别再说不会训练大模型了!!

M5-TTS 端侧推理实战(02)|从 llama.cpp 到 Hexagon HTP:图、KV 和设备边界 M5-TTS 复用 llama.cpp 的推理框架,通过注入 embd 向量借壳运行,免费获得 KV cache、量化与后端调度。核心计算(backbone 与 depth core)部署于 HTP0,权重常驻,利用 Q8_0/Q4_0 降低带宽;而 heads 投影、采样、声码器等仍由 CPU 承担,因带宽敏感或无法适配 GGUF。每帧 15 次跨边界往返源于 FastRPC 调用链,虽可优化但非性能瓶颈。关键在于:模型在 NPU 只占 43MB 权重,其余计算仍依赖 CPU,真正实现的是“轻量 NPU 阅读详情

1. 背景

根据scaling law,模型越大,高质量数据越多,效果越好。

但还有一个很直观的情况,随着预训练样本的质量不断提升,训练手段的优化。新的模型,往往效果能轻松反超参数量两倍于它的模型。

例如,最新出的minicpm,微信内部评测效果也是非常棒的。跟规模相对接近的2b、7b模型比,得分比qwen2b高,和qwen7b比有的高有的低。

这个是minicpm的详细技术文档:

https://shengdinghu.notion.site/MiniCPM-c805a17c5c8046398914e47f0542095a

这说明,现有参数量情况下,哪怕是2B尺度,也并没有得到充分训练。

近期,邀请minicpm作者内部做了一个小范围分享,参与人员有国内好几个大模型团队的成员,基本上都是预训练为主。

很多人都签了保密协议,所以都是基于公开信息沟通。

提前约法三章,对面拒绝回答,就不要做一些比较不知趣的追问操作。

限制很多,但也得到了一些有趣的结论。

因为都是基于公开信息的讨论,放出来也无伤大雅,也欢迎大家的反馈。

参会人, 鼎叮, @swtheking(知乎), @孙培钦(知乎) ,殷超,晓楠, @孔某人(知乎)。还有一些不方便挂名的,这里就不写了。

2. 样本

2.1 样本构成

大家已经达成一些基础的共识。

如中英混合比例大家都大差不差。

逻辑推理比较强的样本,像代码,数学。这种就是模型越大,混合的比例反而可以越高。

跟SFT是类似的,越大的模型,越聪明的模型,需要的SFT数据就越少。同理,越大的模型,越聪明,复杂样本混合比例就可以越高。

2.2 样本质量

2.1.1 基本清洗

导致ppl崩掉的,都要清洗掉,政治敏感数据清洗,去重等,肯定是一个很长的pipeline。

大家比较一致的结论是,天工开源的那份预训练数据,是一个比较好的满足基础清洗要求的数据。

2.1.2 进阶清洗

大家都不太方便展开,但可以透露的信息。

跟SFT一样,产出各种各样的label来刻画数据,有的公司实习生就优化几个label。

不过随着优化的往后拓展,这些label的投入产出比越来越难以评估。

2.1.3 PHI式的生成(synthetic)数据

预训练清洗的pipeline搭建,对于开源团队,小公司来讲,成本其实还是蛮高的。

所以,基于开源数据,做一些聚类的topic。然后基于这些topic,丢到更大的模型,来构建一批高质量的数据,是一个反而比较低成本的方案。

2.1.4 买数据

嗯,这次大模型,除了李一舟。卖数据的公司,也是真的赚到钱了。

2.3 不同训练阶段的训练样本

经过讨论,发现有三种方案。

2.3.1 末期高质量样本(minicpm)

快速收敛阶段和平稳阶段,都采用普通样本。

退火阶段,混入高质量样本来做教科书式的学习。

2.3.2 初期高质量样本

快速收敛阶段,以高质量样本为主,让模型快速收敛。

平稳阶段,逐步调整比例,增加更多的普通样本。

退火阶段,跟平稳阶段一致

2.3.3全程高质量样本(PHIL方式)

全程都是高质量样本

这里大家讨论的蛮激烈的,有这么几点。

第一,初期就加入高质量样本,初期收敛的更快。但高质量样本少,不断的重复学习高质量样本,会不会导致过拟合?但反方认为,人类的本质上就是复读机,特别对于小模型,不断的重复学习,好像也没太大问题。

第二,初期学习高质量样本,会不会导致初期模型的初始化,局限在特定的区域,后面的普通样本学了之后,也不一定能很好的跳出来,会不会影响泛化?但反方认为,末期加入高质量样本,反而会不会因为最后加入高质量样本,导致泛化能力受损,集中在高质量样本的领域?

第三,PHIL方式,大家很快达成一致,PHIL就是探索小模型能不能在特定领域达到SOTA。好处,特定榜单/领域效果会特别好。坏处,模型泛化能力会很差(但PHIL从来没说要做世界模型。

2.4 小模型样本的极限在哪?

到底喂了多少tokens,小模型参数才算是充分得到训练?

当天讨论,并没有一个很好的结论。

最近YI-9B的公开技术文档,做了一个有趣的尝试。把每层的输入和输出算cos,来评估模型是否训练的非常充分。

但内部讨论后,发现这种尝试有一个巨大的遗漏点。

前段时间,我们做long context调研,也是把每层也都单独做了一个分析。结论是,如果模型深度足够的话,有些层其实区分度是在降低的,相当于几层做了一层做的事情。

以及,另外一个可能,小模型每一层cos都小,有可能每一层在干不同的事,或者每一层都会注意到新的东西。大模型某些层cos大,有可能是因为句子太简单,大模型对结果更加肯定,靠后的层的功能没有被激活。

感觉这种评估方式,仍旧有一定的优化空间,也期待业内能公开更多好用的评估方式。

3. 训练

3.1 tokenizer

小模型过大的tokenizer的确是一种浪费。很多小模型有大tokenizer,一个潜在的可能性,作者人力不足,直接是把大模型的tokenizer拿来复用了。

3.2 阶段

现在大家预训练分成三个阶段。

快速收敛阶段,稳定阶段,退火阶段(minicpm比较显式的提出这个阶段)

3.2.1 为什么要分阶段

这个阶段来自于大家对loss曲线的观察,发现loss曲线的收敛就是这么一个特点。

然后,大家发现不同的loss曲线阶段,做一些针对性样本和参数的调整,能带来更好的效果,于是就这么分了。

3.2.2 不同阶段学的是什么东西?

首先,我们现在的评估手段还是比较粗糙的,假如有了更细的评估手段,可能能观测到更多有趣的东西。

例如之前俊林做过关于涌现的分享,涌现从指标观测来看,就是突然出现的。但当把指标细化后,可以发现这个涌现好像也没那么突然,这个可以参考https://arxiv.org/abs/2310.03262把原本离散的准确率在1e-5级别的时候的值估计出来了。

但反方这里又有不同的观点,我们用物理学的一个理论来解释涌现。

我们可以把涌现替换成相变来聊一聊它和指标突变的辩证关系:当我们谈论相变时,我们指的是物质从一种状态转变为另一种状态的过程,比如水从液态变成固态的过程(冰冻)或者从液态变成气态的过程(蒸发)。而指标突变通常指的是某种性质或者物理量在某个条件下突然发生明显的变化,比如在某个温度或者压力下,某种物质的导电性、磁性或者其他性质突然发生变化。

相变与指标突变之间存在着密切的关系,因为相变往往伴随着物质性质的突变。当物质经历相变时,它的一些性质会突然改变,这些性质就是我们所说的指标。举个例子,当水温降到0摄氏度以下时,水会由液态变成固态,这就是相变,同时水的密度也会突然增加,导致它的体积变小,这就是指标突变。

虽然相变往往伴随着物质性质的指标突破,但是不意味着不突变就不是相变,指标的突变不是相变的重点,相变的重点在于从一个状态/性质,变成另外一个状态/性质,这两种状态有着很不一样的差别。

尽管可以使用一些技巧方法来构造一些看起来特别平滑的指标来反对大模型涌现这个词汇,但是不可否认的事实是,在不同的尺寸变化或者数据量、计算量变化之后,人们可以非常明显地感知到大模型表现的巨大差异,这就是一个相变的结果,就像是炼制一门18连环刃的法器,从第一把的炼制到第18把,从个数的指标上来说是非常平滑的,但是从威力上来说,18把可以构建一个法阵,极大地增加了武器的威力,与之前不可同日而语。

3.3 batch size

老调重弹的问题。

2020年,transformer出来后,当时大家就碰到这么一个问题。模型太大了,用尽可能能塞进内存的batch size去train模型,来提升速度。

很快,大家发现batch size有个trade off。

batch size过小,波动会比较大,不太容易收敛。但这种波峰,也有助于跳出局部最优,模型更容易有更好的泛化能力。

batch size变大,步数整体变少,训练的步数更少,本来就波动就小,步数也少,同样本的情况下,你收敛的会更慢。

2020年其实有人就研究,如何用大batch size,更快的训练的同时,也能收敛的更好。一个解决思路是优化了优化器,例如谷歌当年出的LAMB,就把batch size从512扩充到了6w,收敛效果也不错。

3.4 LR scheduler

机器学习的目标,都是为了收敛loss,让学习的target和我们预测的target的loss尽可能低。

学习的过程,就是基于样本,分批(batch size)丢进去。根据过去,现在学习的效果,来决定参数更新的方向和大小。

batch size这里是很清晰的。比较纠结的点是,优化器和LR scheduler这俩好像边界不是很清晰。

3.4.1 LR scheduler是什么

假如我们要下山,山脚就是我们的目标,learning rate就是我们每一步要走多远。如果速度太快,可能开到山脚后,发现刹不住车,还会往山上多开一会,于是这样反复在目标处来回震荡。如果太小的话,到山脚的速度又太慢了。

现在主流的就是cosine,初期warmup learning rate线性增长,然后learning rate就是以余弦函数的周期方式周期性变换。

3.4.2 优化器做什么?

优化器核心要解决的问题,初期怎么更好的学,那些地方要加速学,那些地方容易陷入局部最优,要如何跳出来。

现在的主流做法都是基于历史的反馈。

类似于爬山,某个地方你发现爬的很慢,那么就加下油门。有的地方你发现是下坡路,跑的贼快,那就就要松下油门,免得油门太快,直接从主路跑出去了。

从momentum,到adagrad,再到adam,这两年还有人在各种折腾。

3.4.3 优化器和LR scheduler如何协同工作?

问题就来了,LR scheduler决定了learning rate的大小。优化器也会根据历史情况来自动调整。

这俩会不会冲突?

优化器的优点刚刚说了,但它的缺点就是无论优化器怎么说的高大上,它本质上还规则,是大家基于调参经验,或者一些假设,定的规则。

规则就很难完美适配所有任务,事实上2020年左右,大家就发现不同的任务上不同的优化器效果是不同的。例如当年的炼丹经验,计算机视觉优先使用SGD(with Momentum),NLP(特别是用Transformer)优先使用Adam,现在CV都上transformer了,那么就又切到了AdamW。

除此之外,还有一个learning rate decay的问题,但这个偏经验,并不一定完全solid!

用CIFAR或者ImageNet跑一跑常见的模型,就会发现,最后如果不把learning rate降低下去,loss很难收敛到一个很小的数字。

SGD和Adam的收敛性证明也都是要求learning rate最后会降到足够低的。但自适应优化器的学习率不会在训练中自动降到很低。

现在大模型预训练,大家其实最关注的就是这个loss的收敛效果。

这个时候,LR schedule的出现就是一个比较好的补充,能够补足优化器的一些问题。

所以,你可以理解为,现在我们没有一个完美的油门,所以搞了俩油门,互相辅助。

优化器是个老司机的油门,好用,但人类的经验是有局限性的,很容易陷入局部最优跑不出来。

LR schedule像是一个全局的油门,定期更新,帮助老司机跳出局部最优。

3.4.4 W-S-D的讨论和优化方案

minicpm提出了W-S-D LR scheduler,但stable阶段高learning rate,相当于把调节油门的压力全给到优化器了。

但S-D的确也有很多好处,例如我想train到什么时候就train到什么时候。

这里提出了一个解决思路,W-S-D 是不是可以改成,warm-cosine-stable-decay,cosine占据训练阶段大头,甚至多个余弦波段,余弦波段多了,如上文所说,是不是能更好的跳出局部最优?

快要结束训练的时候,把cosine的learning rate给升上去,走一段stable+decay。

3.5 退火加sft & “和面”

前段时间,业界流行一个说法,你发现某块效果差,在预训练最后阶段补充一些类似的数据,效果就会蹭蹭的往上涨。

简称,和面——水多了加面,面多了加水。

刚开始,大家都很鄙视这种行为,觉得这种行为不就是刷榜么?

但现在我们来探讨这块的合理性,minicpm可以算是更进一步的“作弊”了,如果按照之前的观点。他都直接把sft数据混入了预训练数据里面,更加明目张胆的“刷榜”。

我个人觉得这里可以用两个角度去理解:

角度一,模型学习的训练动态角度,在退火的时候loss下降较stable和正常的cosine都要快,证明这里的学习效率在提升(最聪明的时候?),而此时在这一刻使用高质量数据来喂给模型, 可以尽可能发挥高质量数据的作用;

角度二, SFT数据较正常的文本数据, 我猜测会更偏向于benchmark一些,因为SFT很多都是"QA型"结构的数据, 对于模型认识bechmark有一定的改善。

之前预训练完毕后,直接上SFT数据,语料分布差距很大,其实天然是不太好的。这种作弊的行为,只要控制样本比例得当,反而能保证后面通用对其的一致性。

4. 再看scaling law

随着一些common sense的建立,scaling law的指导意义的确是在不断下降的。

举个例子,假如我有300张卡,我要train多大的模型?

计算方式,往往就变成,我大致知道训练1T-2T tokens效果往往就不错了,这个模型两个月后我想赶一个发布会。那么就来反推,1T的tokens训练2个月,300张卡能train多大的。

但我们回到2020年,当大部分人都在基于bert做各种魔改的时候。

OpenAI发现了这么一个规律。数据,训练,参数一直增长下去,好像loss的确是在不断的下降哎?

于是,他们拿着这个paper去问微软的CTO,你想不想看看这个loss下降到一定程度会发生什么?

会发生什么?

chatgpt就出来了

​

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。

GrootN1-Llama 是decoder-only 自回归 Transformer -5 SmolLM2 是一个 24 层、2048 维、SwiGLU + RMSNorm + RoPE + FlashAttention-2 的 Llama 架构 decoder-only LLM;在 GR00T-N1 里它不生成文本,而是把"文本 token + SigLIP 视觉 token"混合后做一次前向,取最后一层 hidden 作为多模态融合特征,投影到 1536 维后喂给动作头做条件。它是整个 VLM 骨干的"融合中枢"。自回归 = "用已看到的前文预测下一个,再把它接回去继续预测"的串行生成范式; 阅读详情

相关推荐

「文智助手」全场景办公AI助理AI+OPC全流程实践方案(大赛作品)

「文智助手」全场景办公AI助理AI+OPC全流程实践方案(大赛作品)

jks212454的博客 467

别再说提示工程过时了!这5个高阶玩法才是拉开差距的关键!零基础小白收藏这一篇就够了!!

近来,随着模型智能越来越高,一种论调甚嚣尘上:“提示工程已死,模型足够聪明了”。然而,事实果真如此吗?

嘴巴吃糖了 974

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。

专注于计算机研发知识和资讯分享 519

MLPerf Storage v3.0:Alluxio分布式缓存实现147GiB/s Llama 3大模型checkpoint写入性能

在最新 MLPerf Storage v3.0 测试中,Alluxio 验证了一套成熟且可落地的架构方案:全量 AI 持久化数据集保留在 Amazon S3 对象存储,同时在 GPU 计算侧部署分布式缓存层,为 AI 集群提供高性能的数据访问通路。

Alluxio的博客 349

ComfyUI 使用 LLaMA-Factory 微调的 Qwen3.5:从模型导出到工作流出图--晨羽算力平台

这次问题的关键是区分“模型文件能否加载”和“当前推理栈能否正确执行增量解码”。LLaMA-Factory 导出的模型能在 vLLM 中正常工作,并不意味着 ComfyUI 一定会走相同的计算路径。先用最小文本工作流验证,再按当前 ComfyUI 版本部署补丁、重启正确的后端进程,最后恢复完整图像工作流,可以更快定位问题。

qq_40881695的博客 358

海思Hi3061M MCU:为高速吹风筒市场注入智能动力

此外,海思还提供了丰富的软件开发工具和生态环境组件,帮助开发者快速实现复杂功能。高速吹风筒因其高效的风力和快速的干燥效果,近年来在市场上越来越受欢迎。然而,传统的高速吹风筒在性能、噪音和使用寿命等方面仍有改进的空间。凭借其高性能、低功耗、低噪声和易用的开发工具,为高速吹风筒市场带来了全新的解决方案。这不仅提高了用户的使用体验,还延长了电机的使用寿命。这不仅减少了电机的电磁噪声,还提高了电机的运行效率。还支持风机顺逆风启动适配多种电阻范围的电机,进一步提高了吹风筒的适用性和灵活性。

2401_83448585的博客 2016

【回眸】Llama.Cpp 本地大模型高效部署与应用实战

在本地运行大语言模型曾经是很多开发者的梦想,但高昂的服务器成本和复杂的部署流程往往让人望而却步。随着模型量化技术的成熟和推理引擎的优化,如今我们完全可以使用普通的消费级显卡,在自家电脑上流畅地跑起几十亿参数的大模型。这不仅仅是为了节省成本,更重要的是,它意味着我们可以将敏感数据完全保留在本地,无需上传到任何云端服务,从而真正实现数据的私有化和安全可控。对于许多需要处理内部文档、编写代码辅助工具或构建个人知识库的开发者来说,本地化部署提供了一条切实可行的路径。

啤酒鸭的物联网开发记录博客 373

Cadence Allegro 17.4学习记录开始01-原理图Capture CIS 17.4

Orcad的学习记录

qq_31444421的博客 1万+

Ollama报llama-server binary not found排坑实录:服务活着引擎没了

Ollama 的 API 层、引擎层、模型层是三个独立的东西,报错先分清哪层坏了。就是典型的"引擎层文件级丢失",Test-Path一下引擎目录,五秒钟定性,剩下的就是重装 + 手动重启计划任务两步。日常防复发:清理软件白名单罩住安装目录;升级 Ollama 后记得;重要机器上定期看一眼引擎目录的文件数,从 30 多个变成 0 是有前兆的。你有没有遇到过类似的"进程活着但核心文件没了"的故障?最后查出来是被什么干掉的——清理软件、杀毒、还是某次更新?评论区聊聊,我怀疑这类"清理误删"比想象中普遍得多。

weixin_55357163的博客 156

详解Numpy中的transpose方法

最近在学Numpy碰到了关于数组转置和换轴的概念,尤其是对tanspose方法有些疑惑,尤其是多维,查了不少资料,终于搞懂了。 Numpy数组的轴(axis) 所谓的**轴(axis)**可以理解为数组的维度。 具体而言,二维数组就是有两个维度,如果从空间上看,它就是一个平面,由x轴和y轴构成,而与此相对应的,该二维数组就有两个轴,x轴对应0轴,y轴对应1轴。 同理,三维数组有三个维度,空间上...

BlankGrid的博客 940

OnlyOffice Docker部署实战:解除20连接限制+500M文件上传配置(附中文字体解决方案)

本文详细介绍了OnlyOffice企业级Docker部署的全过程,包括解除20并发连接限制、提升文件上传大小至500MB以及解决中文字体显示问题。通过定制镜像、优化配置和字体安装,帮助技术团队快速搭建高性能的文档协作平台,适用于企业级应用场景。

weixin_26850069的博客 444

2026.11.14 AI产业深度解读|英伟达管理层风波;llama.cpp 1.0正式发布;OpenAI组织与产品双线变动

11月14日AI行业多条重磅事件集中爆发:英伟达传出CEO人事变动传闻,董事会与媒体消息出现矛盾;本地推理标杆项目llama.cpp迎来1.0.0正式大版本;OpenAI解散独立机器人团队、上线ChatGPT Wallet智能体支付能力;同时资本市场科技巨头股价剧烈波动。本文区分媒体传闻与官方澄清,从硬件供应链、本地推理、Agent产品、组织战略四个维度,输出开发者视角解读与落地启示,适合大模型开发者、Agent工程师、技术管理者阅读。关键词英伟达人事;OpenAI机器人团队;本地大模型;AI产业观察。

分享日常学习生活 285

在RStudio中使用GitHub Copilot:代码自动生成,从此告别手敲!

可以通过自定义提示词来引导Copilot生成符合自己需求的代码。再看一个做统计分析的。

Codewar的博客 335

Gemma 4 12B 本地部署实战:llama.cpp 配置与五项实测

谷歌开源的Gemma 4 12B多模态模型首次实现图像、文本、音频原生统一输入,支持120亿参数与256K超长上下文,兼具高效推理与轻量部署优势。通过llama.cpp可在消费级显卡上流畅运行,实测其在代码修复、音频理解、图像分析等任务中表现优异,尤其在原生音频处理与多模态融合上突破传统框架限制,是本地AI应用的“甜点级”理想选择。

软件工程师文艺 257

【DRAM存储器五十一】LPDDR5介绍--DFE与Pre-Emphasis

简述LPDDR5的DFE和预加重应用设置

highman110的博客 711

MinerU 系列教程 第六课:VLM 后端 - 视觉语言模型的力量

本篇教程将深入 VLM 后端的端到端推理架构。在上一课中我们看到 Pipeline 后端如何用 7+ 个专用模型组成流水线,本课将展示一种截然不同的设计理念 —— 用一个视觉语言模型(VLM)完成所有识别任务。你将了解 6 种推理引擎的选择与配置、MinerUClient 统一接口、二步提取策略,以及 VLM 原始输出如何转换为 MinerU 的标准 Middle JSON 格式。

weixin_43674738的博客 206

零配置微调大模型:用 LLaMA-Factory 社区镜像在 32G 显卡上跑通 Qwen3.5-4B LoRA(全流程实操)

本文手把手演示如何在32G显存云服务器上,通过社区镜像零配置微调Qwen3.5-4B模型。全程无需安装环境或编写脚本:仅需上传ShareGPT格式数据集、注册dataset_info.json、使用WebUI下载模型并点选LoRA参数即可完成训练。关键步骤包括数据格式规范、注册表配置及参数调优,适合首次进行SFT的用户快速上手。

qq_40881695的博客 330

5G无人机安全研究综述

国内多所高校提出混合信任模型,南京航空航天大学于2020年提出了起源信息感知的无人机网络信任模型[26],模型基于报文的完整性对报文创建和操作节点的行为评判并生成观测证据,收集证据进行信任评估,识别网络中的恶意节点并进行路由隔离,实现准确的对等信任评估。同时,5G技术的高速率、高可靠性、低时延等特点,能够为无人机提供实时高清图像回传,保证通信网络的稳定,拓展无人机飞控距离限制,丰富了5G无人机的应用场景。5G和无人机技术的融合,丰富了传统无人机的应用服务场景,然而5G无人机仍存在安全隐患。

weixin_70923796的博客 770

AI 问数真的能替代 BI 报表吗?

AI问数赋能自然语言查询,提升临时分析效率,但无法替代传统报表。报表适用于稳定输出与持续监控,AI则擅长探索性提问。企业用好AI问数,关键在于夯实数据模型、统一指标口径、健全权限体系与结果校验机制。合理组合报表、仪表板与AI,才能实现高效、准确的业务洞察。

葡萄城技术团队博客 337

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

【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。

nice_lcj520的博客 614

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

ChatGPT、Perplexity、Gemini 与 AI Overviews 引用对比:谁的引用更可信

AI 引擎的引用机制差异很大:ChatGPT 以行内引用加 Sources 列表呈现来源,Perplexity 几乎逐句可溯源,Gemini 在回答中内嵌相关来源链接,AI Overviews 则把多源聚合答案与来源列表一起放在搜索结果顶部。本文从引用透明度、来源偏好、可干预性 3 个维度对比这 4 个引擎,并给出 GEO 的 3 点启示,帮企业在多引擎环境下提升被引用的概率。

淡然一笑 的专栏 272

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

抽象主义人工智能和生命体AI的内在联系

彭军辉提出“抽象主义人工智能”作为第四大AI范式,批判符号主义、连接主义、行为主义剥离生命本体的误区,确立“智能是现象,生命是本体”的核心公理。主张原生智能必须依附具备存续诉求的生命本体,提出“生命体AI理论”,构建七层演化阶梯与自闭环工程框架,强调智能不可跳过底层存续机制直接模拟语言。该体系为生成式AI提供科学边界,推动从“仿真表象”向“原生智能”的范式跃迁,开辟硅基人工生命新赛道。

抽象主义人工智能和生命体AI 206

OpenAI Control Room 架构拆解:给企业 AI Agent 加一套可审计的急停系统

OpenAI 公开了用于追踪和停止研究模型工作负载的 Control Room。本文拆解 job_id、推理前鉴权、35 秒撤销窗口与 Fail Closed 设计,并给出企业 AI Agent 急停控制面的数据模型、FastAPI 参考实现、缓存撤销策略和故障演练清单。

jerry764的博客 339

OpenClaw 深度调查:把 AI 助手做成你自己的控制平面

对 openclaw/openclaw 的完整技术尽调:Gateway 架构、Agent 运行时、工具与沙箱、30 个消息通道、181 个插件、安全信任边界、工程代价与采用建议。17 章 / 10 张图,全部数字标注口径,数据截至 2026-10-31。

厚积薄发 348

AI赋能智慧港口建设|造形家快速生成港口全要素三维场景

随着智慧港口、港口数字孪生项目的持续推进,港口三维场景的需求日益旺盛。传统港口三维建模,往往需要航拍倾斜摄影采集数据,再人工搭建吊机、岸桥、船舶、集装箱等大量工业设施模型,项目周期长、人力成本高,修改迭代繁琐,制约港口可视化项目落地效率。国产AI三维建模工具,依托卫星影像 AI 识别能力,无需航拍作业,一键快速搭建港口完整三维场景,为港口数字孪生、方案汇报、投标演示提供高效的场景解决方案。

m0_69539167的博客 83

从设备增点到治理闭环:老旧小区物业数智化落地实践

系统连接合同审批、银行流水、收费记录与项目台账,执行到期提醒、收入核验、异常标色和月度对账,让每一笔资金来源明确、去向可查。针对设施老旧、诉求响应慢、公共收益不透明等问题,津南以6类小区为试点场景,统一建设物业数字化底座,关联楼栋、单元、房屋、业主、空间、设施设备、工单、公共收益等核心数据。系统采用统一编码管理,将摄像头、路灯、井盖、道路、绿化等设施纳入资产台账,解决纸质记录更新滞后、故障责任难追溯的问题。基于历史工单建立分类模型和知识库,辅助识别照明、给排水、电梯、环境秩序、秩序维护等问题;

wuyeshuzhihua的博客 157
上一篇: 可验证大模型输出、训练来源,斯坦福提出“统一归因”框架
下一篇: “慢公司”小红书,加速布局大模型
爱喝白开水a
博客等级 码龄3年 6793粉丝 763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