大模型性价比竞争升级:从能力比拼到单任务成本较量,谁能脱颖而出?

人形机器人下一程:从单点突破到系统工程能力的较量 人形机器人技术正从实验室展示走向真实场景落地,其核心不再是单点算法的炫技,而是感知、决策、运动控制与系统软件的协同工程。运动控制决定基础稳定性,强化学习与Sim-to-Real迁移提升泛化能力,灵巧操作则关乎精细作业的可靠性。在工业产线、仓储物流等应用中,机器人需具备连续作业、自主决策与故障恢复能力,这对系统集成、数据积累和成本控制提出了更高要求。本文基于技术栈拆解与开发者实践路径,解析人形机器人夺冠背后的技术信号,并探讨从演示到商业落地的关键跨越。 阅读详情

大模型新叙事:性价比成竞争核心

过去一周,Grok 4.5、GPT-5.6、Claude Sonnet 5 接连登场。嘿,重点是,比发布密度更值得关注的,是这些公司对模型的新叙事。

最典型的当属马斯克啦!他在介绍 Grok 4.5 时,几乎没提“xAI 最强”,而是反复强调“Opus 级模型”,但更快、更省 token、成本更低。

同样的转向,在另外两家也发生了。OpenAI 把 GPT-5.6 的目标写成“让每个 token 产出更多有用工作”,Sam Altman 更直言,企业客户现在真正在意的是 AI 支出换回了什么价值;Anthropic 则说,Sonnet 5 能完成的智能体任务,在几个月前还需要更大、更贵的模型。

当“更便宜”成了行业默认动作,真正的竞争就不再是“降多少价”,而是同样的价格,谁的模型能干更多、更难的任务?性价比,开始成为竞争的核心变量。

性价比之争:模型公司重新组合能力、成本与场景

这种变化首先体现在模型产品本身。模型公司开始把不同能力、不同成本和不同调用方式重新组合起来。OpenAI 的 GPT-5.6 最典型啦!“Sol / Terra / Luna”取代了过去几年“旗舰 + mini/nano”的模型命名体系。这改变了模型分层的逻辑——以前按强弱排序,现在按场景分工。

Sol 承担复杂推理、编程和 Agent 等高难任务,但价格与 GPT-5.5 标准旗舰持平;Terra 的综合表现接近 GPT-5.5,却落在 GPT-5.4 的中端价格区间;Luna 与开源 GLM-5.2 处在同一价位,主打高并发、低延迟的走量调用。

这套分层的核心,是让能力跟着场景走、成本跟着任务变。复杂任务用旗舰能力,日常任务用主力模型,高频调用优先低延迟和低成本。OpenAI 今年 3 月推出 Standard / Batch / Flex / Priority 定价机制,进一步把这种思路推进到调用层面。同一个模型,也可以按调用方式定价。能批处理、可等待的请求更便宜;追求低延迟、高确定性的请求更贵。

这意味着,价格不再只取决于模型能力,也取决于任务对时间和稳定性的要求。过去隐藏在系统调度里的延迟、优先级和确定性,正在被直接写进计费结构。

6 月底,Anthropic 发布 Claude Sonnet 5 同样指向这一趋势。Sonnet 5 内置了 effort 机制。它让调用方可以根据任务复杂度调节推理强度——中等 effort 用来控制成本,高 effort 才逼近旗舰表现。

这打破了“选定模型就锁定成本”的旧逻辑。开发者不再只是选择用哪个模型,也可以决定一次调用投入多少算力。性价比因此从静态参数,变成了动态调节。

7 月 9 日发布的 Grok 4.5,则把性价比前置到了训练阶段:先锁定高频场景,再围绕场景定义模型能力和成本结构。Grok 4.5 是 xAI 首个专门针对编程和智能体任务训练的模型,与 Cursor 联合训练,使用了 Cursor 上大量真实交互数据。定价为每百万 token 2 美元输入、6 美元输出,同时提供 MoE 架构、500K 上下文和可配置推理强度。

编程和 Agent 往往上下文长、调用频繁、链路复杂,一次失败还会触发多轮重试,成本最容易被放大。Grok 4.5 选择先锁定 Cursor 这样的高频入口,再围绕真实调用优化能力和成本。

这三款模型共同说明,性价比已经不再是一个简单的价格标签。OpenAI 是把不同能力放进不同调用场景;Anthropic 是把旗舰能力压进主力价格区间,并开放推理强度调节;Grok 则是在高频编程场景里重新计算“划算”的标准。大模型竞争正在从“能力最大化”转向“有效能力的成本最优化”。

性价比的经济账:从“token 单价”到“单任务成本”

不同于传统互联网 App,AI 产品每一次调用,都对应一次真实的推理成本。使用越多,价值越大,成本压力也越真实。

模型竞争进入应用阶段,性价比正在从“价格问题”,延伸为“商业模式问题”。当模型真正进入真实任务场景,决定商业可持续性的,是模型能力能不能在高频调用中,被稳定、低成本地交付出来。

一个真实任务的成本,通常由一整条任务链路共同决定:输入输出 token 数、调用轮次、上下文长度、工具调用次数、推理强度、失败重试率等,都会被计入最终账本。

这也带来一个反直觉结论:定价便宜的模型,未必真的便宜。如果单次 token 价格低,却需要更多轮对话、更长上下文、更高重试率,那么单位任务成本未必低。反过来,一个看似更贵的模型,如果能用更少轮次完成任务,减少返工、降低失败率,最终反而可能更划算。

模型性价比的衡量单位正在发生变化——不只看 token 单价,还有完成单个任务所需的成本。

过去一年,国内模型公司普遍转向 MoE 和稀疏激活,也可以放在这一框架下理解。DeepSeek-V4-Flash 是 284B 总参数、每 token 激活 13B;Qwen3-235B-A22B 是 235B 总参数、22B 激活;Kimi K2.6 是 1T 总参数、32B 激活。近期发布的腾讯混元 Hy3 正式版,也采用 MoE 架构,295B 总参数、21B 激活参数,并支持 256K 上下文。

国产大模型集体押注“大参数 + 小激活”,这说明模型能力与调用成本之间的关系,正在被重新设计。总参数决定模型的能力池有多大,能覆盖多少知识、推理、代码和 Agent 任务;激活参数决定一次推理真正要支付多少计算成本。MoE 的关键价值正在于此:让模型拥有接近超大规模模型的能力边界,同时让每次调用不必承担全量参数的计算开销。

换句话说,性价比已经前置到模型架构设计阶段,而不再只是模型发布后的定价策略。腾讯混元 Hy3 正式版,正是这一趋势的近期样本。它的看点不只是 295B 总参数,更在于用 21B 激活参数承接一个更大的能力池,并将能力重点放在 Agent、办公、知识处理、多文件生成等真实任务上。

此外,Hy3 正式版智能水平显著强于同尺寸模型,效果可比肩参数规模为其 2—5 倍的旗舰模型。这意味着,Hy3 能用更少的实际激活计算,承接更复杂的任务类型。从 preview 到正式版,Hy3 日均 token 消耗增长 20 倍,也说明模型经济性开始被真实调用规模检验。

对国产模型厂商来说,性价比不只体现在开源和 API 价格上,更体现在能否在真实产品和开发者调用中,以更低成本支撑更多任务。因此,这一轮性价比竞争,本质上正在变成“单任务经济性”的竞争。未来模型公司比拼的,不只是能力池有多大,更是每个任务实际要为这座能力池支付多少成本。谁能用更少计算、更少轮次、更少重试,完成更多真实任务,谁才真正拥有更高的性价比。

“默认调用”之争:大模型迎来“杰文斯时刻”

当性价比的衡量单位转向“单任务成本”,模型竞争的重心也随之改变。企业和开发者真正关心的,正在从“哪个模型最强”,转向“哪个模型能被长期、稳定、低成本地默认调用”。

所谓默认调用,指的是模型在办公、知识管理、Agent、客服、代码等高频场景中,系统优先调用的底层能力。它未必总被用户看见,却会持续承接大量真实任务。

这种变化,已经开始被云平台和开发者工具产品化。Amazon Bedrock 推出的 Intelligent Prompt Routing、微软 Azure AI Foundry 上线的 Model Router,本质上都在把模型调用从“手动选择”,推进到“统一调度”:系统根据任务复杂度、成本、延迟和性能,将请求路由到更合适的模型。

开发者生态中的 OpenRouter、LiteLLM、Dify,也在承担类似角色。统一 API、多模型路由、预算控制,以及推理模型等默认能力配置,正在把模型嵌入更上层的应用框架和企业 AI 网关。

这会重塑模型市场的竞争方式。未来,很多调用未必由终端用户直接决定,而会由云平台、AI 网关、开发框架和企业中台提前分配。谁能进入这些系统的默认配置,谁就能获得更高比例的真实调用。

默认调用的第一重价值,是规模。一个模型只要能承接企业和开发者每天稳定发生的大量任务,即便单次调用价格不高,也能形成更扎实的商业基本盘。

规模还会带来反馈。真实任务中的失败率、重试率、用户修正、工具调用路径、上下文组织方式,都会反过来帮助模型和系统优化。模型的进化,离不开静态评测,更离不开真实使用中的暴露、修正与迭代。

更关键的是,默认调用会带来生态绑定。开发者一旦围绕某个模型调好了提示词、工具调用、RAG 流程、Agent 框架、评测标准和安全策略,这个模型就会从一个可替换的 API,变成应用架构的一部分。

由此,“性价比”会形成一个新的竞争飞轮:更低单任务成本,带来更多默认调用;更多默认调用,带来更大调用规模和更多真实反馈;真实反馈继续推动模型和系统优化,进一步降低单任务成本。

腾讯混元 Hy3 与 WorkBuddy 的结合,体现了这一趋势。WorkBuddy 承接企业办公、文件处理、流程编排等高频任务,Hy3 则通过这一入口进入真实工作流。公开信息显示,从 preview 到正式版,Hy3 日均 token 消耗增长 20 倍,WorkBuddy 上自主选择 Hy3 preview 的用户数增长 6 倍;正式版在办公场景内部测评中,任务成功率从 72% 提升至 90%,平均耗时缩短约 34%。

这说明模型开始被真实任务链路反复检验。任务规划、工具调度、多 Agent 协作等能力,只有进入办公场景,才会暴露出失败、重试、耗时和工具调用等具体问题,并反过来推动模型迭代。

类似的协同优化,已经成为行业共同方向。Google 将 Gemini 深度嵌入 Gmail、Docs 等工作场景,围绕邮件、文档、会议纪要等高频任务优化;Adobe Firefly 也嵌入 Photoshop、Illustrator、Premiere 等创意工作流,让模型围绕真实编辑、生成和修改链路迭代。

模型只有进入真实任务,才能获得稳定调用、真实反馈和持续优化空间,最终形成“模型—产品—场景”的协同优化。因此,性价比竞争已经超出降价竞赛本身。它真正改变的,是需求边界。

19 世纪,经济学家杰文斯观察到一个现象:蒸汽机效率越高,煤炭消耗反而越多。效率提升没有抑制使用,反而降低了使用门槛,让煤炭进入更多产业、更多机器和更长的生产链条。大模型正在接近自己的“杰文斯时刻”。性价比竞争的结果,未必是 AI 总成本下降,而是 AI 使用密度上升。模型调用会从少数高价值任务,扩展到大量日常任务,最终让 AI 变得更实用,也更普惠。这不禁让人思考,未来大模型的竞争格局又会如何演变呢?

AI应用成本控制:Canva降速与Figma自吞成本的架构策略解析 在AI应用开发中,成本控制是决定产品商业可持续性的关键。传统SaaS软件的边际成本极低,而AI增强型应用因大模型API调用产生了高可变成本,这与使用量强相关,直接影响了毛利率。从技术原理看,通过模型路由、结果缓存和异步处理等工程策略,可以在保证用户体验的前提下优化推理成本。这些技术的核心价值在于平衡性能与开销,实现资源的智能调度。在实际应用场景中,设计工具领域的Canva采用‘主动降速’策略,将实时生成拆解为预览与精修两步,利用队列化处理平滑计算峰值;而Figma则通过模型优化与智能缓存,在免费计划中‘自吞 阅读详情

相关推荐

新手如何结合pbootCMS和宝塔面板快速构建网站

摘要: 新手可通过pbootCMS(轻量CMS)和宝塔面板(可视化工具)快速搭建网站,无需命令行。步骤包括:1) 准备服务器(Linux/CentOS7.x)和域名;2) 安装宝塔面板并配置LNMP环境(PHP7.4+MySQL5.7);3) 创建网站目录,上传并解压pbootCMS源码,设置文件权限;4) 运行安装向导,填写数据库信息和管理员账号;5) 测试前台/后台功能,优化性能并绑定域名。全程约30-60分钟,宝塔简化运维,pbootCMS便于内容管理,适合零基础用户。注意定期更新和备份以保障安全。

qinzhenyan的博客 1646

文心一言与 DeepSeek 的竞争分析:技术先发优势为何未能转化为市场主导地位?

本文从技术路径、生态策略、商业化能力、用户响应以及外部环境等多个维度,详细分析了文心一言为何在早期凭借技术先发优势进入市场,但在后续竞争中未能转化为市场主导地位。主要原因包括:传统 Transformer 架构的局限、依赖大规模算力和数据标注、封闭生态系统导致开发者参与不足、商业化应用单一以及国际竞争环境加剧等方面。与此同时,DeepSeek 通过混合专家模型、开源普惠战略、敏捷迭代和多场景定制,在技术与生态上实现了突破,成为市场竞争的新亮点。

jamiso_1的博客 3077

手把手教你用Matlab/Simulink搭建PMSM的SMO无感FOC仿真(附相位补偿与离散化代码)

本文详细介绍了基于滑模观测器(SMO)的永磁同步电机(PMSM)无传感器FOC控制方法,通过Matlab/Simulink平台实现从理论到实践的完整流程。内容涵盖SMO核心原理、离散化处理、转子位置估算与相位补偿技术,以及双闭环控制系统搭建,为工程师提供了一套完整的无传感器控制解决方案。

weixin_27038245的博客 256

大模型竞争转向:从能力比拼到入口、成本与工作流的多维较量

大语言模型(LLM)作为人工智能的核心技术,其发展正从追求基准测试的“能力神话”阶段,转向更注重实际工程落地与商业价值的“生存之战”。这一转向的核心驱动力在于,技术的价值最终取决于其能否高效、稳定、低成本地融入真实生产环境。从技术原理看,模型能力只是基础,如何通过API集成、本地化部署、云服务捆绑等多种“入口”触达用户,如何借助模型量化、MoE架构、高效推理框架(如vLLM)等技术大幅降低“成本”,以及如何通过低代码平台、自动化工具和行业定制方案实现与现有“工作流”的深度无缝融合,已成为决定技术选型与市场竞

weixin_34318326的博客 350

【QT+PCL】串口读取单线激光雷达数据并在QVtkWidget组件中实时刷新(一)

(本文主要记录开发过程以及遇到的困难及解决方式)

2301_76329543的博客 3068

VSCode配置C/C++开发环境:从零安装MinGW-w64并运行第一个C程序

在Windows系统上搭建C语言开发环境时,很多初学者混淆编辑器、编译器与调试器的分工,导致配置过程屡屡受挫。理解VSCode作为轻量级编辑器的定位,以及MinGW-w64提供的gcc编译器在源码编译中的核心作用,是顺利完成环境配置的关键。环境变量的正确设置直接影响gcc命令能否全局调用,而C/C++插件则赋予编辑器语法高亮与智能提示能力。通过安装VSCode、配置MinGW-w64、安装插件、汉化界面并运行一个最简单的hello.c程序,就能系统掌握这套开源工具链的完整工作流。无论是用于课程学习、算法练习

weixin_42531923的博客 535

DeepSeek搅局,AI格局大洗牌,腾讯全家桶接入,李彦宏all in开源

不过,DeepSeek也不是十全十美,它的模型在通用任务上表现一般,64K上下文全量部署需要64台服务器,成本可不低,C端商业化也还在摸索阶段。百度这边也不甘示弱,文心大模型4.5定在3月16日发布,据说这个版本具备“深度思考”的能力,RAG幻觉率降低到0.3%以下,而且还宣布6月30日开源,看来是要在开源领域大展拳脚。多模态领域成为了新的“兵家必争之地”,DeepSeek发布Janus-Pro图像生成模型,阶跃星辰推出Step-Video V3,不过高昂的算力成本成了规模化发展的“拦路虎”。

大力财经 878

【笔记篇】Davinci Configurator OS模块(下)

AUTOSAR OS的配置项和Vevtor MICROSAR OS的特性

weixin_47571898的博客 1158

当开源大模型撬动全球AI格局:DeepSeek的“真香”时刻

DeepSeek的开源逆袭,不只是一次技术路线的胜利,更是AI发展哲学的重大转变。它向世界证明:顶级AI模型不一定需要无穷算力;智能的未来可能藏在算法的极简和工程的精妙中;AGI不再是巨头的专属,而是人人可用的公共基础设施。当中国以“极致性价比+开源共享”组合拳挑战硅谷,全球AI剧本已然改写。未来的AI竞赛,将不再是封锁与围剿,而是生态系统的开放性和应用创新力的较量。

白马区块Crypto100 1638

Oracle EBS R12 主 / 辅助分类帐(主 / 辅助帐套)落地

本文提供了Oracle EBS R12主/辅助分类帐实施的全套文档模板,包含主帐套(法定帐套)和辅助帐套的完整配置清单、科目映射规则模板、4类典型调整分录示例(存货跌价、折旧差异、往来重分类、外币折算)以及税会/IFRS案例分录。重点阐述了主/辅助帐套的配置要点、SLA子分类帐关键配置、科目映射规则(一对一、多对一、重分类等类型)以及调整分录的自动生成逻辑。文档可直接用于项目实施,包含总体架构图、科目映射矩阵表、会计规则集配置等交付物,并附有Excel版模板便于直接使用。适用于需要实现多准则并行记账、税务调

金牌架构师 389

【STK】手把手教你利用STK进行进行光电红外仿真02-STK/EOIR模块属性之一 传感器选项设置

EOIR传感器可以从空间几何属性、光谱属性、光学属性、辐射属性四个方面进行设置,并且可以设置信号传播路径中的大气特性,包括大气模型、气溶胶模型、气象学可见性和大气湿度。在定义EOIR传感器时,需要Sensor——Definition属性页中,将Sensor Type设置为EOIR。单击下面的按钮打开传感器的EOIR配置页,可以对传感器的属性进行配置,此外,还可以在场景中视情况添加相关的中心体。路径辐射损耗影响上述特性的计算,计算的结果考虑了传感器、目标位置的影响,但是还没考虑地球临边背景的影响。

weixin_44184852的博客 3203

大模型能力持平后,如何基于部署成本与工程效率选择Kimi K3与Qwen3.8 Max?

在人工智能领域,大模型推理部署已成为工程实践的核心环节。其原理涉及将训练好的模型加载到特定硬件环境,通过优化计算图与内存管理来执行预测任务。这项技术的价值在于将前沿AI能力转化为稳定、可用的服务,直接影响产品的响应速度、可用性与总拥有成本。在应用场景上,无论是构建企业内部知识库、开发智能助手,还是集成自动化工作流,高效的本地部署方案都能在保障数据隐私的同时,显著降低长期运营开销。本文聚焦于 Kimi K3 与 Qwen3.8 Max 这两个在通用能力上并驾齐驱的模型,深入剖析它们在 **本地部署** 与 *

dengjuanshou7445的博客 526

Open3D 计算点云配准的旋转和平移误差

通过计算旋转误差和平移误差来量化配准结果与真实变换之间的偏差。

点云侠的博客 254

大模型决赛,砰,枪响了!

2025年,大模型领域传来第一声枪响!1月15日,科大讯飞发布了国内首个基于全国产算力平台训练的深度推理大模型——讯飞星火X1,在中文数学能力达到国内第一,并落地教育、医疗等刚需场景;讯飞星火的底座能力也再次升级,图文、数学和长文本能力显著提升,并首发混域知识搜索技术,进一步解决行业、企业痛点。此外,作为国内智能翻译领域的佼佼者,科大讯飞还发布了业界首个具备端到端语音到语音同传能力的大模型——星火语音同传大模型,最快语音同传时延小于5秒。

2401_85773741的博客 1102

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")

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

2025主流大语言模型横评:合规、成本、开源,谁是企业最佳选择?

大模型选型不再是技术单选项,而是一场关乎效率、合规与成本平衡的战略决策2025年,大语言模型已成为企业数字化进程的核心引擎,但面对的新局面,技术决策者该如何选择?本文从企业最关注的六大维度出发,对全球主流大模型展开深度横评,为您的选型提供。在数据安全法规日益严格的今天,:Claude 4 Opus通过,支持AES-256加密与完整审计日志,成为金融跨国企业的首选。GPT-5虽未正式发布,但预计延续体系,需签署严格的数据处理协议。:腾讯云CodeBuddy与通义千问Qwen2.5-Max均通过。

慕漓的博客 1281

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

比亚迪与长安战略合作:汽车产业从链式竞争迈向生态圈竞争

在汽车产业智能化与电动化深度融合的背景下,战略合作已成为企业应对技术迭代与市场竞争的重要模式。其核心原理在于通过能力互补与资源共享,实现研发风险的分散与技术迭代的加速。从技术价值看,这种合作不仅能提升供应链的韧性与成本控制能力,还能促进智能驾驶、电池技术等关键领域的融合创新。在应用场景上,企业通过联合研发、数据共享与供应链协同,能够更快地将高阶技术下放到主流车型,为消费者提供更具综合竞争力的产品。当前,比亚迪与长安的强强联手,正是这一趋势的典型体现,双方在电动化平台与智能化能力上的互补,有望重塑行业竞争格局

weixin_30326515的博客 306

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

OpenAI与Anthropic的AI工具链竞争:从API到开发范式的深度解析

在人工智能领域,API(应用程序编程接口)作为连接模型能力与应用落地的桥梁,其设计理念与工具链生态正成为技术演进的核心。从技术原理看,现代AI API已超越简单的文本生成,通过函数调用、结构化输出、长上下文处理等机制,实现了对复杂任务的可控执行。这种演进的技术价值在于,它显著降低了AI应用开发的工程门槛,使开发者能够更专注于业务逻辑而非底层适配。在实际应用场景中,无论是代码生成、智能体工作流构建,还是长文档分析,强大的工具链都能提升开发效率与系统稳定性。本文聚焦于OpenAI与Anthropic在**代码生

WGH100817的博客 352

企业选型必看:2025 大语言模型横评(合规 / 成本 / 开源维度深度对比)

企业选型必看:2025 大语言模型横评(合规 / 成本 / 开源维度深度对比)

weixin_72959097的博客 1805

AI前沿技术动态:模型升级与价格战来袭

近日,OpenAI的GPT-5.6系列模型正式发布,包含Sol、Terra和Luna三个版本,在性能超越竞品的同时,大幅降低了成本,每百万输入Token最低仅1美元。此外,ChatGPT与Codex合并为“ChatGPT Work”,其跨应用、跨文件处理任务的能力,将为开发者和企业带来极大便利。此次两大巨头的竞争,不仅是模型性能的较量,更是价格与实用性的比拼。对于开发者而言,意味着将有更多高性价比的AI工具可供选择,也为AI技术在更多领域的落地应用提供了契机。

2602_96567233的博客 335

智元与宇树竞争升级:2026 年谁能成为人形机器人行业第一?

人形机器人第一股”争夺激烈,2025 年 7 月宇树启动科创板上市辅导,同期智元收购上纬新材股份,虽不构成借壳上市,但被认为是对宇树的回应。一位投资人称,行业有“应用场景折价系数”,2026 年若不能在通用性上进展、找到下游需求场景,系数可能降为 0,意味着行业进入决赛阶段,“第一”含金量更高,这也解释了智元急于证明自己的原因。4 月 17 日智元 APC2026 合作伙伴大会上,创始人彭志辉表示,宇树以本体为主,智元做全栈布局,要把平台用于真实场景,带来实际生产力,意味着智元能力更全面。

IT界那些事儿 595

昨晚的「云计算春晚」,大模型、芯片连发,比OpenAI、谷歌上新都猛

与让大模型学会新技能的「训练」相对应的是,推理是 AI 模型生成预测或输出的过程,代表着模型的应用。如果说去年的我们还在摸索如何适应新的生成式 AI 技术,那么到了 2024 年的末尾,更重要的是:如何持续降低生成式 AI 的应用成本,换言之,提升生成式 AI 技术应用的性价比。基础模型之上,大模型领域的竞争已经升级到「智能体」(Agent)阶段,Anthropic、微软等公司纷纷推出了桌面级的智能体应用,它们大大扩展了大模型执行任务的范围,比如网购、发邮件、订票,就像是打通了大模型落地的最后一关。

2403_86950003的博客 819

AI大模型未来趋势:告别参数内卷,进入价值落地时代

AI大模型进入下半场竞争,技术重心转向高效推理与多模态融合,MoE架构和分层部署成为主流。AI Agent将重构交互方式,实现任务自主执行。商业化聚焦垂直场景,开源与闭源模型并存。硬件追求算力性价比,安全机制深度集成。未来人机协作将重塑职场,落地价值与场景适配能力成为核心竞争要素,行业从规模扩张转向高质量发展。(149字)

liuxingrui4p的专栏 304

巨兽对决:DeepSeek R1挑战阿里QwQ-32B,尺寸差异下的科技较量!

该怎么理解呢?我的理解,QwQ-32B是一款稠密(又称密集)推理模型。虽然只有一句话,但是信息量很大。想读懂的话,要很多“知识储备”,什么是MoE(混合专家模型)?什么是稠密模型?什么是推理模型?模型参数规模怎么对比?背后隐藏的不少问题都可展开聊,不如,聊聊有哪些结论?**第一点,**QWQ模型有一个系列,阿里在上一版的基础上,用了R1也同样用了的强化学习技术。好消息是出效果了,不出效果不会放出来。毕竟这个是开源模型,只有闭源模型才愿意买广告胡吹,开源模型则不需要。

m0_63171455的博客 931

陪伴机器人:从功能工具到情感伙伴的产业进化之路

认知交互层面,AI 大模型与垂直场景的结合催生 “千人千面” 的情感交互,元伴智能的 “IP 人格建模”技术通过用户社交数据、心理测评与IP角色库的融合,为每个用户生成专属性格模型,例如为二次元爱好者定制的“动漫角色分身”,能根据用户偏好调整对话风格,甚至触发隐藏剧情。当老人独自静坐时,又会切换成温暖的橙色 —— 这一场景折射出陪伴机器人行业的深层变革:从早期的早教机、健康监测设备,到如今承载情感交互的 “数字伙伴”,产业正经历着从“功能导向” 到 “体验导向” 的价值重构。

AndaryC的博客 1683

Google DeepMind发布Gemini 3.7 Flash:推理能力升级还半价,能否追赶对手?

多模态输入覆盖文本、图像、音频、视频,上下文窗口1M Token,输出上限64K,且已上线Gemini App、AI Studio、Gemini API和Antigravity,知识截止到2026年3月。截至今年8月,因内部测试显示Gemini在编程等领域表现落后,谷歌将下一代旗舰Gemini版本推迟了两个月。谷歌此次推出限时半价策略,输入0.75美元、输出3.75美元/百万Token,这一价格维持到2026年12月31日,之后恢复到1.50/7.50美元,和3.6 Flash标准价持平。

IT界那些事儿 119

从OpenAI与苹果诉讼看AI能力范式转移与开发者工程化挑战

在人工智能技术快速发展的背景下,理解大语言模型和API调用的基本原理成为开发者必备技能。这些技术通过提供通用智能能力,正在重塑软件构建方式,其核心价值在于将非确定性AI输出转化为稳定可靠的生产系统。在工程实践中,开发者需要掌握提示词工程、上下文管理、输出解析等关键技术,以应对模型幻觉和系统可靠性挑战。当前,开源模型私有化部署与闭源API服务的混合架构,为平衡成本与控制力提供了新思路。本文以近期行业热点事件为切入点,探讨了AI能力即服务范式对传统生态的冲击,以及开发者在工程化思维和技能栈上面临的升级需求。

weixin_30628077的博客 477
上一篇: GPT-5.6发布6天活跃用户破800万,OpenAI频繁重置额度,提示词使用方式大变革!
下一篇: 2026 年具身智能迈向场景落地期,库萨科技全栈技术助力城市服务机器人规模化发展!
IT界那些事儿
博客等级 码龄6年 2万+粉丝 22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