《证据规定》之有关专家辅助人申请和通知的操作性规定

法律AI工具横评:Kimi Work与WorkBuddy,谁更适合法律人? 在人工智能技术日益普及的今天,自然语言处理(NLP)和大语言模型(LLM)正深刻改变着专业领域的工作范式。其核心原理在于通过海量数据训练,使模型能够理解、生成和推理人类语言。这一技术价值在于将从业者从繁琐、重复的信息处理工作中解放出来,极大提升工作效率与知识获取的便捷性。在法律、金融、咨询等对文本处理要求极高的行业,AI助手已展现出在文档分析、信息检索和内容生成方面的巨大潜力。具体到法律应用场景,AI工具能够辅助完成合同审查、法律检索和文书起草等核心任务,成为专业人士的得力助手。本文聚焦于近期备受关注的两款 阅读详情

有关专家辅助人申请和通知的操作性规定

《最高人民法院关于民事诉讼证据的若干规定》第83条

当事人依照民事诉讼法第七十九条和《最高人民法院关于适用〈中华人民共和国民事诉讼法〉的解释》第一百二十二条的规定,申请有专门知识的人出庭的,申请书中应当载明有专门知识的人的基本情况和申请的目的。

人民法院准许当事人申请的,应当通知双方当事人。
专家辅助人的制度沿革

我国民事诉讼制度中有关专家辅助人的规定,最早出现在2001年《证据规定》之中。在2001年《证据规定》起草、论证过程中,有地方法院的法官提出,一些地方法院的法官提出,在对鉴定结论质证时,往往由于当事人和诉讼代理人均不具备相应的专业知识,而导致质证活动难以充分展开。对此,有些地方法院尝试建议当事人各自申请“专家”出庭,协助其对鉴定意见中有关专门性问题进行质证,取得了很好的效果。因此,他们建议将这种做法在司法解释中肯定下来,以解决审判实践中有关鉴定意见质证困难的问题。

2001年《证据规定》采纳了这种意见,在第六十一条规定,当事人可以向人民法院申请由一至二名具有专门知识的人员出庭就案件的专门性问题进行说明。人民法院准许其申请的,有关费用由提出申请的当事人负担。审判人员和当事人可以对出庭的具有专门知识的人员进行询问。经人民法院准许,可以由当事人各自申请的具有专门知识的人员就有案件中的问题进行对质。具有专门知识的人员可以对鉴定人进行询问。由于该条规定在审判实践适用中取得比较好地效果,且有的法院在没有委托鉴定情况下,通过将这种“具有专门知识的人员”适用到对诉讼中涉及的专业性问题陈述意见,较好地实现审判效率和保障当事人诉讼权利的平衡,在2012年《民事诉讼法》修改过程中,立法机关吸收了最高人民法院的意见,将其总结归纳后,形成《民事诉讼法》第七十九条的内容。《民事诉讼法解释》第一百二十二条、第一百二十三条延续了2001年《证据规定》第六十一条的精神,对《民事诉讼法》第七十九条的适用作出解释。本条规定是对《民事诉讼法解释》第一百二十二条中有关当事人申请专家辅助人的要求以及人民法院通知当事人的操作性规定。专家辅助人的申请和通知

据本条第一款的规定,当事人申请专家辅助人出庭的,首先应当以书面方式提出,即向人民法院提交申请书。《民事诉讼法解释》第一百二十二条对于当事人申请专家辅助人,只规定了可以在举证期限届满前提出申请,对于申请的方式未作规定。本条规定直接明确申请书所应载明的内容,意味着,申请只能以书面方式提出,口头申请并不发生申请的效果,未提交申请书的,视为未提出申请。如果当事人在人民法院询问、开庭审理过程中以口头方式当场提出的,其申请时间应当以其提交申请书时确定。由于当事人的申请行为可以视为其举证的行为,当事人提交申请书时间在举证期限届满后的,则产生逾期举证的后果,人民法院可以根据《民事诉讼法》第六十五条的规定处理。其次,专家辅助人的基本情况和申请专家辅助人的目的,是申请书的必要记载事项,须在申请书中载明。《民事诉讼法》及司法解释没有关于专家辅助人资格的规定,而基于其诉讼辅助人的地位,理论上和实务中一般认为对专家辅助人的资格亦无特别要求的必要。但诉讼中,当事人申请书中应当载明专家辅助人的基本情况,以便于人民法院通知以及开庭时核对专家辅助人的身份。申请专家辅助人的目的也应当申请书中载明,其原因在于,专家辅助人的作用在于对鉴定意见的质证或者对案件事实所涉及的专业性问题发表意见,明确当事人申请的目的可以相应的明确专家辅助人在法庭审理中参与诉讼活动的范围,便于对方当事人有针对性地进行准备,也便于人民法院的审理。

根据本条第二款的规定,人民法院准许当事人申请的,首先应当通知当事人。关于通知当事人的方式,2001年《证据规定》、2015年《民事诉讼法解释》及本规定均未作出规定。2003年1月9日印发的《〈最高人民法院关于民事诉讼证据的若干规定〉文书样式(试行)》中,对于准许或者不予准许具有专门知识人员出庭协助质证申请,均有专门的通知书样式。但对于是否以通知书方式通知当事人,亦未明确。我们认为,本条第二款并未对通知当事人的方式作出特别规定,故采取口头或者书面方式,有人民法院根据具体情况决定。无论哪种方式,均不涉及通知的合法性问题。采取书面方式通知的,在新的文书样式发布之前,可以参照适用原有的文书样式。其次,通知的对象是双方当事人。基于专家辅助人在诉讼中为辅助人的地位,专家辅助人参加诉讼亦体现为跟随当事人一同参与庭审活动,与当事人可以一体视之,人民法院没有必要对其进行专门的通知,只需要在准许当事人申请后,通知申请人即完成对专家辅助人的通知。对于对方当事人而言,人民法院的通知体现为对其诉讼权利的保障。通过人民法院的通知,可以由对方当事人更充分地进行相应准备,更好地进行攻击和防御,包括可以申请己方的专家辅助人等,以切实保障庭审的质量和效率。

审判实践中需要注意的问题

1.注意条文背后的法理,明确有专门知识的人的性质。自2002年开始,有观点认为,2001年《证据规定》第六十一条“具有专门知识的人员”性质为专家证人。经过我们多方解释、论证、澄清,理论界和实务界普遍认可“具有专门知识的人员”专家辅助人的性质以及诉讼辅助人的地位。但是,近年来,特别是2012年《民事诉讼法》修正后,一些学者和实务工作者对《民事诉讼法》第七十九条做了不正确的解读,尤其是在不了解立法背景、制度演进以及域外制度内容及运行状况的情形下所作出的解读,混淆审判实践中的认识,将“有专门知识的人”理解为专家证人的情况仍然一定程度上存在。

事实上,尽管专家证人和“有专门知识的人”都是基于当事人的聘请并经法庭准许进入民事诉讼之中、对当事人的诉讼活动提供帮助、由当事人承担其相关费用或支付报酬、在诉讼活动中参照或者适用证人作证的规则,但专家证人与“有专门知识的人”的相似是表面化的,二者存在实质性差别。

(1)二者功能的不同。“有专门知识的人”在诉讼中的功能只是单一的协助当事人就有关专门性问题的提出意见或者对鉴定意见进行质证,回答审判人员和当事人的询问、与对方当事人申请的“有专门知识的人”对质等活动也是围绕着对鉴定意见或者专业问题的意见展开的。法律、司法解释对于“有专门知识的人”活动范围、方式的规定,与解决审判实践中对鉴定意见质证困难的初衷密不可分。辅助当事人充分有效地完成诉讼活动才是“有专门知识的人”最主要的功能,其并不承担法官“专业助手”的职责。而专家证人的功能则是双重的。他在诉讼中,既要在事实发现上为法庭提供帮助,也要辅助当事人进行诉讼。而辅助法庭事实发现的功能是其最主要和优先的功能。

这种功能在英国《民事诉讼规则》实施前,在一个1993年的判例中,民事诉讼中专家证人的职责就已经被确定为“就其专业知识范围内的事项,以客观地无偏见的意见的方式,为法庭提供独立的帮助”,“专家证人绝不应当承担辩护律师的角色”。而英国《民事诉讼规则》35.3更将其明确为“①专家的职责是就其专业知识范围内的事项为法庭提供帮助;②这种职责优先于其对聘请他或向他支付报酬的人的责任”。专家证人的这种功能与大陆法上鉴定人的功能非常接近。

在大陆法系国家,鉴定的基本功能就是在法官面对因不具备专业知识而不能作出判断的事项时,由专家提供中立的意见以弥补其能力的不足,以达到对有关事项正确判断的目的。鉴定人在诉讼中被视为法官的助手,应当根据法庭的指示和派遣来履行职责。专家证人与这种功能上的差异,决定了“有专门知识的人”的性质和诉讼地位不是专家证人。由于专家证人制度与鉴定制度同样具有在事实发现过程中辅助事实审理者对专业问题作出决定的功能,如果我国民事诉讼制度在已经遵循大陆法国家的做法确立了鉴定制度的同时,再设置专家证人制度,欠缺必要性与合理性,也不符合法律规则创设的内在逻辑。

(2)英美法系国家和地区的专家证人尽管与事实证人相比较存在特殊性,但其诉讼地位仍然归属于证人范畴,遵循适用于所有证人作证的共同规则。然而根据民事诉讼法和司法解释中有关证人作证的规则,我国的证人制度并不允许证人表达意见证言,证人只能进行“体验性”陈述。这些规则与英美法系国家和地区对事实证人的要求是一致的。这种对证人的要求显然与本条关于“有专门知识的人”的要求是不相容的。因此,将“有专门知识的人”理解为专家证人的观点是不正确的,它势必导致“概念称谓上的混乱,理解上的不统一”,也势必影响该项规定在审判实践中适用的效果。

(3)“有专门知识的人”与日本《民事诉讼法》上的诉讼辅助人具有实质上的一致性。在日本《民事诉讼法》上,诉讼辅助人是指“随同当事人、法定代理人或诉讼代理人在期日里一起出庭,进行口头陈述的人”。其口头陈述的内容即是对当事人及代理人的陈述进行补充。由于诉讼辅助人只是法庭审理过程中的“附加人员”,因此他不能在法庭审理之外从事有关的诉讼行为。对于这种诉讼辅助人的资格,法律通常没有特别的限制,但一个人能否成为诉讼辅助人,仍需法庭的许可。而本条规定的“有专门知识的人”在法庭上的活动,同样是以对有关专门性问题进行说明陈述的方式,弥补当事人及代理人在能力上的不足;其活动范围也仅限于法庭审理中与专门性问题的有关的活动;对于这种“有专门知识的人”的资格,法律和司法解释没有提出特别的要求,其是否具有满足协助当事人就专门性问题发表意见、进行质证的资格,是当事人考虑的问题,但其出席法庭审理,仍然需要当事人的申请和法庭的许可。

可见,将“有专门知识的人”理解为诉讼辅助人是恰当的,符合立法和司法解释的本意和“有专门知识的人”的特点。而专家辅助人这一称谓,也能够准确反映“有专门知识的人”的本质。有关诉讼辅助人,有日本学者在论述时指出,“随着纠纷中专业化、技术化因素的增多,对于一些事项,即使是一些具有律师身份的诉讼代理人,也不具备这种专业知识,因此让这种问题的专家及技术者成为当事人或诉讼代理人的助手就显得极为必要。有鉴于此,近来也有观点倡导应当积极灵活地运用辅助人制度”。由此可见,在民事诉讼中涉及专业性问题时,日本学者的观点与我国的立法和司法解释的解决方案存在高度一致。

基于上述对于“有专门知识的人”性质的认识,对于审判实践中当事人根据《民事诉讼法解释》第一百二十二条规定申请所谓专家证人出庭作证的情形,应当向当事人进行释明,要求其按照法律、司法解释的规定更正申请的内容。而绝不应出现根据当事人申请通知所谓专家证人出庭作证、以专家证人的证言作为认定案件事实根据的情况。

2.要注意对当事人特别是对方当事人诉讼权利的保障。本条规定对于通知当事人的方式未作规定,由审理案件的审判人员灵活掌握,但这并不意味着可以忽视当事人权利的保障。一方当事人申请“有专门知识的人”获人民法院准许的,应当及时通知对方当事人,以保障对方当事人充分行使诉讼权利,有针对性地进行攻击和防御。

3.本条规定虽未规定当事人申请“有专门知识的人”未获准许的情形,但同样从保障当事人诉讼权利出发,人民法院应当通知申请人。至于通知方式,由于法律、司法解释并无特别规定,由审理案件的审判人员依法灵活处理。
法条链接

《中华人民共和国民事诉讼法》(2017年修正)

第六十五条 当事人对自己提出的主张应当及时提供证据。

人民法院根据当事人的主张和案件审理情况,确定当事人应当提供的证据及其期限。当事人在该期限内提供证据确有困难的,可以向人民法院申请延长期限,人民法院根据当事人的申请适当延长。当事人逾期提供证据的,人民法院应当责令其说明理由;拒不说明理由或者理由不成立的,人民法院根据不同情形可以不予采纳该证据,或者采纳该证据但予以训诫、罚款。

第七十九条 当事人可以申请人民法院通知有专门知识的人出庭,就鉴定人作出的鉴定意见或者专业问题提出意见。

《最高人民法院关于适用〈中华人民共和国民事诉讼法》的解释》(2015年1月30日法释〔2015〕5号)

第一百二十二条 当事人可以依照民事诉讼法第七十九条的规定,在举证期限届满前申请一至二名具有专门知识的人出庭,代表当事人对鉴定意见进行质证,或者对案件事实所涉及的专业问题提出意见。

具有专门知识的人在法庭上就专业问题提出的意见,视为当事人的陈述。

人民法院准许当事人申请的,相关费用由提出申请的当事人负担。

第一百二十三条 人民法院可以对出庭的具有专门知识的人进行询问。经法庭准许,当事人可以对出庭的具有专门知识的人进行询问,当事人各自申请的具有专门知识的人可以就案件中的有关问题进行对质。

具有专门知识的人不得参与专业问题之外的法庭审理活动。

《最高人民法院关于民事诉讼证据的若干规定》(2001年12月21日法释〔2001〕33号)

第六十一条 当事人可以向人民法院申请由一至二名具有专门知识的人员出庭就案件的专门性问题进行说明。人民法院准许其申请的,有关费用由提出申请的当事人负担。

审判人员和当事人可以对出庭的具有专门知识的人员进行询问。

经人民法院准许,可以由当事人各自申请的具有专门知识的人员就有案件中的问题进行对质。

具有专门知识的人员可以对鉴定人进行询问。

 http://www.wdsos.com

CMA软件实验室体系建设中的测试方法部分 在《检验检测机构资质认定评审准则》中,第十二条的第四个小节,是针对CMA软件实验室测试方法相关的要求。 (四)检验检测机构能正确使用有效的方法开展检验检测活动。检验检测方法包括标准方法和非标准方法,应当优先使用标准方法。使用标准方法前应当进行验证;使用非标准方法前,应当先对方法进行确认,再验证。 针对上述要求,CMA软件实验室可以从以下四个维度去展开理解。 阅读详情

相关推荐

AI提示工程避坑指南:为什么“You are an Expert”不是万能钥匙

大语言模型(LLM)本质上是条件概率预测系统,不具备身份认同或知识注入能力;其输出质量取决于指令的结构化程度与约束明确性,而非角色头衔。‘You are an Expert’类提示因缺乏可验证定义、忽略任务拆解与反馈机制,常导致幻觉输出、合规偏差与业务脱节。真正提升AI产出稳定性的路径,在于将模糊期待转化为可测量、可追溯、可证伪的工程化指令——如目标对齐、约束显化、过程拆解与反馈锚定。本文结合跨境电商、医疗器械、固件更新等真实场景,揭示角色设定失效原理,并提供经37家企业验证的提示词重构方法论。

weixin_30924087的博客 668

《证据规定》之关于鉴定人出庭的操作性规定

(2)如果当事人未提出申请,但是,审判人员包括合议庭根据案件审理的需要,对所涉及的专业性问题的复杂程度,当事人的争议程度等审查后,确定需要鉴定人出庭的,此时应当确定该出庭需求系因鉴定人作出的鉴定意见存在瑕疵导致还是因为其他原因导致,如果是因为其他原因导致的,则是否已经通知负有举证责任的当事人一方预交鉴定人出庭费用;3.在通知鉴定人出庭的时间、地点同时,应当把当事人要求鉴定人出庭的具体理由,或者人民法院要求鉴定人出庭的具体理由、需要着重说明的相关问题,以及需要当庭展示的技术性文献等告知鉴定人。

西数科技-专注于数据恢复与司法鉴定 1265

AI落地失败真相:不是技术问题,而是人机流程未校准

人工智能(AI)作为企业数字化转型的核心驱动力,其价值实现高度依赖与业务场景的深度耦合。从原理上看,AI并非独立运行的黑箱系统,而是需嵌入组织工作流、适配人员认知节奏、响应实时业务数据、并受制于既有流程规则的协同体。技术先进性若脱离‘人-流程-数据-技术’四维一致性,极易陷入指标幻觉与落地失效。典型表现包括模型准确率高但业务采纳率低、AI输出无法触发后续动作、数据时效性或相关性缺失导致决策失准等。本文聚焦AI项目‘最后一公里’卡点,以制造业巡检、物流分单、信贷风控等真实场景为切口,系统阐释如何通过需求穿透、

weixin_34162228的博客 652

《证据规定》之现场勘验

2001年《证据规定》第三十条规定:“人民法院勘验物证或者现场,应当制作笔录,记录勘验的时间、地点、勘验人、在场人、勘验的经过、结果,由勘验人、在场人签名或者盖章。为此,在前述法律、司法解释规定的基础上,本条对人民法院的勘验活动的操作性进一步进行了明确,对于保障人民法院勘验活动的开展,保障当事人相关的诉讼权益,具有重要的意义。”而2001年《证据规定》第三十条规定:“人民法院勘验物证或者现场,应当制作笔录,记录勘验的时间、地点、勘验人、在场人、勘验的经过、结果,由勘验人、在场人签名或者盖章。

西数科技-专注于数据恢复与司法鉴定 1986

4、联邦云计算决策与标准指南

本文深入探讨了联邦政府在云计算迁移过程中的决策框架与标准应用。内容涵盖云服务选择、采购模式变革、服务管理与SLA监控,并强调标准化在提升互操作性、可移植性和安全性方面的重要作用。NIST在标准制定中的核心角色以及标准开发面临的挑战与应对策略也被详细解析,为联邦机构和企业高效、安全地采用云计算提供了系统性指导。

java5的博客 55

挑战杯创业计划书怎么写?从模板到成稿的完整实战指南

创业计划书是连接创新想法与商业落地之间的关键文档,也是各类创业赛事评审的核心依据。一份逻辑闭环、证据链完整的计划书,往往比空泛的创意更能打动评委。从市场分析的漏斗式收窄,到技术描述的三层讲法,再到财务预测的单位经济模型,每一个板块都需要回答“凭什么能成”的追问。掌握这些底层写作原理,不仅能提升商业文档的专业度,也能让项目在答辩与评审中快速建立信任感。本文结合挑战杯评审的真实筛选逻辑,围绕作品模板的二次重构,系统拆解创业计划书从素材准备、板块写作到排版定稿的全流程,并梳理高频失分点与避坑方法,帮助参赛团队将普

weixin_29291573的博客 298

《证据规定》之对鉴定人询问的规定

由于其可靠性容易受到诸多社会、自然因素的影响,因此,为了确认鉴定意见的可信度,有必要给对方当事人深入质证的机会,如果对方当事人要求鉴定人出庭接受询问,则法庭应当准许。出庭的鉴定人、勘验人都是在某一领域有着独特造诣的具有专门性知识的专家、学者或者工程技术人员,故对他们的询问不仅要言之有物,言之有理,还要确保询问环境的相对宽松、自由、友好,对于拒不合作干扰鉴定人、勘验人作证的当事人、诉讼代理人或者旁听人员,审判人员应当及时制止,必要时可以依照《民事诉讼法解释》第一百八十一条的规定,立即采取拘留措施。

西数科技-专注于数据恢复与司法鉴定 897

MOSFET导通电阻Rdson全解析:物理组成、公式推导与工程选型要点

在功率电子设计中,MOSFET作为核心开关器件,其导通电阻Rdson直接决定导通损耗与系统效率。从半导体物理角度看,Rdson并非单一固定值,而是由源极电阻、沟道电阻、累积层电阻、JFET区电阻、漂移区电阻及衬底电阻等多个分量串联而成,并随栅极驱动电压、结温以及击穿电压等级发生显著变化。理解Rdson的物理来源与数学表达,有助于工程师在低压大电流与高压小电流等不同场景中合理选型、优化驱动电压并准确估算热损耗。文章从沟道电阻公式出发,深入剖析耐压与导通电阻的物理矛盾、温度系数的影响规律,并给出数据手册参数的正

weixin_29163857的博客 195

Qwen3-14B多场景效果展示:法律咨询、教育答疑、编程辅助高清截图

本文介绍了如何在星图GPU平台上自动化部署Qwen3-14B私有部署镜像,实现多场景AI应用。该镜像针对法律咨询、教育答疑和编程辅助等专业领域进行了优化,例如可快速生成符合法律条文的专业建议,显著提升工作效率。

weixin_42430341的博客 361

PX4实战指南:通过遥控器通道映射实现多舵机PWM精准控制

本文详细介绍了通过PX4飞控的AUX PWM接口实现遥控器通道映射控制多舵机的实战指南。内容包括硬件选型与连接、软件参数配置、通道映射方法以及常见问题排查,帮助开发者精准实现无人机舵机PWM控制,适用于云台、机械臂等扩展功能开发。

ee345的博客 304

ADS2023实战:2.4GHz超外差接收机从设计到链路预算全流程解析

本文以ADS 2023软件为平台,详细解析了2.4GHz超外差接收机从核心指标定义、架构原理到完整链路搭建与仿真的全流程。通过实战演练,重点阐述了如何利用ADS进行谐波平衡仿真和链路预算分析,以量化评估系统增益、噪声系数等关键性能,为射频工程师提供了一套从理论到仿真的系统级设计方法。

herb5的博客 817

吉林省政务信息化项目验收规定解读及其借鉴意义

政务信息化项目建设是数字政府建设的重要组成部分,而项目验收作为建设全过程的关键环节,直接关系到项目质量的把控和财政资金的使用效益。吉林省验收规定通过系统化、规范化的制度设计,为政务信息化项目验收提供了清晰的操作指引和制度保障。各地在完善本地区政务信息化项目管理制度时,可以充分参考吉林省的经验做法,结合本地实际,构建更加科学、规范、高效的项目验收制度体系。从框架上看,吉林省验收规定涵盖了验收时限、验收任务、验收依据、验收条件、验收组织、初步验收、竣工验收等各环节,构建了一套完整的验收制度体系。

2401_86538250的博客 409

使用 MATLAB/Simulink + Communications Toolbox + 5G Toolbox,构建一个2×2 MIMO-OFDM通信系统

本文通过Simulink+CommunicationsToolbox构建2×2 MIMO-OFDM通信系统,重点实现信道均衡滤波器(ZF与MMSE)的设计与应用。详细介绍了系统架构、建模步骤(包括信道估计、均衡器实现)和仿真场景设计,通过BER、星座图和EVM对比分析验证了MMSE均衡器在抑制噪声和信号恢复方面的优势。文章总结了MIMO均衡的核心原理与实践经验,并提出了扩展至大规模MIMO、深度学习均衡器等优化方向,为无线通信系统设计提供实用指导。

amy_mhd的博客 126

汽车保养举证困境:全国首例判决揭示车主质保维权关键

在汽车维修保养领域,产品质量担保与消费者自主选择权之间的平衡一直是核心议题。其原理在于,汽车制造商通过《家用汽车产品修理更换退货责任规定》设定了质保条件,要求保养行为需符合车辆使用说明书的技术规范。这一机制的技术价值在于确保车辆长期运行的可靠性与数据闭环,但实践中却形成了车主举证的高门槛。应用场景聚焦于保修期内车主选择非授权渠道保养后,出现核心部件故障并引发索赔纠纷时。此时,车主常面临需证明保养材料合规性、操作规范性及故障与保养无因果关系的多重挑战,而厂家则依托系统记录与技术信息优势占据主动。这一矛盾在近期

weixin_30819085的博客 422

Flow Matching03-01:微分方程【微分方程(描述变化规律的方程):包含未知函数和它的导数的方程】【公式解(精确)、数值解(逼近)】

好的,我将从数学角度详细解释Flow Matching,从高中生能理解的基础知识开始,逐步深入到高级概念。

u013250861的博客 219

OpenClaw与传统AI助手区别,为什么要本地部署

OpenClaw是一款本地部署的开源AI助手框架,与ChatGPT等云端服务相比具有显著优势。它支持完全离线运行,数据隐私性高,所有信息都存储在本地设备上,避免了云端服务的隐私风险。OpenClaw采用模块化设计,可自由定制功能,且无需支付订阅费用,只需一次性硬件投入。推荐在树莓派、迷你主机等设备上部署,最低配置仅需1核CPU和1GB内存。安装过程包含系统初始化、依赖安装、配置设置等步骤,支持通过systemd服务实现开机自启和后台运行。特别适合注重数据安全、需要离线使用或预算有限的用户群体。

一键难忘的博客 1689

软著申请避坑指南:高企申报中的知识产权账与源码文档要点

知识产权是高新技术企业认定中的重要评分项,软件著作权作为二类知识产权,因登记周期短、申请成本低、能支撑软件产品技术对应关系,成为许多企业补齐高企申报材料的关键选择。软著采用自愿登记制,无需实质审查,企业把已开发完成的软件整理成规范材料即可登记;理解登记表字段、源代码格式和说明书逻辑,能显著降低补正概率。在申报中,软著既能补充知识产权数量,又可与研发项目、高新技术产品形成证据链,支撑收入占比认定。不过它也有使用次数限制和权属一致性等要求,需要提前规划。围绕软著申请表的运行环境写法、源代码空行与行数规则、材料对

weixin_33827731的博客 284

OpenClaw实战系列02:企业微信接入完全指南

本文详细介绍了如何将OpenClaw与企业微信对接,实现智能机器人功能。主要内容包括:企业微信侧创建智能机器人或自建应用,获取必要凭证和权限;OpenClaw侧安装配置企业微信插件,设置通信通道;完成双向验证并进行功能测试。文章提供了详细的配置步骤、常见问题排查方法和进阶玩法,帮助用户在30分钟内完成对接。关键点包括:确保URL可访问、Token一致、网关正常运行,以及针对不同部署环境(云服务器/内网)的配置差异。

PeterPan的博客 3812

优快云付费专栏写作协议

如您上传、发表的付费专栏非原创作品或可能涉嫌侵犯他人知识产权,优快云将根据本协议及优快云服务条款的规定对您的优快云平台账号及您的付费专栏进行处理,包括但不限于关闭您的全部或部分付费专栏、冻结您账号内的收益、封停您的账号等。7.6、为了更好的向您提供服务,您授权许可优快云使用您的优快云平台账号昵称、付费专栏内容或其他由您提供给优快云且您享有知识产权或权利的信息或资料,且可以进行任何形式的复制、修改、排版、出版、汇编、宣传、发行及其他方式的使用,该授权许可是不可撤销的、无期限的。

———————————— 2481

# YOLOv11-seg改进系列 | 引入CVPR MetaFormer的C3k2_PoolingFormerCGLU模块,池化Token混合+CGLU门控MLP

本文引入 CVPR 2022 论文(MetaFormer/PoolFormer)提出的 MetaFormer 元架构设计,以Pooling Token 混合器 + ConvolutionalGLU(CGLU)MLP构成,将其封装为,用于替换 YOLOv11-seg 的 C3k2 块。对比维度C3k2(基线)C3k2_PoolingFormerCGLU(本文)参数量(n scale)2.46M≈2.49M9.6≈9.69.7(+1.0%)架构范式单阶段卷积MetaFormer 双阶段。

qq_44224801的博客 845

Statistics and Machine Learning Toolbox

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

AISMM 2.1强制升级:三类组织基线重标定实战指南

人工智能安全成熟度模型(AISMM)是评估AI系统全生命周期安全风险管理的核心框架,其原理在于通过治理、技术、数据等多维度控制点,系统化提升组织的AI安全防御能力。随着AI技术的广泛应用,尤其是大模型和生成式AI的普及,原有的安全边界面临新型威胁的挑战,这使得AISMM框架的技术价值日益凸显——它正从指导性建议演变为行业强制合规基线。在AI安全治理、模型供应链安全等关键应用场景中,AISMM 2.1版本的发布标志着监管要求的实质性收紧。本次升级特别强调了对**大模型(LLM)专项安全**和**供应链安全**

weixin_34246551的博客 405

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

AI不确定性管理:从概率认知到业务决策的实战指南

在AI落地实践中,‘不确定性’并非技术缺陷,而是模型本质——所有预测本质上都是基于证据的概率推断。理解概率的业务含义、掌握随机变量与分布的建模逻辑、运用贝叶斯思维实现动态更新,是构建可信AI系统的基础能力。尤其在风控、推荐、供应链预测等高 stakes 场景中,忽视不确定性会导致误判风险、资源错配与跨部门信任崩塌。本文聚焦AI领导者必须掌握的不确定性显性化、监控闭环与业务转化方法,融合概率校准、预测区间、证据链解释等关键技术手段,将抽象统计概念转化为可审计、可响应、可预算的工程实践,助力企业跨越‘模型上线即

子夜轻风 490

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!

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")

XAI落地实战:从业务对象、模型阶段到解释评估的全链路指南

可解释AI(XAI)不是给黑箱模型加个可视化图表,而是构建机器决策与人类认知之间的可信翻译系统。其核心原理在于匹配解释对象的认知粒度、适配模型生命周期的信任需求,并以业务可操作性为终极评估标准。技术价值体现在降低监管合规风险、提升业务方采纳率、支撑高危场景下的责任追溯。典型应用场景包括金融风控中的拒贷归因、医疗AI的病灶定位解释、工业预测性维护的故障根因推演。本文聚焦SHAP、LIME与反事实解释在真实产线中的选型逻辑、性能优化与可信交付,直击90%项目失败根源——解释权错配。

weixin_33795093的博客 442

Phi-3-mini-128k-instruct惊艳案例:将GDPR条款→企业合规检查清单+整改路径

本文介绍了如何在星图GPU平台上一键自动化部署Phi-3-mini-128k-instruct镜像,并将其应用于企业合规场景。该模型能够将复杂的GDPR等法规条款,快速转化为结构清晰、包含具体整改建议的合规检查清单,显著提升法务与合规团队的工作效率。

weixin_33245447的博客 174
上一篇: 《证据规定》之对鉴定人询问的规定
下一篇: 《证据规定》之对证据进行综合审核的认定
西数科技CDRSA
博客等级 码龄10年 881粉丝 170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