「小白必读」国内超火的 8 款 AI 大模型，你的副业都来自它

原创 最新推荐文章于 2026-06-23 23:05:02 发布 5k 阅读 AI写同款
AI大模型_学习君
AI大模型_学习君 博客等级 码龄3年 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 5k累计阅读 5.1k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
6137粉丝551篇原创
关注
什么是大模型？ 大模型是指具有数千万甚至数亿参数的深度学习模型。近年来，随着计算机技术和大数据的快速发展，深度学习在各个领域取得了显著的成果，如自然语言处理，图片生成，工业数字化等。为了提高模型的性能，研究者们不断尝试增加模型的参数数量，从而诞生了大模型这一概念。大模型通常由深度神经网络构建而成，拥有数十亿甚至数千亿个参数。大模型的设计目的是为了提高模型的表达能力和预测性能，能够处理更加复杂的任务和数据。大模型采用预训练+微调的训练模式，在大规模数据上进行训练后，能快速适应一系列下游任务的模型。 阅读详情
AI摘要

本文介绍了八款在国内备受关注的AI大模型，包括Kimi、智普清言、腾讯元宝等，涵盖对话、搜索、写作等多种应用场景，并分享了学习AI大模型的方法。

大家好，最近好多朋友在问我，国内是否有好用的大模型，今天我就整理好 8 款大模型，大家可以多尝试，一定会有不一样的感觉。

图片

01

HOTSPOT

Kimi

网址：https://kimi.moonshot.cn/

Kimi 是由月之暗面科技有限公司开发的人工智能助手。它擅长中英文对话，能够提供安全、有帮助、准确的回答。同时能够阅读和理解用户上传的文件，访问互联网，并且结合搜索结果来回答问题。也能够处理多种文件格式，包括但不限于TXT、PDF、Word文档、PPT幻灯片和Excel电子表格。

图片

02

HOTSPOT

智普清言

网址：https://chatglm.cn/

智普清言（智谱清言）是由北京智谱华章科技有限公司推出的一个生成式AI助手。它于2023年8月31日正式上线，旨在工作、学习和日常生活中为用户提供解答各类问题和完成各种任务的服务。

智普清言基于智谱AI自主研发的中英双语对话模型ChatGLM2，这个模型经过了万亿字符的文本与代码预训练，并采用了有监督微调技术，以通用对话的形式为用户提供智能化服务。

智普清言的主要功能包括：

  1. 通用问答：能够回答用户的各类问题，涵盖众多领域，为用户提供实时、准确的信息和解决方案。
  2. 多轮对话：具备出色的对话能力，可以与用户进行自然、流畅的多轮对话，提供高效的沟通体验。
  3. 虚拟对话：能够根据用户的需求扮演不同角色，如专业人士、故事角色等，增强互动性和用户体验。
  4. 创意写作：可以为用户的各类创作需求提供脑暴灵感、内容框架以及高质量的文案等，提升写作效率和质量。
  5. 代码生成：能够使用多种编程语言进行开发和调试，可以帮助解释代码、解答编程问题或提供编程建议。

图片

03

HOTSPOT

腾讯元宝

网址：https://yuanbao.tencent.com/chat/naQivTmsDa

腾讯元宝是腾讯公司推出的一款基于自研混元大模型的AI助手App。它主要面向消费者端，提供了AI搜索、AI总结、AI写作等核心能力。这个应用能够一次性解析多个微信公众号链接、网址，以及PDF、Word、TXT等多种格式的文档，并支持超长的上下文窗口。

除此之外，腾讯元宝还提供了多个特色AI应用，例如AI头像、口语陪练、超能翻译等，以及新增了创建个人智能体等玩法。用户在创建智能体时，甚至可以让AI自动生成智能体相关信息，并支持克隆自己的声音，提供个性化体验。

腾讯元宝的特点在于其强大的AI能力，例如在AI搜索方面，它接入了微信搜一搜、搜狗搜索等搜索引擎，通过AI搜索增强，提升时新类和知识类问题的搜索效果，比传统搜索更有效率。同时，内容覆盖微信公众号等腾讯生态内容及互联网权威信源，答案准确性更高。

腾讯元宝的应用场景非常广泛，不仅包括提高工作效率的工具，如AI写作可以用于写报告、写方案、写代码等，还涵盖了日常生活中的多种应用，如口语陪练、超能翻译等。如果想详细了解一下腾讯元宝，可以看看我原来的文章：

图片

04

HOTSPOT

讯飞星火

网址：https://xinghuo.xfyun.cn/

讯飞星火认知大模型是科大讯飞精心打造的一款前沿人工智能产品，它在多个领域展现出了卓越的性能。

该模型的核心能力在于其强大的语言理解与生成功能。它能够准确理解用户的查询和指令，并生成流畅自然、逻辑严密的回复。这得益于讯飞星火在自然语言处理（NLP）技术方面的深厚积累，使其在对话系统、机器翻译、内容创作等方面表现出色。

除了语言处理能力，讯飞星火还具备丰富的知识图谱和推理能力。这意味着它不仅能够回答基于事实的简单问题，还能够处理复杂的逻辑推理和提供专业领域的深入分析。例如，在医疗健康、金融分析等领域，讯飞星火可以提供基于大数据和专业知识的决策支持。

图片

05

HOTSPOT

天工

网址：https://www.tiangong.cn/

天工AI是由昆仑万维与国内领先的AI团队奇点智源联合研发的一款大型语言模型，它拥有强大的自然语言处理和智能交互能力，能够实现智能问答、聊天互动、文本生成等多种应用场景，并且具有丰富的知识储备，涵盖科学、技术、文化、艺术、历史等领域。

特点与优势

  • 天工AI采用了业内顶尖的MoE专家混合模型架构，使得其在应对复杂任务时表现出色，模型响应速度快，训练及推理效率高，可扩展性强。
  • 它能够提供生成式搜索，深入挖掘用户真实意图，并敏锐地捕捉到查询语句中的上下文关系，从而得到更精确、更相关、更合心意的搜索结果。
  • 天工AI具备优秀的视觉理解、推理和指令遵循能力，能够满足图文对话、知识问答等多种用户需求，支持最高100K的超长上下文窗口。
  • 它能够根据上下文语义与用户进行多轮次的深度对话，无论输入问句、短语还是关键词，都能完成“追问”，实现深度搜索。

图片

06

HOTSPOT

通义千问

网址：https://tongyi.aliyun.com/

通义千问是阿里云研发的一款超大规模的语言模型，它在2023年9月13日正式面向公众开放。该模型的设计理念源自于其广泛的知识覆盖与强大的问题回答能力，其名称“通义千问”蕴含深意：“通义”意味着模型具备跨领域的普适性和深厚的知识储备，能够理解和回应来自不同范畴的问题；“千问”则强调了其回答问题的广泛性与多样性，无论是常见、复杂还是非常见的问题，通义千问都能够提供解答。

功能上，通义千问不仅支持基本的多轮对话，还拥有文案创作、逻辑推理、多模态理解（即理解文本以外如图像、声音等信息的能力）以及多语言支持等高级特性。这意味着它不仅能够与用户进行流畅的交互，还能进行创意写作、辅助决策、生成多类型内容，并适应多种语言环境，服务于全球用户。

在应用场景上，通义千问因其强大的灵活性和适应性，被广泛应用于金融、医疗、教育、物流等多个行业，作为AI辅助工具提升工作效率和智能化水平。此外，阿里云还推出了通义千问的移动应用程序，让个人用户也能在日常生活、学习、工作中享受到AI带来的便利，无论是创意激发、办公辅助、学习支持，还是娱乐互动，都能得到全方位的支持。

图片

07

HOTSPOT

豆包

网址：https://www.doubao.com/

豆包是字节跳动公司基于云雀模型开发的 AI。它能够提供聊天机器人、写作助手以及英语学习助手等功能，它可以回答各种问题并进行对话，帮助用户获取信息。

2023年8月17日，豆包公测版本上架，有网页端、iOS 和安卓客户端，预置了英语学习助手和写作助手两个功能。2024年5月15日，字节跳动宣布自家豆包大模型正式开启对外服务，豆包主力模型在企业市场的定价为0.0008元/千Tokens，大约为1500多个汉字，比行业便宜99.3%。

豆包具有以下一些特色功能：

  • 知识问答：可以准确回答各种领域的问题，包括科学、历史、文化、技术等。
  • 文本生成：能够创作故事、诗歌、文章等各种类型的文本内容。
  • 语言翻译：帮助进行不同语言之间的翻译。
  • 逻辑推理：可以进行逻辑分析和解答相关问题。
  • 对话交流：进行自然流畅的对话，理解用户意图并给予恰当回应。
  • 解释说明：对复杂概念、现象等进行清晰的解释和说明。
  • 创意启发：为用户提供创意和灵感。

图片

08

HOTSPOT

文心一言

网址：https://yiyan.baidu.com/

文心一言（ERNIE Bot）是百度公司基于文心大模型技术推出的生成式对话产品。它能够与人对话互动，回答问题，协助创作，高效便捷地帮助人们获取信息、知识和灵感。

文心一言是百度在人工智能领域深耕十余年后，拥有产业级知识增强文心大模型ERNIE基础上，推出的生成式对话产品。它具备跨模态、跨语言的深度语义理解与生成能力，在搜索问答、内容创作生成、智能办公等众多领域都有更广阔的应用场景。

文心一言不仅能够帮助人们回答各式各样的问题，提供准确的信息，还能够协助人们进行文本创作，如小说、文案、诗歌等。同时，它还能够根据用户的意图和需求，生成符合语境、流畅自然的文本内容。

在技术层面，文心一言采用了先进的深度学习技术和自然语言处理技术，通过大量的数据训练和优化，不断提升其语义理解和生成能力。同时，它还具备跨模态、跨语言的深度语义理解能力，能够理解和生成多种语言和媒体形式的内容。

图片

​

如何学习大模型

现在社会上大模型越来越普及了，已经有很多人都想往这里面扎，但是却找不到适合的方法去学习。

作为一名资深码农，初入大模型时也吃了很多亏，踩了无数坑。现在我想把我的经验和知识分享给你们，帮助你们学习AI大模型，能够解决你们学习中的困难。

我已将重要的AI大模型资料包括市面上AI大模型各大白皮书、AGI大模型系统学习路线、AI大模型视频教程、实战学习，等录播视频免费分享出来，需要的小伙伴可以扫取。

一、AGI大模型系统学习路线

很多人学习大模型的时候没有方向，东学一点西学一点，像只无头苍蝇乱撞，我下面分享的这个学习路线希望能够帮助到你们学习AI大模型。

在这里插入图片描述

二、AI大模型视频教程

在这里插入图片描述

三、AI大模型各大学习书籍

在这里插入图片描述

四、AI大模型各大场景实战案例

在这里插入图片描述

五、结束语

学习AI大模型是当前科技发展的趋势，它不仅能够为我们提供更多的机会和挑战，还能够让我们更好地理解和应用人工智能技术。通过学习AI大模型，我们可以深入了解深度学习、神经网络等核心概念，并将其应用于自然语言处理、计算机视觉、语音识别等领域。同时，掌握AI大模型还能够为我们的职业发展增添竞争力，成为未来技术领域的领导者。

再者，学习AI大模型也能为我们自己创造更多的价值，提供更多的岗位以及副业创收，让自己的生活更上一层楼。

因此，学习AI大模型是一项有前景且值得投入的时间和精力的重要选择。

标签
#人工智能 #chatgpt #语言模型 #ai #自然语言处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
未来已来？2026最新国内15家AI大模型应用盘点（附体验网址，持续更新） 未来已来？国内15家AI大模型盘点及体验网址，一起来看看吧！ 阅读详情

相关推荐

AI测试入门：什么是人工智能（AI）模型？

AI大模型，通常指的是规模非常庞大的机器学习模型。深度学习是其核心技术，通过多层神经网络结构模拟人脑的工作方式，允许模型从海量数据中自动学习和提取特征；这些模型的特点在于参数数量极其庞大，它们在预训练阶段就已经学习了大量通用的知识，之后可以通过微调适应各种特定任务；它们在多个领域都有广泛的应用，比如自然语言处理、文本生成、图像识别、语音识别等。

blues_C的博客 3284

【大模型】—AI大模型总体概述

本文将对AI大模型进行简要介绍，包括其定义、发展历程以及分类等。

crystal_csdn8的博客 2万+

NPP/VIIRS夜间灯光数据：从下载到应用的完整指南

本文提供了NPP/VIIRS夜间灯光数据从下载、处理到应用的完整实战指南。详细介绍了如何从官方源获取数据、解读文件结构、进行坐标校正与数据清洗，并深入探讨了其在城市扩张监测、社会经济指标估算、重大事件影响评估等领域的核心应用。文章旨在帮助研究者与从业者快速掌握这一强大的空间数据，将其转化为研究中的实用工具。

gpu4optimizer的博客 862

盘点2024国内热门AI大模型：哪个最好！

近年来，中国AI技术迅猛发展，特别是在大模型领域取得了显著成就。众多科技巨头和初创企业纷纷推出各具特色的AI大模型，这些模型在智能问答、知识推理、内容创作等多个方面展现出强大的能力。今天，我们来盘点一下国内几个主流的AI大模型。

helphelptongxue的博客 6962

Python实战：用NumPy实现LU分解与QR分解（附代码对比）

本文深入探讨了使用NumPy实现LU分解与QR分解的实战方法，通过代码对比分析了两种矩阵分解技术的原理、数值稳定性差异及核心应用场景。LU分解适用于高效求解线性方程组，而QR分解凭借其正交化特性，在求解最小二乘问题和处理病态矩阵时更具优势。文章提供了详细的Python代码示例，帮助开发者根据具体问题选择最合适的分解方法。

php55的博客 1212

voc与txt互转

voc2txt # coding:utf-8 from __future__ import print_function import os import random import glob import xml.etree.ElementTree as ET def xml_reader(filename): """ Parse a PASCAL VOC xml file """ tree = ET.parse(filename) size = tree.find('siz

weixin_44898889的博客 825

OpenClaw 在国内的热度逐渐降温了

绕了一大圈你会发现，几乎所有参与者都从这股热潮里拿到了点东西——有人赚到了钱，有人赚到了名，有人赚到了流量，有人赚到了吆喝，还有人赚到了吹牛的素材。只要故事还讲得下去，社区还在热闹，截图还在传播，教程还在更新，它就依然有"价值"。终于碰上了一批又新又肥的弱鸡——API Key 明文写在配置文件里，服务端口裸奔在公网上，简直是送上门的大礼包。用户越折腾，厂商越赚钱。这大概就是技术圈炒作周期的标准剧本——热度来得快，走得也快，留下的只有一地鸡毛和几篇过气的教程。项目火了，人也进了 OpenAI，名利双收。

芋艿V 546

永磁同步电机FOC控制实战：如何用线性死区补偿解决低速抖动问题（附Matlab仿真代码）

本文详细介绍了永磁同步电机FOC控制中线性死区补偿技术的工程实现方法，有效解决低速抖动问题。通过Matlab/Simulink仿真验证，该方案可将转矩脉动降低70%以上，显著提升系统稳定性。文章包含完整的数学模型构建、Simulink实现步骤及参数整定技巧，为工程师提供实用解决方案。

weixin_30872499的博客 154

第00篇-系列导读：按角色找到你的阅读路线

OpenClaw 实战系列是一套的 AI 网关实战教程，共，约 40 万字。它不是官方文档的翻译，而是一个开发者把自己踩过的每一个坑、调通的每一段配置、想明白的每一个设计决策，全部写成了可复现的实战指南——你跟着做，就能跑通。整个系列分为和你不需要全部读完——根据你的角色和目标，挑对应的路线就够了。

敏叔 972

从“跳变”到“连续”：深入理解霍尔传感器插值与PLL角度估算的优劣与选择

本文深入解析霍尔传感器角度估算技术，对比线性插值法和锁相环（PLL）跟踪法的优劣，为电机控制领域的工程师提供实用指南。通过STM32F407和CubeMX的实例，详细探讨两种方法的实现细节、性能对比及优化策略，帮助在不同应用场景下做出最优选择。

weixin_30855761的博客 557

YOLOv8模型INT8量化实战：解决sigmoid输出归零的坑（附代码修改）

本文详细介绍了YOLOv8模型INT8量化过程中遇到的sigmoid输出归零问题及其解决方案。通过修改模型导出代码、优化ONNX量化流程，并提供完整的部署优化技巧，帮助开发者在边缘计算设备上实现高效的模型推理。文章还包含量化效果验证和常见问题排查方法，助力开发者快速解决实际部署中的难题。

vvv99的博客 252

24.9k Star 开源神器：3 秒克隆任意声音，完全本地跑，可接入 Claude Code！

基于 Spring Cloud Alibaba + Gateway + Nacos + RocketMQ + Vue & Element 实现的后台管理系统 + 用户小程序，支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能。（多人对话 / 多角色播客制作）——多轨时间轴、不同角色台词放不同轨道、拖拽排列、轨道内裁剪 / 拆分——1940 年代黑色电影侦探。给副业 / 自媒体 / 研发的人——一个不上云、不付费、能批量产配音的本地工作室。

weixin_44421461的博客 464

钉钉开发（三）——Java推送钉钉待办任务

之前一篇博文中，讲解了如何推送钉钉群消息，感兴趣的可以点击查看。 钉钉开发（一）——Java给钉钉群推送消息

Monten_Cristo的博客 6410

为什么程序员不自己开发微信小程序这类似的东西赚钱？

但其实，光是技术岗就分前端，后端，测试，运维。小程序背后是一套成熟的商业玩法，就像一个运转良好的大型游乐场，有各种好玩的项目（应用），还有吸引游客（用户）的活动，更有源源不断的商家（开发者）愿意进来开摊位。普通程序员想搭建这样一个游乐场，既没有运营经验，也没有人脉资源，就好比一个从没经营过生意的人，突然想在繁华的商业街开一家超大型商场，还想把隔壁已经火爆多年的商场比下去，简直是天方夜谭。为了一个想法，开发了一个小程序，为了更多权限，注册了一个公司，为了能有更多流量，天天到处发帖、地推、打广告。

weixin_44421461的博客 60

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。

weixin_29735807的博客 321

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")

程序员裸辞全职接单一个月的感触！

假如你和我一样，并不是跟家里人住在一起，而是在外租房，没有公司的朝九晚五（996），你的时间概念可能会慢慢缺失，你的所有时间都需要你来掌控（虽然对于自律的人，这可能不是什么问题）。在大学的时候，我就接过我不太熟悉的 springboot + jquery 的毕设，和 .NET 桌面软件的修改，还有 process 设计，由于这个技术比较冷门，客户直接发学习资料，让我学一周之后再做。Q 群的用户端入口一般都是某宝店铺，如果想要接单的，可以加入一些 Q 群，也可以直接去找店铺然后联系客服，让他拉你进群。

weixin_44421461的博客 60

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，

TensorFlow相关组件的安装

TensorFlow相关组件的安装

AAI666666的博客 3930

C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

一文让你搞懂什么是AI大模型

AI大模型（Large AI Models）是指具有大量参数和复杂结构的人工智能模型。这些模型通常基于深度学习技术，能够处理大量数据并从中学习复杂的模式和关系。大模型的出现，极大地提升了AI在各个领域的表现能力。通过本文的介绍，相信你已经对AI大模型有了全面的了解。无论是自然语言处理、图像识别，还是自动驾驶、医疗健康，AI大模型都展现出了强大的能力和广泛的应用场景。希望本文能够帮助你更好地理解和应用AI大模型，推动你的技术创新和实践。

码上飞扬的博客 9978

什么是AI大模型（非常详细）从零基础入门到精通，收藏这篇就够了

瞧瞧这张表，OpenAI的GPT系列，Google的Gemini、PaLM，Meta的Llama……个个都是响当当的名号。参数量一个比一个吓人，发布时间一个比一个新。这哪是技术竞赛，分明是烧钱大赛！每个模型都吹嘘自己多牛逼，能干多少事。但用户真正能用上的、用得爽的，又有多少？别光看广告，疗效才是关键。而且，这些巨头们的技术壁垒越筑越高，小玩家还怎么活？

leah126的博客 6324

AI大模型知识点大梳理

AI大模型是指具有巨大参数量的深度学习模型，通常包含数十亿甚至数万亿个参数。这些模型可以通过学习大量的数据来提高预测能力，从而在自然语言处理、计算机视觉、自主驾驶等领域取得重要突破。AI大模型的定义具体可以根据参数规模来分类

yang1fei2的博客 3万+

盘点国产十大最实用的AI大模型！（深度解析）

在这个由数据驱动的时代，人工智能（AI）已经成为推动世界进步的超级引擎。从日常的语音助手到复杂的医疗诊断，AI的应用无处不在，它的影响力正以前所未有的速度扩展。今天我们来聊聊那些国产的AI大模型，深度盘点一下国产最实用的十大AI大模型百度文心大模型包含NLP（自然语言处理）、CV（计算机视觉）和跨模态大模型。在自然语言处理领域，文心ERNIE系列模型具有强大的小样本学习能力和基本推理能力。在计算机视觉领域，百度提出了基于视觉掩码技术的文心VIMER-CAE，具有强大的图像分割能力。

kaka0722ww的博客 9474

最近，大模型岗位爆了。。。

重磅消息，国资委打响了国内AI第一枪！这意味着传统行业又迎来了一次大洗牌，现在国内头部人工智能公司已经开始用AI数字人助力各行各业，除此之外，知名大厂也都在布局AI市场。懂的程序员年薪已经翻到风口之下，与其焦虑被行业淘汰，不如先人一步掌握 AI 大模型技术。为帮助大家提升竞争力，为了帮助普通程序员享受时代红利，

qq_46094651的博客 1014

【人工智能】未来已来，国内10家AI大模型盘点

阿里达摩院推出的大模型，拥有千亿参数，可用于智能问答、知识检索、文案创作等场景。

2301_76168381的博客 8169

2025年全球10大AI大模型排行榜出炉！中国独占6席

2025年是AI大模型的爆发之年，也是AI大模型发展的分水岭，谁能留在牌桌上，谁能引领AI最前沿，都是该见分晓的时候了。全球AI大模型那么多，究竟谁好谁坏？让我们拨开AI大模型的面纱，退去营销的潮水，看看谁是王者？谁在裸泳？ 我们从大模型的综合技术性能、生态影响力、场景适配性、创新价值、应用场景、用户体验等多个维度出发，为大家分享一份全球AI大模型的排行榜，赶快来围观一下吧！

2401_84204207的博客 2万+

2025 最好用的 AI 工具大全推荐，看这一篇就够了！【建议保存】

这一年被轰炸最多的问题是什么？ 那一定是——> “大佬，这个 XXX 是用啥 AI 搞的？” “求推荐！有没有能一键搞定 XXX 的神器？” 今天我来整理一篇 AI 工具合集，是时候再来一波终极安利了。 这次，我直接按 8 大分类，把目前最顶的 AI 工具扒了个底朝天： AI 聊天、AI 搜索、AI 编程、AI 绘画、AI 音乐、AI 视频、AI 智能体、AI 数字人…… 别再去翻那些过时攻略了，看完这篇，你的效率能直接起飞！

2401_85343303的博客 2万+

2024年度最佳 | 国内外AI大模型哪家强？

AI大模型在技术、应用和市场等方面展现出了前所未有的蓬勃发展态势，各行各业都在广泛使用AI大模型，例如搭建AI知识库以科学管理企业知识，这一趋势不仅标志着人工智能技术的飞跃性进步，也预示着未来社会的深刻变革和广泛应用前景。接下来就盘点一下国内外的热门AI大模型吧。

2401_85375151的博客 8213
上一篇： 中国 VC 谈大模型：AGI 是「理想国」，还是「乌托邦」？
下一篇： 大模型价格战的根源，或是大众对AI还没太大兴趣
点赞 5
评论 0
书签 书签 30
AI大模型_学习君
AI大模型_学习君
博客等级 码龄3年 6137粉丝 551原创
+ 关注
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
 
表情包 插入表情
表情包 代码片
 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