而在保持模型性能的同时简化了模型结构。在不同体系结构和不同参数尺度的llm上进行的大量实验表明，我们的方法在zero-shot 推理性能和修剪后的再训练恢复质量方面都优于现有的修剪技术。实验结果表明，我们的方法在资源受限环境下显著加快了推理速度，并且在零采样任务上优于现有的剪枝技术。第一次见论文写这个节的欸。
2025-07-04 10:45:52
130
转载 模型压缩与量化：让大模型走向轻量化落地
通过模型压缩与量化，我们可以在保持模型性能的同时，显著降低模型的计算复杂度和存储需求，从而实现大模型在边缘设备上的高效部署。通过减少模型的参数数量和计算复杂度，这一技术使得大模型能够在资源受限的环境中高效运行。未来，随着算法和硬件的不断进步，模型压缩与量化将在更多领域发挥重要作用。模型压缩的目标是通过减少模型的参数数量或优化模型结构，降低模型的复杂度和计算需求。稀疏计算硬件支持：随着稀疏计算技术的发展，硬件厂商可以为剪枝后的模型提供更好的支持。知识蒸馏的核心思想是将大模型的知识迁移到一个更小的学生模型中。
2025-07-03 10:41:12
299
转载 清华大学《AI赋能教育 ：高考志愿填报工具使用指南》
，为广大考生提供了一种全新的参考路径。教程通过深入浅出的语言，介绍了AI辅助决策的基本原理和使用方法，帮助大家理解背后的逻辑，而不是盲信“智能推荐”。而“怎么填”却常常比“考得好”更难：分数能上哪儿？如果你正在为志愿填报迷茫，不妨读一读这本指南——它不教你“押题”，但能教你如何用技术和理性做出更接近理想的选择。一次合理的志愿填报，可能决定了未来四年所学的专业、所处的城市、遇到的人，甚至影响一生的发展路径。马上到了高考填报志愿的时候，填报志愿对于高考生的重要性很多时候比高考本身更加关键，正所谓“
2025-07-02 08:23:36
140
转载 【模型高效部署】tensorrtx 深度解读，yolov11高性能推理实战案例
它提供了多种常用深度学习模型（主要涵盖 目标检测、图像分割、分类 等）的 TensorRT 推理实现示例。这些示例可以帮助开发者把在 PyTorch、TensorFlow 等深度学习框架下训练好的模型，快速转换并部署到 TensorRT 中，从而获得 低延迟、高吞吐量 的推理性能。每个模型都对应一个独立的文件夹和项目配置，涵盖 模型转换（通常是 .pth / .onnx → TensorRT engine）、推理代码、后处理 等完整流程。转换前，这里需要根据自己的模型，修改对应的配置，配置文件在以下位置。
2025-07-01 10:39:37
244
转载 使用 DeepSeek R1 和 Ollama 开发 RAG 系统
在这篇文章中，我们将探究性能上可与 OpenAI 的 o1 相媲美、但成本却低 95% 的 DeepSeek R1，如何为你的检索增强生成（RAG）系统带来强大助力。通过将语言模型与和 FAISS 索引绑定的检索器相结合，任何通过该链发起的查询都会从 PDF 内容中查找相关上下文，从而让答案有原始材料作为依据。这就是检索增强生成（RAG）设计的核心所在，它为大语言模型提供经过验证的上下文信息，而非让其单纯依赖自身的内部训练数据。提示：更大的模型（例如 70B）提供更好的推理能力，但需要更多的 RAM。
2025-06-30 10:20:52
139
转载 如何实现RAG与MCP集成
这一创新架构赋予 AI 研究员般的探索力、助手级的执行力与分析师的洞察力，不仅实现海量信息的高效调用，更能智能判断知识应用场景与时机，让 AI 真正成为兼具专业性与实用性的智能伙伴，开启智能交互的全新可能。针对数据的不同特性，需采用差异化的更新策略。其核心局限在于信息检索的单一性与被动性：多数传统 RAG 系统仅能对接单个数据源，且采用 “单次检索 - 直接应用” 的简单逻辑 —— 一旦初始检索结果不佳，或用户查询表述模糊、偏离常规语义模式，模型生成的答案质量将严重下滑，难以满足复杂场景下的精准需求。
2025-06-29 19:02:29
182
转载 GoT-R1，多模态大模型有救了！！
最近，香港大学MMLab、香港中文大学MMLab和商汤科技的研究团队在Generation Chain-of-Thought（GoT）框架的基础上，推出了。它能超越预设模板的束缚，主动探索最优解，精准捕捉复杂指令中的空间关系、多对象属性和组合逻辑，真正实现“所想即所得”的视觉生成。最适合的学习路径，助您快速掌握各类计算机sci论文以及sci论文的核心技能，轻松发表高质量SCI论文！从选题、调研、idea验证、代码、实验、润色、投稿、直至中稿的一站式科研服务。GoT-R1，剑指多模态生成的终极难题！
2025-06-26 10:28:50
71
转载 仅499页！吃透大语言大模型
在一键写作中，采用步骤式写作流程，从选题构思到论文成稿，为你提供清晰指引，智能编辑功能自动纠错润色，优化行文逻辑，半小时完成万字文献综述。大模型作为新兴而迅速发展的技术，已跨越至多模态领域，涵盖语言、语音、视觉等，并细化为通用、行业及任务特定模型等，无论你目标是CCF-A/B/C、SCI1-4区，还是EI会议，这些 “大牛导师” 都从选题、调研、idea验证、代码、实验、润色、投稿、直至中稿一站式科研服务。，推荐到实验室实习；，我们会根据你的情况给你做详细的介绍，以及如何帮助你达到你的目标。
2025-06-20 10:11:11
67
转载 具身智能行业有多缺人？
工业机器人在传统制造业和新兴产业中的应用不断深化，市场规模持续扩大，服务机器人市场迎来高速增长期，而ATM框架通过预训练一个轨迹模型来预测视频帧中任意点的未来轨迹，并利用这些轨迹作为子目标来指导策略学习。，该框架通过预训练轨迹模型来预测视频帧中任意点的未来轨迹，并利用这些轨迹为机器人策略学习提供有效指导。的毕业生在就业市场上具有较高的起点薪资，并且随着经验的积累，薪资增长潜力巨大。轨迹引导策略：通过预测的轨迹作为子目标，简化策略学习问题，提高数据效率。学术界、工业界、投资界等丰富的connection，
2025-06-19 10:35:30
619
转载 月薪已炒到6W？强烈建议大家冲一冲这个新兴领域
是指运行一段具有特定功能的代码块的行为，以增强其处理能力，实现更复杂的任务，使大模型能够集成外部工具和资源，提升交互性和实用性。AI大模型技术实战—— Transformer 架构的 核心原理、应用 Fine-tuning 技术，精准微调AI大模型，！制造、医疗、金融等各行业都在加速AI应用落地，未来企业更看重能用AI大模型技术重构业务流的技术人。老师们将大模型技术原理讲透的同时，还将丰富的商业化AI应用项目无偿分享，帮大家快速打通。课程开班58期，已为20000+学员服务，口碑爆棚，从！
2025-06-10 10:03:46
432
转载 大模型 Token 究竟是啥：图解大模型Token
大模型之所以能理解和生成文本，就是通过计算这些 Token 之间的关系，来预测下一个最可能出现的 Token。大模型在输出文字的时候，也是一个 Token 一个 Token 的往外蹦，所以看起来可能有点像在打字一样。分得越合理，大模型就越轻松。这就好比餐厅里负责切菜的切配工，它的刀功越好，主厨做起菜来当然就越省事。而大脑🧠之所以要这么做，是因为这样可以节省脑力，咱们的大脑还是非常懂得偷懒的。另外，正如前面提到的，不同模型的分词器可能会有不同的切分结果。” 这句话，如果一个字一个字的去处理，一共需要有。
2025-06-05 10:01:33
201
转载 一文彻底搞懂 MCP：AI 大模型的标准化工具箱
向AI转型的程序员都关注公众号 机器学习AI算法工程。数据能够通过 MCP 服务传输到 AI 中。深度学习、机器学习、数据分析、python。在日常工作和学习中，我们经常需要与。大家请注意，我的插画中的箭头都是从。AI 可以直接访问 MCP 服务。Function Call 标准。，以便进行对话时的数据流向。AI 大模型的标准化工具箱。大模型可以通过这些工具与。AI 和外部工具之间的桥梁。标准输入输出（stdio）是整合了之前各大模型不同的。访问和操作这些外部工具。在接收到请求后，会通过。
2025-05-31 10:33:27
314
转载 可解释性杀疯了！结合机器学习，发顶会轻轻松松！
文章针对大规模马尔可夫决策过程（MDPs）中优化可解释策略计算难题，改进单调策略迭代算法（MPI），提出 MMPI 算法，研究不同状态排序规则对其影响，并通过实验对比分析，为求解可解释策略提供参考。文章围绕机器学习可解释性方法展开，对相关概念进行阐述，提出分类体系，从多方面分析各类方法并给出代码实现链接，探讨该领域现状与未来发展方向。这些成果不仅提高了模型的预测性能，还通过增强可解释性，让复杂的机器学习模型变得更加透明，为实际应用提供了有力支持。公平性研究进展大，但在非表格数据方面仍有欠缺。
2025-05-26 10:01:29
156
转载 大模型又爆了...
随着该模型在ChatGPT Plus和Team用户中的推广，OpenAI计划逐步扩大其应用范围，并为更多用户提供体验其强大推理能力的机会。GPT-o1的出现不仅丰富了人工智能在各领域中的应用场景，也为未来AI的发展奠定了基础，这两年，人工智能领域中的AI大模型技术取得了迅猛的进展。随着多模态能力、长程推理能力和智能体的发展，AI大模型的研究和应用将迎来新的突破。借助于庞大的数据集和强大的计算资源，这些大型模型达到了前所未有的精确度和创造力，另外在工业应用方面，具备大模型技术的专业人才在市场上。
2025-05-20 10:04:31
68
转载 新手入门 | 搭建 AI 模型开发环境
Linux 可参考该链接安装：https://learn.microsoft.com/zh-CN/azure/virtual-machines/linux/n-series-driver-setup。NVIDIA 显卡有多个系列，常用的有 Tensor 和 GeForce RTX 系列，两类显卡的驱动安装方式不一样，下面的章节会单独介绍如何安装驱动。下打开安装包，根据提示操作安装即可，简洁安装会安装 C 盘，高级安装可以自定义安装位置，建议使用简洁安装，以免出现额外情况。
2025-05-16 10:03:40
300
转载 人工智能领域顶级赛事，免费数据库还能直接发论文，他因为这个直博了....
中创蓝 Kaggle 竞赛与科研辅导服务，能帮助学员深入理解竞赛规则、掌握数据分析与建模技巧、提升代码优化能力，并学会将竞赛成果转化为科研项目。“我们有位学员原本只是一名普通的研究生，参加了我们的Kaggle竞赛辅导后，成功在一场金融风控竞赛中进入Top 5%。Kaggle竞赛提供的是真实的数据和业务场景，参与竞赛不仅能锻炼你的代码能力，更能让你学会如何解决实际问题。参赛者可共享代码，便于科研人员学习借鉴，加速科研项目的推进，如果获得奖牌，直接用kaggle竞赛经历充当实验过程，转化为论文成果。
2025-04-30 10:46:47
216
电动车佩戴头盔检测数据集（TWHD）
2024-03-02
目标检测yolov系列半自动标注数据集代码
2024-03-01
python目标检测数据增强代码VOC格式转换为COCO格式代码
2024-03-01
darknet_windows.rar已编译直接可用yolo3
2020-02-27
细粒度用户评论情感分析数据集(2018-AI-challenger)
2019-03-23
Kaggle自然语言处理文本匹配竞赛华人第1名团队PPT与代码-深度学习与特征工程
2018-11-28
语义相似度任务-LCQMC数据集下载lcqmc.zip
2019-07-28
TensorRT-7.0.0.11.CentOS-7.6.x86_64-gnu.cuda-10.0.cudnn7.6.txt
2021-04-10
linux系统(Ubuntu)已编译darknet(cpu版)直接可用
2020-02-27
COCO API的安装包 cocoapi.zip 安装pycocotools
2021-09-10
GoogleNews-vectors-negative300.bin.gz
2019-07-20
Cube-IQ-使用方法_图文说明_使用步骤.docx
2021-05-05
Deep Learning for NLP with TensorFlow2.0.zip
2020-07-10
阿里巴巴机器智能技术精选合集.PDF
2019-12-05
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人