电脑上有核显因特尔的，但是一直用不起来。所以想着能不能跑大模型。试试吧
用核显的话，可能比纯CPU更好吧。来实现他。
核显可以看到有15.9G的显存，没有用到根本就。
| 系列 | 类型 | 定位 | 代表型号 |
|---|---|---|---|
| UHD 630/770 | 核显（集成在 CPU 里） | 入门 / 中端办公核显 | UHD 630、UHD 770 |
| Intel Ultra（酷睿 Ultra） | 核显 + NPU（集成在 Ultra CPU 里） | 新一代 AI 专用核显 | Arc 核显（Ultra 7/9 集成）+ 独立 NPU |
| Intel Arc | 独立显卡（独显） | 消费级游戏 / AI 显卡 | Arc A380、A750、A770 |
OpenClaw与Ollama本地AI部署实战：从安装到进阶
随着大模型应用逐渐深入业务场景，本地化部署与智能体框架成为兼顾数据隐私与响应效率的关键路径。Ollama作为轻量级推理引擎，简化了模型下载与运行流程，而OpenClaw这类智能体执行框架则负责任务拆解、工具调用与上下文管理，两者结合可构建一套完全运行在个人电脑上的AI工作台。这种全链路本地方案尤其适合处理内部文档、隐私代码等敏感数据，避免云端传输风险。本文从部署链路认知切入，覆盖Ollama安装提速、OpenClaw选型与配置、模型热切换以及常见踩坑记录，帮助开发者在本地快速落地一套可聊天、能调用工具、会写
1元搭建Qwen+OpenClaw+飞书个人AI助手实战指南
AI Agent（智能体）是让大模型从‘能说’走向‘能做’的关键技术范式，其核心在于任务规划、工具调用与长期记忆的协同。Qwen作为中文优化的开源大语言模型，具备低显存、强指令遵循与开箱即用的工程优势；OpenClaw则以‘工具优先’设计，简化飞书API集成、RAG记忆管理与Cron定时调度，显著降低Agent开发门槛。该技术组合无需商业API、不依赖云端服务，真正实现数据本地化、行为可审计、逻辑可调试，广泛适用于自由职业者自动化事务处理、中小企业轻量级工作流编排及技术爱好者私有AI实验。本文即围绕Qwen
OpenClaw 2026：Windows 11本地AI视觉实验平台一键部署指南
YOLO目标检测是边缘AI落地的核心技术，其原理依赖于CNN特征提取与非极大值抑制（NMS）实现高效定位。在嵌入式视觉开发中，如何绕过Linux环境依赖、规避云服务调用、保障图像数据不出设备，成为教育、制造、农业等场景的关键技术价值。OpenClaw 2026正是为此而生——它基于Windows 11原生DirectML加速与Windows App SDK构建本地闭环推理框架，支持YOLOv8/v10模型在Intel核显、AMD Radeon 780M等集成GPU上实时运行，无需管理员权限、不依赖Docke
OpenCLAW本地化部署指南：让非技术人员5分钟用上72B大模型
大模型调度中枢（Model Orchestration Hub）是近年来AI工程化落地的关键技术概念，其核心在于解耦模型能力与业务系统，实现低侵入式AI集成。OpenCLAW作为2026年主流的可嵌入式调度框架，依托DirectML与CUDA原生加速，在Windows环境实现零Docker、免WSL2的稳定推理；它不依赖云端API，支持RAG知识库对接、Excel宏调用和WebUI可视化操作，显著降低金融、政务、科研等高合规场景的AI应用门槛。本文聚焦‘非工程人员可用’这一关键价值，详解v0.8.2版本在R
OpenClaw技能库解析：GitHub热门AI助手生态与开发实践
AI助手生态正在快速发展，其中OpenClaw技能库作为GitHub上的热门项目，展示了本地化运行和动态编排的创新架构。通过沙箱隔离和权限控制，OpenClaw确保了系统安全，同时支持技能动态组合与混合执行模式。这种架构不仅提升了开发效率，还广泛应用于智能家居、金融数据分析等领域。文章深入解析了OpenClaw的核心设计、安全机制及企业级部署方案，为开发者提供了从入门到实战的全面指南。
OpenClaw：Windows 11专用AI运行时，解压即用零配置
AI智能体运行时是一种轻量级本地化AI执行环境，其核心原理是将模型推理、工具调用与状态管理封装为自包含进程单元，绕过传统依赖管理和系统级安装。相比Docker容器或Python全局环境，它通过便携式Python运行时、预编译CUDA依赖和进程级隔离实现更高确定性与更低资源开销，技术价值在于大幅降低非开发人员的AI使用门槛。典型应用场景包括科研PDF分析、金融合同处理、教育PPT生成等本地化任务。OpenClaw正是面向Windows 11深度优化的代表实现，依托WSL2支持、WDAC策略兼容与SmartSc
华硕NUC 16 Pro：180TOPS算力，助你安全“养虾”开启本地AI新纪元
AI时代，算力的核心需求早已从“云端依赖”转向“本地高效”，而ASUS NUC 16 Pro以180TOPS的强悍AI算力，0.7L的极致便携机身，以及全场景的应用适配，重新定义了迷你主机的性能上限。它不仅是个人用户的AI办公、创作利器，是OpenClaw等自动化工具的最佳载体，更是企业边缘AI部署的优选方案。告别云端束缚，拥抱本地智能，选择ASUS NUC 16 Pro，让强大的AI算力为你所用，解锁高效、安全、自由的全新智能体验。
本地部署AI智能体工作流：从零搭建可验证的三层架构
智能体工作流是让大模型具备自主任务编排与多步推理能力的核心范式，其本质依赖于LLM调用、文档处理与向量检索的技术协同。原理上需解耦模型运行、知识管理与业务逻辑三层，以保障可调试性与可维护性。技术价值在于摆脱黑盒封装，实现参数可控、组件可替、行为可审计的本地化AI能力。典型应用场景包括PDF自动摘要、本地知识库问答、跨工具协同Agent等轻量级自动化任务。本文基于Windows 10/11环境，使用Ollama+LangChain+CrewAI构建真实可用的开源智能体工作流，全程不依赖任何非官方‘一键包’或虚
传感器模块的电路艺术：从引脚定义到系统集成的设计哲学
本文深入探讨传感器模块的电路设计艺术，从引脚定义到系统集成的完整设计哲学。重点解析电源管理、信号处理及I2C通信协议等核心电路原理，分享多模块协同中的电源架构、信号完整性和接地策略，为硬件工程师提供实用的系统级设计思维与实战案例。
Mac Pro M2芯片成功安装麒麟银河高级服务器虚拟机
本人用的是1、Macbook m2pro芯片 16G+5123、安装homebrew、wegt、qemu。
ollama接入图像识别大模型
ollama接入图像识别大模型
群晖NAS下docker安装MySql
本文将一步一步讲解如何在群晖NAS的docker中启用一个MySQL容器 , 算是初学者对问题解决的一个记录.
英飞凌Tricore问题排查01_Det/Reset/Trap排查宝典
软件跑飞进Det或发生Reset或进Trap了，怎么查？有固定套路可以follow吗？英飞凌Tricore又有哪些专门的定位办法？本篇为您娓娓道来。
2025年软件测试职业院校技能大赛—ERP管理平台-采购管理采购入库模块测试用例
竞赛对接软件测试相关标准，以“ERP管理平台” 为被测系统，围绕软件测试领域的主流技术及工具，考查选手面 对实际问题的综合分析能力，对测试文档、测试用例的设计能力， 对单元测试、自动化测试、性能测试、接口测试等测试工具及方 法的掌握程度，检验选手团队协作能力、组织规划能力、方法运用能力等。
YOLOv8改进，YOLOv8主干网络替换为FasterNet(全网独发手把手教学，助力涨点)
FasterNet的整体架构由四个分层阶段组成，每个阶段包含一组FasterNet模块，并在前面加一个嵌入或合并层。最后三层用于特征分类。每个FasterNet模块内部，一个PConv层后跟两个PWConv层，为了保持特征多样性并降低延迟，归一化和激活层仅在中间层之后进行，其中，PConv 是一种快速高效的卷积操作，通过仅对部分输入通道应用卷积滤波器，而保持其余通道不变，从而减少了计算量和内存访问。
【WRF-Urban】URBPARM_LCZ.TBL 查找表解释及内容
URBPARM_LCZ.TBL 查找表解释及内容
LinePhone3.2.7(android端最新版本) sip客户端
SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/
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');```[](https://bitdeli.com/free "Bitdeli Badge")
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
355
扫一扫
