LFM2 模型介绍

最新推荐文章于 2025-11-23 19:13:18 发布
原创 最新推荐文章于 2025-11-23 19:13:18 发布 · 267 阅读 · 5 ·
CC 4.0 BY-SA版权
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。
文章标签：

#llm #人工智能

模型介绍

LFM2 是 Liquid AI 推出的新一代混合模型，专为边缘 AI 和端侧部署而设计，在质量、速度和内存效率方面树立了全新标准。

此次开源了四个经过后训练（post-trained）的模型权重，参数量分别为 3.5 亿（350M）、7 亿（700M）、12 亿（1.2B）和 26 亿（2.6B）。这些模型具备以下关键特性，可助力开发者构建强大的端侧 AI 应用：

  • 训练与推理更快速：LFM2 的训练速度相比上一代模型提升 3 倍；在 CPU 上的解码（decode）和预填充（prefill）速度也比 Qwen3 快 2 倍。
  • 卓越性能表现：LFM2 在多项基准测试中均优于同规模模型，涵盖知识理解、数学推理、指令遵循以及多语言能力等多个维度。
  • 全新架构设计：LFM2 采用 Liquid AI 新一代混合架构，融合了乘法门控（multiplicative gates）与短卷积（short convolutions）。
  • 灵活部署支持：LFM2 可高效运行于 CPU、GPU 和 NPU 等多种硬件平台，轻松部署到智能手机、笔记本电脑或车载设备等边缘终端。

模型加载

from modelscope import AutoModelForCausalLM, AutoTokenizer

# Load model and tokenizer
model_id = "LiquidAI/LFM2-1.2B"
model = AutoModelForCausalLM.from_pretrained(
    model_id, 
    device_map="auto",
    dtype="bfloat16",
)
tokenizer = AutoTokenizer.from_pretrained(model_id)

Downloading Model from https://www.modelscope.cn to directory: /home/wangxu/.cache/modelscope/hub/models/LiquidAI/LFM2-1.2B

2025-10-11 16:32:25,472 - modelscope - INFO - Target directory already exists, skipping creation.

Downloading Model from https://www.modelscope.cn to directory: /home/wangxu/.cache/modelscope/hub/models/LiquidAI/LFM2-1.2B

2025-10-11 16:32:30,953 - modelscope - INFO - Target directory already exists, skipping creation.

模型结构

model

Lfm2ForCausalLM(
  (model): Lfm2Model(
    (embed_tokens): Embedding(65536, 2048, padding_idx=0)
    (layers): ModuleList(
      (0-1): 2 x Lfm2DecoderLayer(
        (conv): Lfm2ShortConv(
          (conv): Conv1d(2048, 2048, kernel_size=(3,), stride=(1,), padding=(2,), groups=2048, bias=False)
          (in_proj): Linear(in_features=2048, out_features=6144, bias=False)
          (out_proj): Linear(in_features=2048, out_features=2048, bias=False)
        )
        (feed_forward): Lfm2MLP(
          (w1): Linear(in_features=2048, out_features=8192, bias=False)
          (w3): Linear(in_features=2048, out_features=8192, bias=False)
          (w2): Linear(in_features=8192, out_features=2048, bias=False)
        )
        (operator_norm): Lfm2RMSNorm((2048,), eps=1e-05)
        (ffn_norm): Lfm2RMSNorm((2048,), eps=1e-05)
      )
      (2): Lfm2DecoderLayer(
        (self_attn): Lfm2Attention(
          (q_proj): Linear(in_features=2048, out_features=2048, bias=False)
          (k_proj): Linear(in_features=2048, out_features=512, bias=False)
          (v_proj): Linear(in_features=2048, out_features=512, bias=False)
          (out_proj): Linear(in_features=2048, out_features=2048, bias=False)
          (q_layernorm): Lfm2RMSNorm((64,), eps=1e-05)
          (k_layernorm): Lfm2RMSNorm((64,), eps=1e-05)
        )
        (feed_forward): Lfm2MLP(
          (w1): Linear(in_features=2048, out_features=8192, bias=False)
          (w3): Linear(in_features=2048, out_features=8192, bias=False)
          (w2): Linear(in_features=8192, out_features=2048, bias=False)
        )
        (operator_norm): Lfm2RMSNorm((2048,), eps=1e-05)
        (ffn_norm): Lfm2RMSNorm((2048,), eps=1e-05)
      )
      (3-4): 2 x Lfm2DecoderLayer(
        (conv): Lfm2ShortConv(
          (conv): Conv1d(2048, 2048, kernel_size=(3,), stride=(1,), padding=(2,), groups=2048, bias=False)
          (in_proj): Linear(in_features=2048, out_features=6144, bias=False)
          (out_proj): Linear(in_features=2048, out_features=2048, bias=False)
        )
        (feed_forward): Lfm2MLP(
          (w1): Linear(in_features=2048, out_features=8192, bias=False)
          (w3): Linear(in_features=2048, out_features=8192, bias=False)
          (w2): Linear(in_features=8192, out_features=2048, bias=False)
        )
        (operator_norm): Lfm2RMSNorm((2048,), eps=1e-05)
        (ffn_norm): Lfm2RMSNorm((2048,), eps=1e-05)
      )
      (5): Lfm2DecoderLayer(
        (self_attn): Lfm2Attention(
          (q_proj): Linear(in_features=2048, out_features=2048, bias=False)
          (k_proj): Linear(in_features=2048, out_features=512, bias=False)
          (v_proj): Linear(in_features=2048, out_features=512, bias=False)
          (out_proj): Linear(in_features=2048, out_features=2048, bias=False)
          (q_layernorm): Lfm2RMSNorm((64,), eps=1e-05)
          (k_layernorm): Lfm2RMSNorm((64,), eps=1e-05)
        )
        (feed_forward): Lfm2MLP(
          (w1): Linear(in_features=2048, out_features=8192, bias=False)
          (w3): Linear(in_features=2048, out_features=8192, bias=False)
          (w2): Linear(in_features=8192, out_features=2048, bias=False)
        )
        (operator_norm): Lfm2RMSNorm((2048,), eps=1e-05)
        (ffn_norm): Lfm2RMSNorm((2048,), eps=1e-05)
      )
      (6-7): 2 x Lfm2DecoderLayer(
        (conv): Lfm2ShortConv(
          (conv): Conv1d(2048, 2048, kernel_size=(3,), stride=(1,), padding=(2,), groups=2048, bias=False)
          (in_proj): Linear(in_features=2048, out_features=6144, bias=False)
          (out_proj): Linear(in_features=2048, out_features=2048, bias=False)
        )
        (feed_forward): Lfm2MLP(
          (w1): Linear(in_features=2048, out_features=8192, bias=False)
          (w3): Linear(in_features=2048, out_features=8192, bias=False)
          (w2): Linear(in_features=8192, out_features=2048, bias=False)
        )
        (operator_norm): Lfm2RMSNorm((2048,), eps=1e-05)
        (ffn_norm): Lfm2RMSNorm((2048,), eps=1e-05)
      )
      (8): Lfm2DecoderLayer(
        (self_attn): Lfm2Attention(
          (q_proj): Linear(in_features=2048, out_features=2048, bias=False)
          (k_proj): Linear(in_features=2048, out_features=512, bias=False)
          (v_proj): Linear(in_features=2048, out_features=512, bias=False)
          (out_proj): Linear(in_features=2048, out_features=2048, bias=False)
          (q_layernorm): Lfm2RMSNorm((64,), eps=1e-05)
          (k_layernorm): Lfm2RMSNorm((64,), eps=1e-05)
        )
        (feed_forward): Lfm2MLP(
          (w1): Linear(in_features=2048, out_features=8192, bias=False)
          (w3): Linear(in_features=2048, out_features=8192, bias=False)
          (w2): Linear(in_features=8192, out_features=2048, bias=False)
        )
        (operator_norm): Lfm2RMSNorm((2048,), eps=1e-05)
        (ffn_norm): Lfm2RMSNorm((2048,), eps=1e-05)
      )
      (9): Lfm2DecoderLayer(
        (conv): Lfm2ShortConv(
          (conv): Conv1d(2048, 2048, kernel_size=(3,), stride=(1,), padding=(2,), groups=2048, bias=False)
          (in_proj): Linear(in_features=2048, out_features=6144, bias=False)
          (out_proj): Linear(in_features=2048, out_features=2048, bias=False)
        )
        (feed_forward): Lfm2MLP(
          (w1): Linear(in_features=2048, out_features=8192, bias=False)
          (w3): Linear(in_features=2048, out_features=8192, bias=False)
          (w2): Linear(in_features=8192, out_features=2048, bias=False)
        )
        (operator_norm): Lfm2RMSNorm((2048,), eps=1e-05)
        (ffn_norm): Lfm2RMSNorm((2048,), eps=1e-05)
      )
      (10): Lfm2DecoderLayer(
        (self_attn): Lfm2Attention(
          (q_proj): Linear(in_features=2048, out_features=2048, bias=False)
          (k_proj): Linear(in_features=2048, out_features=512, bias=False)
          (v_proj): Linear(in_features=2048, out_features=512, bias=False)
          (out_proj): Linear(in_features=2048, out_features=2048, bias=False)
          (q_layernorm): Lfm2RMSNorm((64,), eps=1e-05)
          (k_layernorm): Lfm2RMSNorm((64,), eps=1e-05)
        )
        (feed_forward): Lfm2MLP(
          (w1): Linear(in_features=2048, out_features=8192, bias=False)
          (w3): Linear(in_features=2048, out_features=8192, bias=False)
          (w2): Linear(in_features=8192, out_features=2048, bias=False)
        )
        (operator_norm): Lfm2RMSNorm((2048,), eps=1e-05)
        (ffn_norm): Lfm2RMSNorm((2048,), eps=1e-05)
      )
      (11): Lfm2DecoderLayer(
        (conv): Lfm2ShortConv(
          (conv): Conv1d(2048, 2048, kernel_size=(3,), stride=(1,), padding=(2,), groups=2048, bias=False)
          (in_proj): Linear(in_features=2048, out_features=6144, bias=False)
          (out_proj): Linear(in_features=2048, out_features=2048, bias=False)
        )
        (feed_forward): Lfm2MLP(
          (w1): Linear(in_features=2048, out_features=8192, bias=False)
          (w3): Linear(in_features=2048, out_features=8192, bias=False)
          (w2): Linear(in_features=8192, out_features=2048, bias=False)
        )
        (operator_norm): Lfm2RMSNorm((2048,), eps=1e-05)
        (ffn_norm): Lfm2RMSNorm((2048,), eps=1e-05)
      )
      (12): Lfm2DecoderLayer(
        (self_attn): Lfm2Attention(
          (q_proj): Linear(in_features=2048, out_features=2048, bias=False)
          (k_proj): Linear(in_features=2048, out_features=512, bias=False)
          (v_proj): Linear(in_features=2048, out_features=512, bias=False)
          (out_proj): Linear(in_features=2048, out_features=2048, bias=False)
          (q_layernorm): Lfm2RMSNorm((64,), eps=1e-05)
          (k_layernorm): Lfm2RMSNorm((64,), eps=1e-05)
        )
        (feed_forward): Lfm2MLP(
          (w1): Linear(in_features=2048, out_features=8192, bias=False)
          (w3): Linear(in_features=2048, out_features=8192, bias=False)
          (w2): Linear(in_features=8192, out_features=2048, bias=False)
        )
        (operator_norm): Lfm2RMSNorm((2048,), eps=1e-05)
        (ffn_norm): Lfm2RMSNorm((2048,), eps=1e-05)
      )
      (13): Lfm2DecoderLayer(
        (conv): Lfm2ShortConv(
          (conv): Conv1d(2048, 2048, kernel_size=(3,), stride=(1,), padding=(2,), groups=2048, bias=False)
          (in_proj): Linear(in_features=2048, out_features=6144, bias=False)
          (out_proj): Linear(in_features=2048, out_features=2048, bias=False)
        )
        (feed_forward): Lfm2MLP(
          (w1): Linear(in_features=2048, out_features=8192, bias=False)
          (w3): Linear(in_features=2048, out_features=8192, bias=False)
          (w2): Linear(in_features=8192, out_features=2048, bias=False)
        )
        (operator_norm): Lfm2RMSNorm((2048,), eps=1e-05)
        (ffn_norm): Lfm2RMSNorm((2048,), eps=1e-05)
      )
      (14): Lfm2DecoderLayer(
        (self_attn): Lfm2Attention(
          (q_proj): Linear(in_features=2048, out_features=2048, bias=False)
          (k_proj): Linear(in_features=2048, out_features=512, bias=False)
          (v_proj): Linear(in_features=2048, out_features=512, bias=False)
          (out_proj): Linear(in_features=2048, out_features=2048, bias=False)
          (q_layernorm): Lfm2RMSNorm((64,), eps=1e-05)
          (k_layernorm): Lfm2RMSNorm((64,), eps=1e-05)
        )
        (feed_forward): Lfm2MLP(
          (w1): Linear(in_features=2048, out_features=8192, bias=False)
          (w3): Linear(in_features=2048, out_features=8192, bias=False)
          (w2): Linear(in_features=8192, out_features=2048, bias=False)
        )
        (operator_norm): Lfm2RMSNorm((2048,), eps=1e-05)
        (ffn_norm): Lfm2RMSNorm((2048,), eps=1e-05)
      )
      (15): Lfm2DecoderLayer(
        (conv): Lfm2ShortConv(
          (conv): Conv1d(2048, 2048, kernel_size=(3,), stride=(1,), padding=(2,), groups=2048, bias=False)
          (in_proj): Linear(in_features=2048, out_features=6144, bias=False)
          (out_proj): Linear(in_features=2048, out_features=2048, bias=False)
        )
        (feed_forward): Lfm2MLP(
          (w1): Linear(in_features=2048, out_features=8192, bias=False)
          (w3): Linear(in_features=2048, out_features=8192, bias=False)
          (w2): Linear(in_features=8192, out_features=2048, bias=False)
        )
        (operator_norm): Lfm2RMSNorm((2048,), eps=1e-05)
        (ffn_norm): Lfm2RMSNorm((2048,), eps=1e-05)
      )
    )
    (pos_emb): Lfm2RotaryEmbedding()
    (embedding_norm): Lfm2RMSNorm((2048,), eps=1e-05)
  )
  (lm_head): Linear(in_features=2048, out_features=65536, bias=False)
)

模型配置

model.config

Lfm2Config {
  "architectures": [
    "Lfm2ForCausalLM"
  ],
  "block_auto_adjust_ff_dim": true,
  "block_dim": 2048,
  "block_ff_dim": 12288,
  "block_ffn_dim_multiplier": 1.0,
  "block_mlp_init_scale": 1.0,
  "block_multiple_of": 256,
  "block_norm_eps": 1e-05,
  "block_out_init_scale": 1.0,
  "block_use_swiglu": true,
  "block_use_xavier_init": true,
  "bos_token_id": 1,
  "conv_L_cache": 3,
  "conv_bias": false,
  "conv_dim": 2048,
  "conv_dim_out": 2048,
  "conv_use_xavier_init": true,
  "dtype": "bfloat16",
  "eos_token_id": 7,
  "hidden_size": 2048,
  "initializer_range": 0.02,
  "intermediate_size": 12288,
  "layer_types": [
    "conv",
    "conv",
    "full_attention",
    "conv",
    "conv",
    "full_attention",
    "conv",
    "conv",
    "full_attention",
    "conv",
    "full_attention",
    "conv",
    "full_attention",
    "conv",
    "full_attention",
    "conv"
  ],
  "max_position_embeddings": 128000,
  "model_type": "lfm2",
  "norm_eps": 1e-05,
  "num_attention_heads": 32,
  "num_heads": 32,
  "num_hidden_layers": 16,
  "num_key_value_heads": 8,
  "pad_token_id": 0,
  "rope_theta": 1000000.0,
  "transformers_version": "4.57.0.dev0",
  "use_cache": true,
  "use_pos_enc": true,
  "vocab_size": 65536
}

模型使用

prompt = "What is C. elegans? Reply in Chinese."
input_ids = tokenizer.apply_chat_template(
    [{"role": "user", "content": prompt}],
    add_generation_prompt=True,
    return_tensors="pt",
    tokenize=True,
).to(model.device)

output = model.generate(
    input_ids,
    do_sample=True,
    temperature=0.3,
    min_p=0.15,
    repetition_penalty=1.05,
    max_new_tokens=512,
)

print(tokenizer.decode(output[0], skip_special_tokens=False))

<|startoftext|><|im_start|>user
What is C. elegans? Reply in Chinese.<|im_end|>
<|im_start|>assistant
“C. elegans” 是线虫（线虫目，Phylum Nematoda）中的一种单细胞动物，是研究生物学、遗传学和发育生物学的经典模式生物。它是一种非常小的生物，大约长约2毫米（0.08英寸），属于地球上最小的多细胞动物之一。

C. elegans 的特点包括：

1. **简单的身体结构**：它有一对双眼、几个触角、两对腹部节段，每个节段都有三个神经节（neurons），形成一个简单的神经系统。
2. **透明体**：成虫和幼虫都是透明的，这使得科学家能够直接观察其内部结构和发育过程。
3. **寿命短**：成虫的寿命通常在2-4周，但通过实验可以延长到数十周。
4. **易于培养**：C. elegans 可以在实验室中方便地培养和维护，使其成为研究遗传和发育生物学的理想模型生物。
5. **基因组信息丰富**：它的基因组序列已完全测序，为研究基因功能提供了宝贵的资源。
6. **行为研究**：尽管体型微小，但 C. elegans 的行为复杂，包括运动、摄食和感知环境等，研究这些行为有助于理解神经系统和行为的基本机制。

由于其简单的生命周期、透明的体貌和易于操作的特性，C. elegans 在科学研究中被广泛应用于遗传学、发育生物学、神经科学和衰老研究等领域。此外，它还被用作药物筛选和毒理学研究的模型生物。<|im_end|>
推荐系统之LFM模型
jiang199912的博客
05-14 2042
协同过滤算法是按照用户的相似度或者物品的相似度来进行推荐的。而LFM模型则是按照用户喜欢的分类来进行推荐。 但是这样就有一个问题，如何去进行分类，分类的颗粒度如何规定。这样的话，我们引进了LFM模型。 LEM不直接计算分类，而是计算每个物品在各个类别中的比重，从而进行计算。 在此，我们使用tensorflow进行模型的构建。 1.处理数据 ratings = pd.read_csv("C:/Users/jkx/Desktop/一些数据集/ml-latest-small/ratings.csv") movie
隐语义模型：LFM
hhjhh76的博客
04-30 1105
LFM的核心是通过隐含特征联系用户兴趣和物品
推荐模型之LFM
weixin_38966454的博客
10-29 559
一、概念 该方法是先对所有的物品进行分类，再根据用户的兴趣分类给用户推荐该分类中的物品。 而协同过滤是： （1）UserCF，先计算和目标用户兴趣相似的用户，再根据计算出来的用户喜欢的物品给目标用户推荐物品。 （2）ItemCF，根据目标用户喜欢的物品，寻找和这些物品相似的物品，再推荐给用户。 因此 LFM关键问题在于： （1）给物品分类 (2)确定用户兴趣属于哪些类及感兴趣程度 (3)对于用户感兴趣的类，如何推荐物品给用户 二、算法原理 隐语义模型，可以基于用户的行为自动进行聚类，并且这个类的数量，即粒度
推荐算法之LFM模型及python
十三
03-13 3579
本文转自：推荐系统之隐语义模型(LFM) 一 基本概念 LFM(latent factor model)隐语义模型，这也是在推荐系统中应用相当普遍的一种模型。那这种模型跟ItemCF或UserCF有什么不同呢？这里可以做一个对比： 对于UserCF，我们可以先计算和目标用户兴趣相似的用户，之后再根据计算出来的用户喜欢的物品给目标用户推荐物品。 而ItemCF，我们可以根据目标用户喜欢的物品，寻找...
隐语义模型( LFM )
向着光的那方
04-07 5397
基于模型的协同过滤思想 ●基本思想 -用户具有一定的特征，决定着他的偏好选择; -物品具有一定的特征，影响着用户需是否选择它; -用户之所以选择某一个商品，是因为用户特征与物品特征相互匹配; ●基于这种思想，模型的建立相当于从行为数据中提取特征，给用户和物品同时打上“标签”;这和基于人口统计学的用户标签、基于内容方法的物品标签本质是一样的，都是特征的提取和匹配 ●有...
隐语义模型LFM
dianhuo3832的博客
12-10 273
1、概述 该算法的理论基础是运用矩阵分解，把用户评分矩阵R分解为两个低维矩阵，然后用这两个低维矩阵去估计目标用户对项目的评分。 传统的协同过滤算法是利用用户的历史行为，来预测用户对目标用户的评分。需要在整个用户空间上去寻找最近邻居。随着电子商务的不断发展，用户数量和物品的数量都呈指数型增长，这样传统的算法就不能够满足推荐的实时需求。同时，传统的协同过滤算法只是考虑了用户的...
推荐系统(5)—隐语义模型(LFM)
喜欢打酱油的老鸟
03-09 1140
https://www.toutiao.com/a6663676280782717454/ 2019-03-02 14:27:17 基本概念 LFM(latent factor model)隐语义模型，这也是在推荐系统中应用相当普遍的一种模型。那这种模型跟ItemCF或UserCF有什么不同呢？这里可以做一个对比： 对于UserCF，我们可以先计算和目标用户兴趣相似的用户，之后再根...
液体基础模型LFM（Liquid Foundation Model）
qq_42882082的博客
10-29 1535
新一代的生成式 AI 模型,非 Transformer 架构，重新定义了基础模型，通用的人工智能模型，能够建模任何类型的顺序数据，包括但不限于视频、音频、文本、时间序列和信号。
隐语义模型(LFM)
qq_32486393的博客
04-10 3103
一.LFM 1.概念： 　　LFM（latent factor model)，它的核心思想是通过隐含特征（latent factor）联系用户兴趣和物品。 2.提出背景： 　　除了传统的UserCF和ItemCF推荐方法，还有一种方法是首先对物品进行分类，对于某个用户，首先得到他的兴趣分类，然后从分类中挑选他可能喜欢的物品，即基于兴趣分类的方法。 二.基于兴趣分类 1.面临的问题： 问题a：如何...
2018年音乐推荐系统源码：结合用户与物品协同过滤及LFM模型
03-25
4. 基于LFM模型的推荐：利用TensorFlow框架实现潜在因子模型（LFM），深入挖掘用户和物品之间的潜在关系，提升推荐准确性。 本项目集成了多种推荐算法，旨在为用户提供个性化和多样化的音乐推荐体验。
推荐算法中的LFM模型简介
01-13
隐含语义模型（Latent Factor Model，LFM）是一种在推荐系统中广泛使用的机器学习技术，它通过降维的方法来处理评分矩阵的缺失值，从而实现个性化推荐。LFM的核心思想是假设用户和物品之间存在一些不可见的、潜在的...
(源码)基于LFM模型的电影推荐召回系统.zip
04-07
# 基于LFM模型的电影推荐召回系统 ## 项目简介 本项目旨在使用LFM（Latent Factor Model）方法为用户进行电影推荐召回。该项目使用了MovieLens的数据集，并采用了MSE（Mean Squared Error）作为损失函数，通过梯度...
推荐系统之LFM隐语义模型个人总结
muxiangqiang159753的博客
03-11 2460
一、基本原理 1、LFM模型实在推荐系统中非常常用的模型，它的核心思想就是通过隐形特征（latent factor）联系用户的兴趣和特征。在原理中隐形特征数量K是人为经验制定，该参数对推荐效果影响较大，是LFM重要参数之一。 2、如果要根据用户兴趣对物品分类，那么主要解决的问题包括： 如何对物品进行分类； 如何确定用户对哪些物品感兴趣，即计算出用户对某个物品的兴趣度； ...
黄仁勋GTC开场：「AI-XR Scientist」来了！
2501_94005722的博客
11-20 1309
丛乐 (Le Cong)，斯坦福大学医学院病理学系和遗传学系教授。他被公认为是 CRISPR 基因编辑领域的奠基人之一。早在哈佛大学攻读博士学位期间，丛乐在导师张锋（Feng Zhang）和乔治・丘奇（George Church）的指导下，作为第一作者在 Science, Cell, Nature 杂志上发表了数篇标志性论文，首次证实 CRISPR/Cas9 系统可以在哺乳动物和人类细胞中实现基因编辑，为这一革命性技术的后续应用奠定了基石。
传统NLP算法
记录成长‌，知识沉淀，连接同行‌
11-19 738
传统NLP算法与当前大模型的对比分析 传统NLP算法主要基于规则和统计模型（如HMM、CRF、SVM），依赖人工特征工程和领域知识，适合特定任务但泛化能力有限。其优势在于可解释性强、计算资源需求低。典型应用包括分词、命名实体识别和文本分类等。 现代大模型（如Transformer架构LLM）采用预训练-微调范式，通过海量数据自动学习语言表示，具备强大的生成能力和跨任务迁移性。它们能处理复杂任务如对话生成和多语言翻译，但需巨额计算资源。 二者存在技术演进关系：大模型继承了传统NLP的核心思想，但通过深度学习实
基于华为开发者空间实现花卉识别
优快云高校俱乐部官方博客
11-21 1482
基于华为开发者空间实现花卉识别
人工智能在医疗行业的革命性应用：从诊断到个性化治疗
2501_94114442的博客
11-21 459
人工智能（AI）技术近年来已经渗透到各个行业，其中，医疗行业无疑是受益最大之一。从疾病的早期诊断到个性化治疗方案的制定，AI正在加速医学领域的变革。通过机器学习、深度学习、自然语言处理等技术，AI不仅能够处理和分析大量的医疗数据，还能够帮助医生做出更加精准的决策，提升患者的治疗效果，并优化整个医疗体系的运作效率。本文将探讨人工智能在医疗行业的应用，分析其在不同医疗领域的具体作用，并展望AI如何进一步推动医疗健康行业的发展。
【NullSwap】NullSwap: Proactive Identity Cloaking Against Deepfake
最新发布
人生不是轨道，是旷野。希望每天都有好心情。
11-23 144
由于生成模型的进步，被动检测高质量Deepfake图像的性能瓶颈，主动扰动提供了一种有前途的方法，通过将信号插入良性图像来禁用Deepfake操作。【生成模型的发展，使得生成高质量伪图越来越难被检测】然而，现有的主动扰动方法在以下几个方面仍然不能令人满意：【当前主动扰动存在的问题】1）由于直接元素添加而导致的视觉退化;2）对交换操纵的有效性有限;3）不可避免地依赖于白盒和灰盒设置，以在训练期间涉及生成模型。我们分析了深度伪造swap技术的本质，并论证了保护源身份而非目标图像的必要性。
创客匠人 2025 高峰论谈（11.22-25）：AI 智能体重构创始人 IP 打造与知识变现的管理逻辑
ckjrxx的博客
11-20 628
这一 “数据化定位逻辑”，将在。创客匠人峰会筹备阶段强调，AI 智能体的核心意义是 “解放人”—— 将创始人从机械性工作中解放，专注知识体系迭代、用户信任构建等核心价值创造，让知识变现从 “个人生意” 升级为 “企业级业务”。创始人 IP 定位的核心是 “找到市场需求与核心能力的交集”，传统模式本质是 “个体直觉管理”，而 AI 智能体通过数据化管理思维，将定位转化为可量化、可追溯的流程。这些问题本质是企业管理中 “个体能力” 与 “系统效率” 的失衡，而 AI 智能体的出现，正从管理底层重构这一逻辑。
lfm回波模型matlab仿真
01-24
LFM回波模型是一种常用的雷达信号模型，用于描述返回到雷达接收器的信号。在MATLAB中进行LFM回波模型的仿真，可以通过以下步骤实现。 首先，我们需要确定回波信号的参数，包括起始频率、终止频率、脉冲宽度等。可以...
评论
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