都“白菜价”了,大模型靠啥变现?

f_fs.c 初始化流程(进行中) 前言 之所以选择f_fs.c作为这系列的开始,因为usb在/driver/usb下面的内容实在太多太多,如果讲各种各样点会太分散了。所以决定切入点以实际使用为主,就是f_fs了,目前我了解这是做bulk裸传输使用的,具体的通信协议自己确定。 初始化部分 开始点从这个路径下说起, /drivers/usb/gadget/function/f_fs.c 然后f_fs.c第一个使用的是include/composite.h中的宏定义function #define DECLARE_USB_FUNCTION(_n 阅读详情

■ 大模型为什么会降价?

■ 还会继续降价吗?

■ 降价之外还能做什么?

火了一年多的大模型,步入到了我们熟悉的、国内大厂擅长的经典剧情——价格战。

近日,阿里、字节、腾讯等模型厂商相继推出新模型,并宣布降价。

5月6日,国内知名私募巨头幻方量化旗下AI公司,发布DeepSeek-V2大模型,价格为GPT-4 Turbo的近百分之一;

5月9日,阿里发布通义千问2.5,个人用户可从App、官网和小程序免费使用;

5月11日,智谱大模型官宣降价,入门级产品GLM-3 Turbo模型,百万Tokens调用价格从5元降至1元,降幅高达80%;

5月15日,字节发布豆包大模型,比行业平均价格便宜99.3%,推动大模型从“以分计价”,进入“以厘计价”阶段;

5月21日,阿里宣布9款大模型降价,百度宣布文心大模型两大主力模型ERNIE Speed、ERNIE Lite全面免费时代。

5月22日,科大讯飞宣布讯飞星火Lite API永久免费开放,腾讯云公布大模型升级方案,主力模型之一调整为免费。

国内大模型厂商,迎来对B端和C端的全面降价甚至免费。

不仅是国内厂商宣布降价,近日,OpenAI也发布了对C端用户的GPT-4o免费版及B端的降价。

那么,大模型厂商为什么会降价?降价之后靠什么变现?除了降价,大模型厂商还有什么路可以走?本文将回答围绕以上三个问题展开讨论。

01

降价

为数不多可以出的牌

国内外大模型厂商降价的驱动力不完全相同:OpenAI可以出的牌有很多,而卷价格是国内厂商为数不多可以出且必须跟进的牌。

先来看国外的大模型厂商。

OpenAI在降价的同时,也在不断自我超越。

去年11月,OpenAI率先开始降价,升级后的ChatGPT-4 Turbo,速度比ChatGPT速度更快,而且价格比之前下降了近7成,同时OpenAI发布GPT-s商店,开发者可以在其平台上开发并上线AI应用,供用户使用。

今年5月14日,OpenAI发布新一代GPT-4o,功能上全面超越上一代,而且API价格再下降50%。

去年底,谷歌发布的Gemini,在多方面的性能超越ChatGPT,还支持视频输入和视频搜索,同时宣布Gemini Ultra可免费使用。

OpenAI在大模型上具有先发优势,也最早开始通过大模型实现可观的营收,截至去年10月,其收入已达13亿美元,相比上一年2800万美元的收入增长了45倍,所以OpenAI有降价扩大市场份额的资本。

今年3月,美国风险投资机构a16z发布的报告显示,排名前三的都是AI聊天机器人,ChatGPT仍是C端应用顶流,机构预计今年ChatGPT的收入是10亿美元。

排名第二的是谷歌Gemini,对C端则采取的是免费模式,所以C端暂时还未实现变现,不过在B端,5月谷歌宣布调用API开始收费。Gemini虽然未直接对谷歌贡献收入,但是间接贡献了收入,谷歌一季报提到,Gemini为谷歌的搜索业务和云业务提升了收入水平。

图片

再来看国内的大模型厂商。

国内的大模型厂商也在不断进步,也希望通过提供更好的综合使用效果,而不是通过降价保持竞争优势。

但现实是,几天前还在持这一观点的百度,几天后就宣布两大模型免费了。

现在还持这个观点的有李开复,他的零一万物模型目前还没有加入降价战场,但他也认可“行业每年降低10倍推理成本是可以期待的,而且也是必然发生的”。

“提供更好的综合能力和使用效果”这条路不是走不通,而是解决不了当前大模型厂商面临的主要矛盾。

主要矛盾是什么?

是需要更多人应用。

现在国内的大模型,都可能在某些方面领先甚至是拔尖,但没有哪一家是公认的“领头羊”。而大模型的发展很容易出现二八分化,现在不争,以后可能就没机会了。

举个例子,针对C端用户的通用场景有很多,比如打车、订票、购物等等,现在,我们的操作是打开一个个APP或者小程序;在AI发展的过程中,我们需要的可能是一个个生活助理;而在终极形态下,我们需要的是一个管家,可以根据我们的日程、预算,安排好是打车还是其他出行方式,根据近期的口味偏好提前订好餐厅。

这就意味着在C端场景下,必然会有大的整合,应用的整合甚至是大模型厂商之间的整合。

谁的大模型能调用的应用多,谁就更有竞争优势,就更可能是整合方。

所以现在的大模型厂商在降低API调用成本,希望开发者能在自己的生态上开发出好用的AI应用,就算免费、甚至是补贴也要争。

B端应用可能会好一些,毕竟行业之间差异大,容得下更多的模型,这又涉及到另一个问题:数据。

数据是AI三要素之一。大模型通过应用与足够多的用户互动,才有机会走上价格战以外的路。

02

都免费了

还怎么变现?

大模型服务是典型的规模经济,当使用的企业和用户越多,则越能摊薄企业的研发和算力成本,在可预见的未来,算力价格会持续下降,所以这也给了国内大模型厂商降价的底气。

王小川在回应大模型厂商价格战时也表示:降价意味着,大家实在是太看好这个时代的前景了,不愿失去,侧面反映大家对这个时代AI的能力是有足够多憧憬的。

大模型厂商变现有两个途径:

第一,给企业提供模型服务,包括调用API,项目制本地模型落地等。

大模型厂商,目前向B端收取调用收费包括按照时间段、按调用量收费以及各种包含硬件的一站式解决方案等。

OpenAI推出30款左右可供用户调用的大模型,分别包括GPT-3.5 Turbo、GPT-4、GPT-4 Turbo、图像模型、音频模型等,其他厂商通过API实现调用。

实现标准化的模型调用服务,即MaaS(模型即服务),美国从SaaS到MaaS,已形成较大规模的标准化市场。国内的标准化SaaS规模还很小,大多还只是集成式的项目模式,这样的模式成本高,利润小。

国内的云厂商,正在从项目制转向标准化的SaaS服务,而大模型正是一次机会,所以大模型厂商争相降价抢夺市场。

第二,模型****厂商自己做应用实现变现,探索更多的可能。

OpenAI不仅给其他应用厂商开放API,而且有自己的聊天机器人ChatGPT,也已成为现象级应用,这是国内厂商目前还不具备的能力。

同时,OpenAI上线了GPTs,从此前的插件模式升级为与开发者共享收益的模式,虽然GPTs反响一般,但提供了变现的思路。

上文提到的榜单,除了前两名的聊天机器人外,后面排第三的Character AI,便是通过调用OpenAI提供的API,利用OpenAI大模型能力开发出了受欢迎的聊天机器人。

CharacterAI,可以扮演数百名虚拟人物,既可以满足用户的情感类需求,也可以满足用户的工具型需求。比如AI可以扮演拿破仑、马斯克、居里夫人等,与用户聊天,也可以扮演心理咨询师、图书管理员、英文老师等角色,提供健身指导、知识传授等服务。

03

价格战之外的路

还有机会走吗?

场景端革新,是中国应用市场后来居上的传统优势,同时也具有反哺大模型能力的作用。

国外应用厂商大多是小而美的应用,而中国则更多的是大而全。

比如微信、支付宝、抖音等平台,除了核心的社交、支付、短视频等功能之外,还有集成了购物、支付、社交、娱乐等功能。国外的应用大多偏工具属性,比如Facebook、亚马逊、谷歌等,分别注重社交、购物和搜索,很少在应用当中集成其他功能。

第一,国内模型厂商,可根据各个大厂的优势,提供不同特色的模型。

前面我们提到,在AI发展的过程中,会出现一个个AI助理,开始的功能比较基础,是一个辅助的角色,被称为Copilot,主要是根据某个情景,提出解决问题的指导、建议,停留在“懂怎么做”的层面,现在AI助理有了更强的执行能力,进化到“会做”“能做”层面,也被称为AI Agent,可以直接解决某些问题,以后可能是一个管家可以调度很多个AI Agent,完成更复杂的任务。

就像真正提供服务的小程序折叠在微信、抖音、支付宝身后一样,Agent也可以折叠在管家后面。

在迈向终局的过程中,支付宝、抖音都可以利用其折叠能力,去调用目前的小程序,让用户通过AI告诉每个小程序执行我们的需求。

比如支付宝在灰度测试中的AI智能助理,如果早上起来对它说,半小时后打车上班,AI小助理就会调用「滴滴」的接口,帮我们预约好车。

同理,美团也可以利用生态,实现预定餐厅、买好电影票、制定路线等。

未来,大厂也可以通过开发各自的生态,更多的应用厂商,研发更多的特色应用,这是国内厂商的潜力。

第二,通过对国外先进模型的模仿和自研,实现能力的快速提升。

OpenAI最新的GPT-4o模型可以实现多模态包括音频、视觉和文本的推理,而且还可以对三者进行组合输出,平均响应时间仅为320毫秒,反应速度与人类相近。

所以,很多头部软硬件开发厂商包括微软、Salesforce、Adobe,会选择与OpenAI合作,将模型能力集成到各自的应用软件当中。

谷歌的Gemini,在搜索能力的强化上表现突出,当你录制一段视频搜索或者使用AI搜索时,它都能准确理解你的意图,通过搜索结果形成一份报告,甚至是对用户忽略问题的猜测。

有的国外大模型是开源的,也是国内大模型厂商可以利用的机会。

通过各个大厂也都在积极自研,国内的大模型厂商,一方面需要通过提升大模型能力,吸引更多的厂商入驻;另一方面,也可以依据自身做AI应用的经验,建立生态,帮助厂商研发出现象级应用。

以“应用工厂”著称的字节,通过应用的人海战术、赛马机制,让更多的应用跑出来,从而不仅让抖音成为中国现象级应用,而且Tiktok也力压硅谷各大厂成为海外现象级应用。字节虽然不是推荐引擎的首创,但是在应用场景和流量模式的创新,让抖音和Tiktok都获得了成功。

国内厂商的总体技术能力可能不及国外厂商,但AI的能力和边界,不完全由技术能力决定。

​

如何学习AI大模型?

作为一名热心肠的互联网老兵,我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

一、全套AGI大模型学习路线

AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能!

img

二、640套AI大模型报告合集

这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。

img

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

img

四、AI大模型商业化落地方案

img

作为普通人,入局大模型时代需要持续学习和实践,不断提高自己的技能和认知水平,同时也需要有责任感和伦理意识,为人工智能的健康发展贡献力量。

【ODX介绍】-4.2-UDS诊断$27服务在ODX-D诊断描述文件中如何描述 共25页精讲:附ODX-D XML:UDS $27 Security服务0x61和0x62 Sub-Function,其它Sub-Function可参照其格式。 目录 1 ODX-D描述一个UDS $27 Security服务Sub-Function的结构 2 标签DIAG-SERVICE描述的内容 2.1 举例:DIAG-SERVICE的XML描述 3 标签REQUEST描述的内容 3.1 举例:REQUEST的XML描述 4 标签POS-RESPONSE描述的内容 4.1 举例:PO.. 阅读详情

相关推荐

Synopsys SCL许可证服务器搭建详解:从安装到生成.dat文件

本文详细解析了Synopsys SCL许可证服务器的完整搭建流程,从系统环境准备、SCL安装到生成.dat文件。重点阐述了如何正确获取HOST ID、配置License文件以及调试常见故障,为数字芯片设计工程师提供了一套从零到一的实战避坑指南,确保EDA工具链稳定运行。

weixin_29306011的博客 609

深度解析大学生“白菜价”现状

特别策划:深度解析大学生“白菜价”现状  2014年的高考刚刚落下帷幕,又一批经历高考洗礼的莘莘学子即将步入大学校园,从而翻开人生新的一页。 长久以来,高考被赋予改变命运的崇高使命,很多人通过高考,实现了人生的华丽转身。但如今,随着高校“大跃进”式的扩招,大学生数量急剧增长,使就业成了一个棘手的问题,曾经的天之骄子瞬间转化成菜市场的“白菜”,上大学改变命运的说法似乎越来越令人怀

cdczbk的专栏 1387

three.js开发3D地图记录(二)

添加地图点击事件,点击区域,地图区域改变颜色并浮起来。

anwebDesigner的博客 1694

腾讯混元涨价463%,国产大模型“白菜价“时代终结?

2026年3月13日,腾讯云发布了一则让整个AI行业为之震动公告:腾讯混元大模型价格全面上调,涨幅高达463%。这是本轮AI价格战中,首个大规模涨价的头部厂商。消息一出,开发者社区和企业客户群体反应强烈——国产大模型"白菜价"时代,可能真的要终结了。

Leinwin的博客 547

YOLOv11 Neck架构演进 - 从FPN/PAN到C2f/SPPF的融合策略实战剖析

本文深入剖析YOLOv11 Neck架构的演进历程,从FPN/PAN到C2f/SPPF的融合策略,详细解析了多尺度目标检测中的特征融合技术。通过实战案例展示了YOLOv11在无人机航拍等场景中的性能提升,特别是小目标检测AP值提升15%的显著效果,为计算机视觉开发者提供了宝贵的架构优化经验。

weixin_30500105的博客 429

Linux环境下OpenSSH升级到 OpenSSH_9.8p1(内置保姆级教程并包含openssl升级过程)

2024年7月1日接到安全部门同事邮件通知,目前生产环境及测试环境服务器Openssh存在远程代码执行漏洞(CVE-2024-6387),漏洞等级高,且攻击者可以成功利用该漏洞获得远程root shell最高权限从而执行任意代码及命令,主要受影响版本为8.5p1

菜鸟运维升级之路 2万+

AI大模型价格战:从天价到“白菜价“,科技巨头图什么?

2025年的六月初,AI圈被两场"大降价"彻底点燃了。先是行业领头羊OpenAI挥出重拳,6月10日不仅推出了性能更强的"专业版"模型o3-pro,还把其主力模型o3的价格直接砍掉了80%,降幅之大,令人咋舌。紧接着,6月11日中国的科技巨头字节跳动在国内市场投下"深水炸弹",其火山引擎发布的豆包大模型1.6,以一种近乎"白菜价"的姿态登场,将大模型的使用成本拉到了一个前所未有的低点。一边是全球AI的"风向标",一边是国内互联网的"流量王",两家巨头几乎同时选择"降价",这绝非巧合。

攻城狮7号的博客 1413

Origin2018(汉化版)在使用科学计数法的时候如何将坐标刻度的0.0改成0

文章目录1 问题2 解决方法 1 问题 先看下面这张图,当我使用科学计数法时,纵坐标出现了0.0的字样,这样看起来很不美观。有些期刊还会有要求,不能出现0.0的格式。 图1 那么该怎么将它改成0呢?首先让我们尝试着用Origin自带的属性,看看能不能设置。 2 解决方法 解决方法一: step1: 双击坐标轴,打开坐标轴属性设置。 step2: 在刻度线标签选项中设置左轴的显示 图2 会发现,按照图2的方式改好之后,其它的小数位也全没了,如果但是有些数字就被覆盖了,这显然不是我

qq_40077565的博客 2万+

网传2020校招传统大厂白菜价

网传2020校招传统大厂白菜价:(友情提醒:请将手机旋转90度横屏观看) 记得点击「在看」,然后转给你身边的朋友们。 ...

程序员之家 954

支持找回微信删除好友!一款人人可用的全能微信数据分析工具

找回删除好友、查看删除记录、恢复聊天信息....

1724

广州吉欧电子科技有限公司安卓开发工程师岗位 - 技术核心、职责详解与面试指南

广州吉欧电子科技有限公司招聘安卓开发工程师,该岗位可接收优秀应届生。岗位职责包括:1)负责安卓应用架构设计与开发,确保稳定性和可扩展性;2)功能模块编码实现与测试;3)性能优化与用户体验提升;4)后端接口对接;5)系统版本适配;6)用户反馈处理迭代;7)特殊要求熟悉RTK高精度定位技术原理及使用。该岗位要求扎实的安卓开发技术、良好的架构设计能力、性能优化经验,以及特定领域的RTK专业知识,是一个技术全面且具有专业特色的开发岗位。

郑伟强dev的专栏 153

未来的房子果真“白菜价”,当代青年应以何种心态面对买房

“当代年轻人不要考虑去买房,现在选择租房更合适,未来8年房子会成为“白菜价”...”阿里巴巴创始人马云在当前房地产市场一路高涨的情况下说出了一番与当下年轻人观念背道而驰的话,就像一道惊雷一般打在了深受买房困扰当代青年的内心深处。 从以高瞻远瞩著称于世的当代中国最有影响力也是最成功的创业传奇说出的话,哪怕大家再觉得荒谬,都会在“不可能,怎么可能...”、“马云的白菜和我们吃的白菜怕是有很大差别...

lin000001的博客 1125

PD详解 扩展消息——Source_Capabilities_Extended Message

PD的协议层分为控制消息,数据消息还有扩展消息,今天大师匈讲一下扩展消息中的source_cap_extended。这个消息在扩展消息中算是比较关键的东西。 扩展消息中的source_cap_extended 大师匈先上图,然后逐一解释; 上面的图表说了source_cap_ext中包含了哪些内容。 我们注意到在source_cap扩展消息中是以字节为单位的,并不是像source_cap中以一个object为单位,当然有注意到PD标准spec中说明的扩展消息的话,那里有说明,在header之后的字节

大师匈的博客 3516

vivo开奖,巨大白菜价。

大家好,我是苍何。这几天 vivo 的秋招开奖了,一时间,「白菜价、侮辱价」上了热门。硕士 985,开发岗位月薪 17 K,15 薪,加上补贴 27 万的年包。被称为巨大的白菜价。很多人估计一脸大问号,白菜价啥意思,比白菜还便宜吗?苍何解释:在互联网中,白菜价指普通薪资的 offer,SP 称为优秀待遇的 offer,SSP 是顶尖待遇的 offer。你可能还会一脸茫然,觉得这同学是学起了凡尔赛,27 万的年包,够老弟卖好几年铁板豆腐了,不少了,还嫌弃呢?

一个成长中的程序员,期待用技术的眼光生活 899

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

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")

大模型卷出白菜价的背后?

大模型卷出“白菜价”是市场竞争和技术发展的必然结果。这一趋势不仅促进了大模型技术的广泛应用,还推动了软件智能研发领域的持续创新和发展。未来,随着技术的不断进步和市场的不断扩大,我们有理由相信大模型技术将为社会带来更多变革和惊喜。

m0_38012434的博客 412

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

如何使用缓存把大模型薅出白菜价

Prompt Cache 的逻辑说到底只有一句话:相同的东西,算一遍就够了。什么内容是稳定的,什么内容是变化的,把边界划清楚,稳定的放前面。其他的------tool schema 和 tool 结果分开、ROI 算清楚再开缓存、监控命中率、冷启动预热------都是在这个基础上的补充细化。高并发场景下那个容易被低估的收益值得再强调一次:跨用户的前缀共享,一万个用户共享一份 KV 矩阵,效果比单用户视角大一个数量级。

2601_96655488的博客 703

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

把token卖成“白菜价“的DeepSeek,掏出1.41亿元入股造机器人的宇树:大模型公司开始买“身体“了

把token卖成"白菜价"的DeepSeek,掏出1.41亿元入股造机器人的宇树:大模型公司开始买"身体"了

math_bearrr的博客 283

AI算力太贵?中国开源大模型MiniMax-M2想用“白菜价”掀翻牌桌

当全球AI巨头还在为昂贵的算力成本所困扰时,来自中国的AI公司MiniMax开源了其新一代大模型M2。它以不到顶尖模型十分之一的价格,实现了旗鼓相当的性能,尤其在AI智能体(Agent)和编程任务上表现出色。这不仅是一款高性价比的模型,更是一份旨在改写昂贵“算力游戏”规则的“中国方案”。

攻城狮7号的博客 1227

告别天价算力!这个开源神器让你用「白菜价」跑大模型推理,大模型入门到精通,收藏这篇就足够了!

还在为大模型推理的昂贵算力成本发愁?为响应延迟影响用户体验而头疼?开源社区新星 ART(智能体强化训练器) 横空出世,专治各种大模型部署“富贵病”!

pythonhy的博客 553

GLM-5.1 涨价:国产大模型告别“白菜价“,开发者该怎么选?

国产大模型GLM-5.1发布并涨价10%,累计涨幅超80%,标志着国产AI从低价补贴转向价值定价。该模型采用MoE架构和华为昇腾芯片,编程能力全球第三,支持8小时持续Agent任务。虽然官方定价仍低于海外竞品,但企业级价格已接近国际水平。同期DeepSeek等厂商保持低价策略,显示国产模型市场开始分层。涨价反映算力成本上升、技术能力提升和目标客户转向企业市场。开发者需根据项目需求,在高端性能与性价比之间做出选择。

syk123839070的博客 1717

从“天价”到“骨折价”,大模型要变天了

经过一年的时间,大模型的竞争已经从卷大模型技术本身,过渡到了卷大模型商业化的阶段。如大模型研发一样,大模型的商业化落地同样不是一件易事,前者考验的更多的是技术和资本,而后者在前者的基础上,还需要根据不同行业、不同的业务场景,对大模型进行微调,从而提供一款真正能为企业所需的大模型服务。目前,各大模型厂商纷纷亮剑,但这只是开始,接下来很长一段时间内,各头部将持续围绕如何加快大模型落地做文章,竞争的同时,也会把大模型推向一个新的发展阶段。读者福利:如果大家对大模型感兴趣,这套大模型学习资料一定对你有用。

2401_85325557的博客 1271

豆包视觉推理进入白菜价,AI大模型大有可为

AI工具(工作编程 + 应用提效) + AI大模型 + 向量数据库 + 知识图谱 + AI金融, 这些是我研究学习的方向。想起 之前智谱AI的GLM-4V-Flash免费, 我们可以利用大模型视觉推理 做很多事情。字节跳动正式发布豆包视觉推理大模型,并宣布进入“厘时代”,价格降至0.003元/千token,比行业价格低85%,一块钱能够处理284张图片。AI大模型时代, 我们可以用AI 工具做不同场景的AI应用,干以前很多不能想的事情, 工作生活场景无处不在,只要你敢想。

子晓聊技术 431

国产大模型包揽OpenRouter前五:当“白菜价“MoE改写全球AI调用版图

国产大模型能在调用量上碾压海外对手,核心密码不在模型有多大,而在激活有多小。中国大模型普遍采用MoE(混合专家)架构。以DeepSeek V4 Flash为例:总参数284B,但单次推理只激活13B——激活比不到5%。这意味着,模型拥有大参数带来的知识容量,却只付出小参数的推理成本。官方定价每百万Token输入1元、输出2元,这个价格在海外厂商看来几乎不可理解。腾讯Hy3更极端:总参数295B,单次推理仅激活21B,激活比约7%。

interpromotion的博客 542

程序员福音!国产大模型性能媲美GPT,价格却白菜价,AI编程新时代已来!

中国大模型厂商已跻身全球第一梯队,MiniMax M2、GLM 4.6等国产模型编程能力媲美GPT-5,但价格仅为海外同类产品的1/10。腾讯、阿里加速布局AI智能体,微信、通义千问将全面融入多场景。随着AI数据中心市场预计达万亿美元规模,国产算力与AI Agent迎来发展拐点,卓易信息、普元信息等编程相关标的值得关注。

Androiddddd的博客 1418

大模型卷出白菜价的背后?听百度、阿里、腾讯、字节、小米等专家共话软件智能研发新实践...

从 1 元可以购买 100 万 tokens 的震撼优惠到阿里、百度、腾讯等科技巨头纷纷加入这场主力大模型的降价浪潮,甚至提出主力大模型完全免费,价格战的背后实则一场技术大练兵和应用备赛。成本骤降让更多企业和开发者有机会接触到 AI 技术,于企业而言,如何高效、低成本利用 AI 技术进行更新升级,真正实现软件研发智能、高效才是致胜关键。作为软件创新趋势的风向标大会,全球软件研发技术大会将于 7 月...

AI科技大本营 4514

字节、阿里再掀价格战,百度紧跟!大模型卖出“白菜价”图什么? | 最新快讯

目前,中国B端市场实际使用 AI 的客户比并不高,通过降价,大模型厂商希望降低使用其大模型的门槛。5 月 21 日,针对阿里云宣布通义千问 GPT-4 级主力模型降价,字节跳动火山引擎相关负责人向第一财经记者回应称,非常欢迎通义千问大模型降价,共同助力企业以更低成本探索 AI 转型,加速大模型应用场景落地。阿里云智能集团资深副总裁、公共云事业部总裁刘伟光在今天提起大模型降价的行业趋势时表示,价格战要遵循市场的基本原则,降价一定要普惠于市场,以推动市场的发展为目标,“不以流量博噱头”。

www3300300的专栏 565
上一篇: 中国AI大比拼:盘点国内顶尖大模型,谁能称霸未来?
下一篇: 十大开源大模型的特点及应用要点
少喝冰美式
博客等级 码龄3年 6830粉丝 517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