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
300+累计阅读
345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
开个新系列，主要是和朋友一起聊的一些具体项目，截取有意思的点的对话，刨去敏感的客户名字和项目，给大家一些实际项目中的启迪。
制造业生产力为了提升召回率，居然轮齐了大锤！！！
其实这块我觉得反而可以拿生成式来做一些负样本，提升负样本的数量，来提升对比学习的效果（clip或者blip），或者传统CV的效果
当然也可以反着想，就看怎么合理了，召回率更高
我哥们儿的RAG优化方法
我日常的RAG优化思路
优化RAG的逻辑
第一期就先这样吧，试试水，我真的不是为了水而水，大家要是看明白了门道，绝对对你们日常工作有帮助。。。
船载 OpenHarmony AIS 航海工作台：告警与防碰撞预警系统
船载OpenHarmony AIS航海工作台的告警与防碰撞系统，集成十余类告警（超速、偏航、会遇、SOS等），通过网格空间索引实现高效邻近判定，保障实时性。告警管理器统一调度规则、去重、通知与日志，支持悬浮球、语音、跑马灯、弹窗多渠道触达，确保航行安全。SOS紧急通道独立运行，避免干扰。系统设计强调性能优化与多场景适配，为航海安全提供核心支撑。
一文带你了解RAG(检索增强生成) | 概念理论介绍+ 代码实操
RAG（Retrieval Augmented Generation, 检索增强生成）是一种技术框架，其核心在于当 LLM 面对解答问题或创作文本任务时，首先会在大规模文档库中搜索并筛选出与任务紧密相关的素材，继而依据这些素材精准指导后续的回答生成或文本构造过程，旨在通过此种方式提升模型输出的准确性和可靠性。RAG 技术架构图介绍：富文本 主要存储于 txt 文件中，因为排版比较整洁，所以获取方式比较简单实战技巧：【版面分析——富文本txt读取】
eNSP-交换机VLAN配置
VLAN
6 款电商 AI 图片生成软件实测｜国内 + 跨境卖家工具清单
电商 AI 作图工具已经从 "能不能用" 进入了 "好不好用" 的阶段。对于绝大多数卖家而言，现在的 AI 工具已经可以覆盖 60%-80% 的基础商品图需求，显著降低拍摄和设计成本。选择工具的核心逻辑不是 "哪款最强"，而是 "哪款最适配你的品类、平台规模和团队能力"。垂直电商工具胜在工作流效率，通用生图工具强在创意上限，模板类工具赢在上手速度。建议根据自身业务阶段，搭配 1-2 款主力工具 + 1 款辅助工具，形成适合自己的视觉生产流程。
手把手教你搞定Pattern Recognition期刊的LaTeX投稿（附完整模板下载与避坑指南）
本文详细指导如何在Pattern Recognition期刊上使用LaTeX进行投稿，包括模板下载、环境配置、核心排版规范及投稿材料准备。特别强调期刊对格式的严格要求，如数学符号、图像引用等细节，并提供实用技巧和避坑指南，帮助作者高效完成投稿流程。
智能车学习日记【二】————十字和斜入十字
智能车学习日记【二】————十字和斜入十字 文章目录 智能车学习日记【二】————十字和斜入十字 前言 一、普通十字补线 二、斜入十字 1.判断是否为斜入十字和斜入十字类型 2.找斜入十字拐点 总结 前言 经过了一个多月的学习，小白的我终于也是能较稳定调出了2.8m以上的四轮车，过程中也遇到了很多困难，其中就有十字补线和斜入十字补线。尤其是斜入十字也是困扰了我快一周，现在和大家分享一下我处理斜入十字的方法(我的方法其实还有很多漏洞需要改进，仅供大家参考理解一下，欢迎各位在评论区指点出可
视频隐私脱敏工程化：CSRT/KCF追踪算法在本地推理中的实现与边界
在短视频内容合规审查中，动态遮挡（Dynamic Masking）是高频且高耗时的环节。传统手动关键帧打码不仅效率低下，且在目标快速移动或遮挡时极易出现遮罩漂移。本文从计算机视觉工程角度，解析基于CSRT与KCF算法的目标追踪方案在视频隐私处理中的技术路径、性能权衡及落地实践。
颠覆性创新的测量框架与跨领域实证分析
颠覆性创新作为科技发展的重要驱动力，其核心在于实现知识体系的范式转换。从技术原理看，这类创新通常具备知识替代、网络重构和跨领域渗透三大特征，通过引用网络分析和文本挖掘等方法可量化评估其影响力。在工程实践中，CD指数、DI指数等测量工具帮助研究者识别具有突破潜力的成果，而深度学习等新兴技术进一步提升了评估精度。当前AI、半导体等领域的热门技术发展表明，模块化架构和产业协同能有效促进颠覆性创新。面对全球范围内创新颠覆性下降的趋势，优化科研评价体系、构建跨学科协作网络成为关键应对策略。
我用 GPUWorks 在 M1 Pro 上搭了个发票识别原型
公司里经常要看电子发票。我想先做个小原型：把 PDF 发给一个自己部署的图文模型，让它提取发票类型、日期、交易双方和金额，再把结果交给同事核对。这个原型不用先接财务系统，先看看从部署到调用要走多少步，模型返回的内容能不能帮上忙。
YOLOv8【第十章：多任务扩展深度篇·第16节】车道线检测——基于 YOLOv8-Seg 的车道线分割与拟合！
🏆 本文收录于 《YOLOv8实战：从入门到深度优化》 专栏。该专栏系统复现并梳理全网各类 YOLOv8 改进与实战案例（当前已覆盖分类 / 检测 / 分割 / 追踪 / 关键点 / OBB 检测等方向），坚持持续更新 + 深度解析，质量分长期稳定在 97 分以上，可视为当前市面上 覆盖较全、更新较快、实战导向极强 的 YOLO 改进系列内容之一。
游戏引擎揭秘：大厂为何死磕自研？
游戏引擎本质与商业价值解析 游戏引擎是集成了渲染、物理、动画等核心功能的开发工具包，其价值在于让开发者免于重复编写底层代码，专注于游戏内容创作。商业引擎（如Unity/Unreal）虽降低了开发门槛，但头部厂商仍坚持自研引擎，主要基于以下考量： 经济性：长期项目分摊自研成本后，比商业引擎分成更划算； 可控性：完全掌握底层代码，能针对性优化核心玩法需求； 技术壁垒：专属引擎成为厂商的竞争优势，如米哈游的跨平台渲染技术； 项目适配：超大型游戏（开放世界/MMO）需要深度定制解决方案。 这种"短期高投入
您您这可以把问小白的多个会话比如说。左侧的多个会话一次性导出吗？不是单条会话里面的多次会对话。AI导出鸭
第三层是格式编译层。这个决策背后的判断很清晰：一个批量导出工具的价值，不在于“试三次”，而在于你真正用它处理了几十份技术文档、访谈记录或课程讲义之后，它是否值得留在你的工作流里。问小白的会话列表通过分页接口加载，AI导出鸭 在页面运行时建立旁路监听，捕获每一次分页请求返回的完整对话清单，包括会话 ID、标题、时间戳和隐藏的元数据字段。让AI导出回归优雅——这句话说的是：导出不该是体力活，而应该是一次完整的、可预期的文件交付。注意：这里的“批量”指的是左侧列表里的多个独立会话，不是一条会话内的多轮对话。
Android Framework WMS面试题及参考答案
什么是 WindowManagerService（WMS）？它的作用是什么？ WindowManagerService（WMS）是 Android 系统中非常重要的一个系统服务。它运行在系统进程（system_server 进程）中。 从本质上来说，WMS 是 Android 窗口管理系统的核心。它负责管理系统中的所有窗口，包括应用程序窗口、系统窗口（如状态栏、导航栏）等。 它的主要作用有很多。首先是窗口的创建和销毁。当一个应用请求创建一个窗口时，WMS 会协调各个模块完成窗口的创建工
【从零理解 Spring AI · 12】MCP 的两种角色：做客户端还是做服务端
上一篇讲了 MCP 的概念：标准协议、三大角色、M+N 替代 M×N。
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
IDEA的使用指南
IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.
河道漂浮物目标检测数据集
目标检测，yolo，河道漂浮物目标检测数据集
WINCC7.3破解文件
WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！
AI Agent之核心框架
A： 显式 Thought 有三类价值：可解释性（便于人类审计）、可调试性（定位哪一步选错工具）、学习信号（可做监督微调或评估中间步骤质量）。ReAct 把推理与 可执行行动 绑定，每一步行动后都有 真实 Observation 反馈，从而用工具结果约束生成，降低闭卷幻觉。做完不等于结束——还要 评估做得好不好，把 教训 记下来，下次 带着教训重试，反思作为 记忆，影响后续尝试的策略。工作流程：Action → Evaluation → Reflection → Retry。A： 普通 CoT 只在。
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
AI 应用开发工程师技术实践：大模型接入、通用组件封装与性能优化
本文提出AI应用从PoC到生产的核心挑战：模型调用的持续可用、可控与可优化。通过构建统一LLM网关实现多供应商路由与故障转移，封装对话、工具调用与RAG组件以解耦业务逻辑，结合前缀缓存、批处理与流式背压治理等性能优化手段，形成“接通→接稳→接快”的工程路径，最终以工程化能力决定AI应用的生产可用性。
AI前沿日报 · 2026-11-04 | 祛魅时刻：Astra“纯读权重“神话的崩塌
①Astra"裸权重通吃"被spaCy创始人Honnibal精准祛魅——仅1/3实验真裸读，数学能力提升依赖Python+50次迭代；②Simon Willison用Qwen 3.8-27B端侧复现权重空间编程；③Nvidia开源Auto-Ontology自动知识图谱；④$800开源全域抓取机器人Stringman；⑤OpenAI悄然重开Codex训练开关引信任危机；⑥DeepMind发布Gemini 4 Argon机器人基础模型；⑦美国科技巨头隐性AI债务达3.2万亿美元，6个月增90%。
大模型 Embedding 与向量相似度详解
Embedding 解决的问题：计算机不懂文字，但懂数字│▼文本 → 向量（1024维浮点数数组）│▼相似度解决的问题：怎么判断两个向量（文本）有多接近│▼余弦相似度：看向量方向的夹角，越接近0°越相似│▼最终效果：语义搜索——理解意思，而非字面匹配一句话总结：Embedding 把文字变成数字，余弦相似度比较数字的方向，两者结合实现了"理解语义"的搜索。
GPT-1 架构和计算细节
下面配合框图，对 GPT-1 的每个组件做公式展开 + 数值实例（配置：12 层 × 768，12 头，FFN 3072，词表 40478，共 117M 参数）。GPT-1 把翻译模型的编码器-解码器砍掉一半，只留解码器，然后以"预测下一个词"为目标在 BooksCorpus 上预训练。与 2017 原版的四个架构差异（框图中标 ★）：h0=E[token]+Epos[position],E∈R40478×768, Epos∈R512×768h^0 = E[\text{token}] + E_{pos}[\
终端 AI 审计与 “龙虾” 类智能体风险治理：从可见性到闭环溯源
生成式 AI 办公普及之后，数据泄露风险逐步下沉到终端。员工将合同、源代码、客户资料粘贴至公有大模型，以及龙虾（OpenClaw）这类本地开源 AI 智能体的滥用，成为企业安全新挑战。传统网络边界防护存在审计盲区，本文从风险链路拆解、核心能力模型、分级治理策略、落地踩坑点以及技术局限性多角度，分享终端侧 AI 安全治理的实践思路。
2.53 基于极稀疏指纹的室内定位注意力图元学习
该论文发表于IEEE Transactions on Mobile Computing（TMC）2026年6月，面向极稀疏指纹条件下的WiFi室内定位，针对指纹采集人力成本高、标记指纹稀缺时定位精度大幅下降的痛点，提出注意力图元学习模型AGML（Attentional Graph Meta‑Learning），结合图神经网络、元学习、两种指纹数据增强与分布对齐技术，在标记指纹极少的场景实现高精度室内定位，同时公开了多套真实+仿真定位数据集用于基准测试。场景：二维室内空间，障碍物造成信号遮挡，
语音识别与语音合成的技术原理及应用
语音识别 #语音合成 #人工智能 #大模型。语音识别与语音合成的技术原理及应用。一、语音识别的核心原理。二、语音合成的核心原理。三、工程落地的主要难点。五、需要关注的现实问题。
设计师工作室 GEO 实操：如何提升 AI 实体推荐概率
设计工作室 GEO 的本质，是把创意服务转化为 AI 可理解的结构化信息。核心动作可归纳为：区分事实与审美、建立实体图谱、预判用户提问、输出脱敏内容、搭建多信源、持续测试验证。梳理工作室的 6 个实体属性：品类、城市、流程、边界、团队、渠道。在官网或作品集平台发布至少 3 篇结构化项目复盘，只陈述事实。输出 1 篇「设计报价影响因素」科普内容，覆盖甲方高频提问。争取 1 次行业媒体或本地媒体专访，形成第三方信源。每周用「XX 城市 + 品类 + 设计工作室推荐」指令测试，记录出现频率。
AI作图软件技术选型：从4个技术维度出发的实测对比
AI作图软件技术选型：从4个技术维度出发的实测对比
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
97
扫一扫
