中国团队勇夺IOI 2023金牌!4名少年全保送清华

ACM、OI、IOI编程竞赛模式介绍 介绍一下编程比赛: ICPC是国际大学生程序设计竞赛(ACM International Collegiate ProgrammingContest(ACM-ICPC或ICPC)是由美国计算机协会(ACM)主办的,一项旨在展示大学生创新能力、团队精神和在压力下编写程序、分析和解决问题能力的年度竞赛。经过近30多年的发展,ACM国际大学生程序设计竞赛已经发展成为最具影响力的大学生计算机竞赛。 CCPC中国大学生程序设计竞赛(China Collegiate Programming Contest) 是由中国大 阅读详情

编辑:桃子 好困,转自新智元

IOI 2023大奖揭晓了!中国队喜获四金,四人团体位列第一。值得一提的是,这4名成员全都被保送清华。

全球最富盛名的第35届国际信息学奥林匹克竞赛(IOI 2023)获奖名单出炉了。

本届IOI,共有金牌30枚、银牌58枚、铜牌90枚。

经过两天的比赛,中国队4位选手一举拿下四枚金牌,以绝对优势取得团体第一。

0cddcbfe1f3d0629fc82feed933b62aa.png

根据IOI官网公布信息,中国团队四位选手的个人总分分别是:

许庭强(中国人民大学附属中学):总分580分,金牌第1名。

程思元(南京外国语学校):总分579分,金牌第2名。

戚朗瑞(威海市实验高级中学):总分422分,金牌第6名。

刘一平(山东省潍坊第一中学):总分416.5分,金牌第8名。

ce62825bb75a01362d87bd1c9883c989.png

另外,美国、日本分别有2位选手,还有波兰、俄罗斯各一位选手进入金牌前十。

总的来说,IOI 2023中国团体拿下了世界第一的成绩,美国、日本分别位位列第二、第三,与去年全球排名一致。

e2eed8758d3d6826b52105a4deb11567.png

2023年

5e91bc5705d8c699cf2dff20ec74b29e.png

2022年

值得一提的是,美国团队拿下世界第二,Jeff Dean为此转发祝贺。

260e7f7b24080223e105f12a70bca816.png

582bf796fb464eefbf09f902b3512d36.png

中国代表队夺金


一起来看看中国团队的四位选手。

许庭强

现在就读于人大附中的高三20班许庭强,是继2021年就读本校的邓明扬摘得总分第一之后,再夺金牌第一的学生。

目前,他已经被保送到清华大学。

据计蒜客介绍,从初中开始,许庭强便在人大附中多位老师带领下学习信息学编程,并在多年来一直坚持做了许多试题。

dca15fd53658eeb6060e46ebdc01e845.png

他个性开朗阳光,不管训练有多枯燥,也从不言放弃。

对于他能够取得成功来说,还有一个最关键的经验是,「课内学习是关键,课上做好认真听讲」。

他认为,上课时,老师讲的内容就是精华,再加上一定的练习和巩固,就能够取得不错的成绩。

在班集体中,许庭强是大家真心认可、敬佩的伙伴与榜样。课余生活中,许庭强兴趣广泛,热爱桥牌、围棋等智力运动项。

程思元

南京外国语学校高二2班的程思元最大的特点是,坚韧不拔,充满热情。

根据扬子晚报的采访,从早8点到晚10点,程思元每天要坚持十几个小时训练,训练的间隙还要学习其他文化课。

程思元在采访中表示,「除了写代码之外,还有一个重要的过程是想题,想清楚这个题目怎么做。想题的过程我一般会在走廊里或校园里走走,走路的过程可以帮助我们更好地思考」。

31afae595e3f4c7f5e184547edaf7378.png

程思元现在取得的成就,离不开小时候对计算机的兴趣。

他从小学二年级就开始接触计算机,发现计算机比自己算得还快,从此对计算机兴趣盎然。到四年级时,他已经开始自学上网,在小学阶段就斩获了省级比赛的一等奖。

目前,程思元已经被保送清华,他将在读完高二后选择去学习清华大学的预科课程,未来他希望从事网络安全方面的科研,帮助国家建立一个安全的网络环境。

戚朗瑞

戚朗瑞是威海实验高中的04级「钱学森班」一班的学生,现已经签约保送到清华大学。

据齐鲁晚报报道,除了这次IOI大奖,2021年他还在ICPC青少年程序设计竞赛、山东省青少年创客大赛、国际大学生程序设计竞赛中均斩获荣誉。

进入高中后,戚朗瑞便加入了学校的奥赛队。

974394ebe174ee6d1d83e1a94940bd55.png

高难度的题目和枯燥的竞赛生活时有让他感到挫折,每当这时,他便会和父母、老师沟通调整心态。

戚朗瑞同学对信息学领域非常感兴趣,他不怕吃苦、勇于攀登,把机房当做第二教室。

遇到难题会自己坐在教室中研究半天,在每一次校内模拟比赛、校外各类赛事中不断超越自己,取得了优越的成绩。

刘一平

刘一平是潍坊第一中学高二的学生,现在正式被清华清华学堂计算机科学实验班「姚班」录取。

据齐鲁晚报报道,他从小学高年级开始接触信息学,从初中开始参加信息学方向竞赛,初二就获得了24届全国青少年信息学奥林匹克联赛提高组一等奖,从此走上了信息学奥赛这条路,屡创佳绩。

136a9bc4b784ef3c9df26216d5a929ba.png

此外,其他地区的选手在本届IOI上也取得不错的成绩。

中国台湾队选手Chi Wang、Ting-Wei Chang、Po-Kai Chen、Yi-Chun Chiu的排名分别为:第14、第31、第38、并列第47。

中国香港队选手Chun Wong、Chong Ho Hsieh、Yi Fung Lu、Chi Ho Wang的排名分别为:并列第51、第70、第81、第106。

中国澳门队选手Chon Hou Ye、Io Fai Lei、Pok Hong Lam、Chi Ho Zheng的排名分别为:并列第108、并列第195、第258、第283。

纪念冯·诺伊曼诞辰120周年


今年,国际信息学奥林匹克竞赛设在匈牙利主办,有着另一层特殊的含义。

2023年,恰逢冯·诺伊曼(1903年-1957年)诞辰120周年。

冯·诺伊曼的故乡就是匈牙利,被誉为20世纪最重要的数学家之一。

1b84d2ca76d6b3e9d98fc4d7b3a61152.jpeg

他是数学家、物理学家、计算机科学家、工程师,还是真正的博学家,成功地将纯科学和应用科学融合在一起。

除了在量子物理学数学基础、遍历理论、博弈论和数学经济学等数学领域做出重大贡献,他还奠定了细胞自动机、通用构造器和可编程数字计算机原理等概念。

毫不夸张地说,我们今天操作的每台计算机都是基于冯·诺伊曼创造出的原理。

他是第一台可编程的电子通用数字计算机ENIAC的设计师之一,于1945年完成。这台机器在二战中发挥了重要作用,主要用于为美国军队计算火炮射击表,并研究热核武器的可行性。

bdbcb5c6c67b99993688d66657675e9e.jpeg

他对气象学等数字应用,有着浓厚的兴趣,并发表了一篇关于「计算机与大脑」的论文,开辟了信息学思维的新领域。

此外,约翰·冯·诺伊曼并不是一个仅关注数学、物理学和工程的科学家,他毕生热衷于古代历史,并以自身卓越的历史知识而闻名。

0b24e9881bdee0fede6c577c85d7476b.jpeg

生活中,他以全心全意的态度对待一切:婚姻、与朋友和同事的交往,尽可能地去享受生活。

为了表彰他对现代世界的成就和贡献,他在1999年被《金融时报》评选为「世纪人物」,因其代表了世纪的典型理念,即思想的力量可以塑造物质世界,以及定义了20世纪「智慧辉煌和人性野蛮」的特征。

183d727de9766af8d59dcaeafaccde00.jpeg

比赛试题


第一天

Closing Time

https://ioi2023.hu/wp-content/uploads/2023/08/d1-closing-ISC.pdf

Longest Trip

https://ioi2023.hu/wp-content/uploads/2023/08/d1-longesttrip-ISC.pdf

Soccer Stadium

https://ioi2023.hu/wp-content/uploads/2023/08/d1-soccer-ISC.pdf

第二天

Beech Tree

https://ioi2023.hu/wp-content/uploads/2023/09/d2-beechtree-ISC.pdf

Overtaking

https://ioi2023.hu/wp-content/uploads/2023/09/d2-overtaking-ISC.pdf

Robot Contest

https://ioi2023.hu/wp-content/uploads/2023/09/d2-robot-ISC.pdf

参考资料:

https://mp.weixin.qq.com/s/gcbjJzK8wPeWZ5PhKRqRyA

https://mp.weixin.qq.com/s/ReQ43SYo-xRl1gIycSFwMw

https://www.sohu.com/a/717136786_121218495

https://www.yangtse.com/content/1735992.html

https://www.whnews.cn/news/node/2023-09/04/content_7290836.htm

https://baijiahao.baidu.com/s?id=1775704541118006412

HDFView安装及使用教程 简介:直接用记事本打开hdf5文件的话,是一团乱码。HDFView是用来查看hdf5文件的软件,可以免费使用,好多人都有闪退的情况,这是因为没有添加环境变量。 阅读详情

相关推荐

Flutter 完整学习文档 - 从入门到精通

Widget 就像乐高积木,Flutter 中所有的东西都是 Widget。一个按钮是 Widget,一段文字是 Widget,甚至布局、边距、对齐方式也是 Widget!"万物皆 Widget"

zwjapple的专栏 2321

IOI'23中国队全员夺金!包揽一二名斩获团体第一,历史金牌总数达到100枚

西风 发自 凹非寺量子位 | 公众号 QbitAI好消息,中国队刚刚在IOI 2023(国际信息学奥林匹克竞赛)上,再次全员夺金!并以绝对优势拿下一二名,斩获团体冠军。一二名总分分别为580分、579分,仅差一分,相较于第三名波兰选手分差近90分。拿下这四枚金牌后,目前中国队自参加该赛事以来,金牌数量已整整拿下100枚。奖牌总数量139枚,稳居世界第一。为中国队再添四金的四位队员分别是:许庭强,中...

量子位 593

Cadence16.6安装教程

如需安装所需的软件,请到文章末尾处查看 安装步骤: 安装前先关闭杀毒软件和360卫士,注意安装路径不能有中文,安装包路径也不要有中文。 试装系统:win10 64bit 1.解压安装包(共5个压缩包,每个都要解压) 2.以管理员身份运行安装程序。 3.选择License Manager。 4.点击NEXT。 5.选择I accept,然后点击NEXT。 6.选择License Manage...

谢谢关注“小鱼教你模数电”,各平台同号 8万+

腾讯最隐秘人才计划曝光!今年IOI金牌全员现身,数物化竞赛顶流星聚

杨净 衡宇 发自 凹非寺量子位 | 公众号 QbitAI今年的IOI,中国队取得了历史性的新成绩。4人夺金,总金牌突破100……与此同时,针对这些天才少年的争夺也暗流汹涌、愈加激烈。一方面,来自高校,清华北大的招生团队,你追我赶,甚至在更早的国内竞赛和选拔阶段,就已经在帮助这些人如何比同龄人更早解决“选清华还是北大”的困扰了。但更隐秘的滋养来自产业界,即便这些人还是高中生,科技公司也已经和他们有了...

量子位 390

《点云处理算法》——GROR配准

GROR点云配准

阁楼 1316

高分系列卫星轨道、传感器参数等信息

遥感卫星数据简介-高分系列

中遥科 3310

算法比赛|赛制介绍| ACM, IOI赛制, OI赛制

🔥博客介绍`:🎥系列专栏:🎥 当前专栏:专题 : 数据结构帮助小白快速入门算法。

2303_79299383的博客 5596

别再硬编码了!Flowable工作流动态审批人配置全解析(Spring Boot集成版)

本文深入解析Flowable工作流在Spring Boot中的动态审批人配置技术,通过角色、部门等变量实现审批流程的灵活设计。文章详细介绍了架构原理、前端配置映射、动态候选组解析及查询优化方案,帮助企业提升审批流程的适应性和维护效率。

weixin_30919571的博客 137

国际信息学奥林匹克竞赛(IOI)全解析:从赛事内核到全球科技人才孵化

国际信息学奥林匹克竞赛(IOI)作为全球最高水平的青少年信息学赛事,经过35年发展已成为培养科技人才的重要平台。文章系统梳理了IOI从1989年创立至今的演进历程,揭示了其从欧洲倡议发展为全球赛事的发展轨迹。文章详细剖析了IOI的竞赛体系,包括严格的选拔机制、两天六题的赛制设计,以及涵盖编程基础、数据结构、算法设计等五层知识架构的技术内核。通过分析中国、美国、俄罗斯等传统强国及新兴国家的培养模式,展现了全球信息学教育的多元发展路径。IOI的影响已超越赛事本身,推动全球信息学教育普及,孵化出PayPal创始人

yuyu130225的博客 3694

使用Qt编译Qt WebEngine

这就是使用Qt编译Qt WebEngine模块的基本步骤。通过按照上述步骤,您应该能够成功编译和使用Qt WebEngine来嵌入Web内容到您的Qt应用程序中。Qt WebEngine是Qt框架的一个模块,它提供了一个现代的Web浏览器引擎,可以在Qt应用程序中嵌入Web内容。首先,需要获取Qt的源代码。如果尚未安装,可以从Qt官方网站下载并安装Qt。完成Qt的安装后,您可以构建并运行Qt WebEngine示例来验证编译是否成功。这将把编译好的Qt库文件和头文件安装到之前指定的安装目录中。

DevForge的博客 3020

【人工智能】Claude服务访问受限报错的技术分析与解决方案

在使用Claude系列大模型服务的过程中,部分用户会遇到服务不可用的标准化拦截提示,导致无法正常访问模型核心能力。本文针对该类报错进行完整技术拆解,明确报错根因与底层校验逻辑,并分场景提供合规、可落地的排查与解决方案,同时规避相关使用风险。

奶爸的编程之路,也就一周冷个三天 2683

IOI世界第一,姚班大神陈立杰加入UC伯克利,担任助理教授

来源:量子位姚班大神陈立杰最新去向现已明朗:2025年秋季起,任加州大学伯克利分校EECS助理教授。相关信息已经在他的官方主页中显示:陈立杰出生于1995年,是清华大学姚班知名校友,2016年清华特等奖学金得主,也是首位在理论计算机顶会FOCS上发表论文的中国本科生。2022年,从MIT博士毕业后,陈立杰申请UC伯克利Miller Fellowship(米勒奖学金)并成功通过,成为该校Miller...

深度学习技术前沿 575

go语言实现服务器server端与客户client端即时通信(附完整源码)

go语言实现服务器server端与客户client端即时通信(附完整源码)

希望我的博客,能帮上你解决学习中工作中所遇到的问题 632

姚班天才范浩强创业公司曝光!旷视三剑客携2亿天使轮进军具身智能赛道

此外值得注意的是,据企查查公开资料,目前工商资料公开的原力灵机股东有三家,分别是原力聚合(重庆)信息技术有限公司、灵机启原(重庆)企业管理咨询合作企业(有限合伙)、灵机拓原(重庆)企业管理咨询合作企业(有限合伙)。如果说在今年之前,具身智能还是科技届的“圈地自萌”,进入2025年后,具身智能正褪去概念光环,在真实世界中长出”筋骨”,成为家喻户晓、人人能感知的概念。加上这篇论文,在一两年内,范浩强在旷视拿下三个世界第一,也让人脸识别“靠谱”起来,走进日常生活点滴。25岁时,范浩强成了旷视研究院的算法总监;

量子位 633

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")

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

从 OpenAI 回清华,吴翼揭秘强化学习之路:随机选的、笑谈“当年不懂股权的我” | AGI 技术 50 人

它展示了 DeepSeek 的训练数据是可靠的、训练流程是正确的、算法和基础设施也是可行的。但 Prompt 工程不会消失,它的形式会演化,越来越贴近自然语言,但本质上,它仍然是“把事情表达清楚”的能力。人工智能的浪潮席卷而来,从大模型竞赛到智能体系统的探索,从生成模型到推理模型,技术巨头们纷纷入场,推动着一场“AI 重新定义一切”的时代跃迁。但在这场热潮背后,真正推动技术向前的,从来不是一场场轰动的发布会,也不是那些令人眼花缭乱的融资神话,而是一群敢于直面复杂性、埋头钻研底层机制的工程师与研究者。

程序人生的博客 187

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

互联网摸鱼日报(2023-09-05)

蔚小理上半年比拼:谁拿住了不下牌桌的筹码?一杯酱香拿铁,年轻人就能爱上茅台?关于瑞幸酱香拿铁的一些疑问:为什么不直接滴酒?是科技与狠活吗?小红书关停自营电商业务本硕加入抢单,千万外卖员“卷”起来了即时零售赛道硝烟渐浓,美团选择下场来抢夺运力京东又将投出一个IPO,位列第二大股东叮咚买菜,还活着?健身房在跑路,普拉提馆占领CBD人们不爱买房了,还买车吗?为什么茅台+瑞幸=全民上头?小鹏,把P5做成了低价版Model 3不看广告就对着屏幕发呆,YouTube为卖会员也是拼了把电池卖到欧洲,没那么简单了苹果解释放

weixin_43849685的博客 1613

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。

孤独的「非清华系」:在天才堆里,他用代码给自己挣来了一张通往未来的船票—汪天才

摘要: 汪天才作为旷视与原力灵机创始团队中罕见的「非清华系」成员,凭借独特路径在AI领域崭露头角。尽管缺乏保送与竞赛金牌,他通过围棋与长笛培养的局势判断与细节把控能力,转化为算法框架设计的优势。在旷视期间,他主导开发MOTR、PETR等标杆技术框架,发表35篇顶会论文,获多项内部最高技术奖项。2025年联合创立原力灵机后,其主导的开源框架Dexbotic 2.0试图复制PyTorch的成功路径,推动具身智能标准化。他的经历证明,在天才云集的领域,泛化能力与工程落地思维同样能开辟独特竞争力。

学习代码 421

从OpenAI回清华,吴翼揭秘强化学习之路:随机选的、笑谈“当年不懂股权的我” | AGI 技术 50 人

它展示了 DeepSeek 的训练数据是可靠的、训练流程是正确的、算法和基础设施也是可行的。但 Prompt 工程不会消失,它的形式会演化,越来越贴近自然语言,但本质上,它仍然是“把事情表达清楚”的能力。人工智能的浪潮席卷而来,从大模型竞赛到智能体系统的探索,从生成模型到推理模型,技术巨头们纷纷入场,推动着一场“AI 重新定义一切”的时代跃迁。但在这场热潮背后,真正推动技术向前的,从来不是一场场轰动的发布会,也不是那些令人眼花缭乱的融资神话,而是一群敢于直面复杂性、埋头钻研底层机制的工程师与研究者。

优快云资讯 914

姚班天才:范浩强大神创业曝光!旷视三剑客携2亿天使轮进军具身智能赛道

此外值得注意的是,据企查查公开资料,目前工商资料公开的原力灵机股东有三家,分别是原力聚合(重庆)信息技术有限公司、灵机启原(重庆)企业管理咨询合作企业(有限合伙)、灵机拓原(重庆)企业管理咨询合作企业(有限合伙)。如果说在今年之前,具身智能还是科技届的“圈地自萌”,进入2025年后,具身智能正褪去概念光环,在真实世界中长出”筋骨”,成为家喻户晓、人人能感知的概念。不负己望,进入旷视后,他很快以一作的身份,拿下了ICCV 2013的自然环境人脸关键点定位比赛(300-W)工业界组冠军。

深度学习技术前沿 660

手游NPC开始用AI对话/ 腾讯回应XR部门全线解散/ 邓明扬获美国数学竞赛第一... 今日更多新鲜事在此...

日报君 发自 凹非寺量子位 | 公众号 QbitAI今天又到“疯四”,可惜日报君已经憋不出什么段子……不如去问问聪明的ChatGPT——刚好现在连游戏用上了。除了它,今天还有不少有意思的科技新闻,一起来看~腾讯回应XR团队全线解散据36氪消息,腾讯宣布正式解散XR(混合现实)团队。多名知情人士表示,腾讯XR业务线不同部门分批收到临时代管的GM(总经理)和HR的通知,公司宣布XR全线岗位取消。随后又...

量子位 3405

AI女青年,她们正在影响AI进程!

来源:量子位当下,人工智能正是全球科技圈最受关注的领域,甚至没有之一。在人工智能领域诞生兴起的几十年内,女性科学家作为重要力量,一直在推动行业不断向前发展。从基础算法研究、行业落地,她们以卓越的能力、坚定的决心带来众多重大突破与成果。李飞飞提到“AI女神”,很多人脑子里第一个浮现的名字恐怕都是李飞飞。她33岁成为斯坦福计算机系终身教授,44岁成为美国国家工程院院士,现任斯坦福以人为本人工智能研究院...

深度学习技术前沿 528

OpenAI o1模型背后的核心人才?清北复旦华人立功

Datawhale分享OpenAI o1模型,来源:新智元【导读】OpenAI的「草莓」——o1系列模型,居然迅雷不及掩耳地上线了!在复杂推理、数学和代码问题上,它又提升到了全新高度,可以说打碎了我们对LLM固有水平的认知。这次由Ilya奠基的工作,产生了全新的Scaling Law。OpenAI最强的o1系列模型上线。毫无预警地,OpenAI就扔出这一声炸雷。传说中两周内就要上线的草莓模型,...

Datawhale 314

她们正在影响AI进程

今天是3月8日,祝广大女性同胞节日快乐!当下,人工智能正是全球科技圈最受关注的领域,甚至没有之一。在人工智能领域诞生兴起的几十年内,女性科学家作为重要力量,一直在推动行业不断向前发展。从基础算法研究、行业落地,她们以卓越的能力、坚定的决心带来众多重大突破与成果。在此节日之际,量子位盘点了AI领域中十大值得关注的华人女科学家。通过她们的成就与履历,共同感受AI行业内的“她力量”!

richerg85的专栏 1830

2026智源大会议程公开丨从 Token 到世界状态预测,多模态的下一场范式革命

从2021年开始,带领团队和OpenAI团队紧密合作,对GPT系列模型进行了效率、鲁棒性和扩展性优化,推动相关服务和应用的产品化,包括以GPT-4作为主要模型的New Bing、由GPT-3.5提供后台服务的Github Copilot以及由DALL-E-2提供支持的Image Creator。2. 从2D到3D,构建空间感知基础模型:突破现有模型对物理世界三维空间理解的局限,探讨如何通过空间感知基础模型的研究,让AI真正理解几何、遮挡与物理规律,为具身智能和三维世界模型奠定底层能力。

BAAIBeijing的博客 790

《国际信息学奥林匹克竞赛(IOI)备考攻略》

《国际信息学奥林匹克竞赛(IOI)备考攻略》 IOI 是面向中学生的信息学科竞赛。考试内容涵盖算法、数据结构、编程语言、数学知识等。形式为两天六道上机编程题。 备考知识点包括各类算法、数据结构、多种编程语言及数学知识。备考攻略有制定合理学习计划,系统学习基础知识,进行编程实践,参加培训交流活动,保持良好心态和身体状态。多方面努力可提升竞赛水平和成绩,更好地备考 IOI。

wgiwgi_______的博客 4436
上一篇: 华为新机测出5G速度!麒麟9000S正式回归,定价6999首批秒抢光
下一篇: ChatGPT上线“论文神器”插件!无需关键字即可搜索2亿文章,链接绝对保真
公众号:【GitHub爱好者社区】
博客等级 码龄6年 357粉丝 48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
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