智谱AI与MiniMax爆发式增长:MaaS业务领先,算力与模型迭代并进

中国大模型调用量登顶全球:真实使用强度的温度计 大模型调用量是衡量AI技术落地成熟度的核心指标,反映的是真实用户行为而非理论性能。它源于API请求频次、Token处理量与服务稳定性三者的综合表现,其背后涉及推理成本、延迟控制、免费策略设计及开发者体验等工程化能力。当前中国模型调用量占全球过半份额,关键在于Qwen3.6 Plus等产品将‘快、准、省、稳’深度融入API设计,并通过精准免费额度、中文友好文档、低门槛SDK等构建高适配性工具链。这一趋势标志着AI正从实验室走向工作流毛细血管,成为程序员写SQL、运营生成文案、学生翻译论文的日常基础设施。 阅读详情

专家会议核心摘要

智谱AI与MiniMax的MaaS业务均呈爆发式增长。智谱8月底ARR达16 - 20亿美金,MiniMax 8月ARR达8亿美金且B端贡献超80%。

智谱AI毛利率由负转正至26.5%,得益于规模效应及模型迭代使推理成本降低80%,预计未来1 - 1.5年毛利率有望翻倍。MiniMax收入结构向MaaS转型,占比升至63%,虽因模型切换及补偿计划导致毛利率降至18%,但随M3Pro定价提升预计将回升。

国产算力进入经济性验证期,智谱“算力乘数”同比提升14倍,计划年底实现1元算力投入产出1元MaaS收入。

模型演进从Coding向Agent及Cowork模式进化,智谱GLM - 6与MiniMax M3Pro均瞄准GPT - 4水平,强化自进化与长任务能力。

投资侧看好国产算力产业链(超节点、GPU、交换芯片)及AI应用(网安、办公软件如金蝶、迈富时等)的商业化落地。

主要Q&A

2026年上半年智谱的收入构成是怎样的,其中MaaS业务的占比和增速如何?

2026年上半年,智谱的收入结构已完全以MaaS业务为主。MaaS业务,即开放平台及API服务,涵盖了API调用付费和CodingPlan订阅模式,其收入占比达到86.5%,约为8.3亿人民币。另一部分独立部署业务的收入占比为13.5%,与2026年年初相比,该业务在战略和收入增速上均呈现收缩趋势。因此,MaaS业务已成为公司当前主要的收入来源,并预计将保持高速增长。

智谱近期的ARR(年度经常性收入)增长趋势如何,尤其是在2026年7月至8月期间,其增长驱动因素是什么?

智谱的ARR呈现出显著的加速增长态势。公司于2026年7月10日左右披露的ARR为10亿美金,而至8月底,该数字已增至16亿美金,即在一个半月内增长了6亿美金。此ARR计算口径为月均值乘以12。若采用更激进的周均值乘以52的口径(类似MiniMax的计算方式),8月底的ARR估算可达20亿美金。2026年7月至8月ARR的大幅增长主要由以下几个因素驱动:首先,6月15日发布的GLM - 5.2模型和8月初发布的GLM - 5.3模型开始放量;其次,公司在8月初开放了CodingPlan的限售,并同步大幅提升了订阅价格,这对ARR增长贡献显著。

智谱2026年上半年的收入与其高额的ARR之间存在较大差距,应如何理解这一现象?

2026年上半年8亿多的收入与7、8月份高达10亿至16亿美金的ARR之间的差距,主要是由于ARR的爆发性增长集中在6月底之后。截至2026年6月底,公司的ARR水平尚不高,若参考Anthropic约4:1的ARR与收入比例进行倒推,当时智谱的ARR可能约为5亿多美金。进入7月份后,ARR迅速增长至10亿美金,并在8月进一步攀升,这种增长的陡峭曲线导致了上半年收入与期末ARR数值上的显著差异。

从Token调用量、用户增长和付费结构来看,智谱的业务增长呈现出哪些具体特征?

智谱的业务增长呈现出量价齐升和显著的头部客户效应。在Token调用量方面,相较于2026年初,总调用量增长了40倍,其中CodingPlan的调用量增长了23倍。在价格方面,API调用模式下的Token售价同比增长了100%,CodingPlan的订阅价格也在8月初有可观提升。在用户增长方面,截至8月,平台注册用户数从年初的300万增至740万,增长144%,而付费日活用户数则增长了6倍,显示付费转化率大幅提升。头部客户效应尤为突出,前十大用户的日均Token调用量相比年初增长了98倍。

智谱的高质量用户群体对ARR的贡献情况如何,其客户结构呈现怎样的分布?

智谱的高质量用户群体(定义为ARR大于10万美元的用户)呈现出典型的头部集中效应。截至2026年8月,在总计740万注册用户中,仅有189个高质量客户,但这部分客户贡献了当月16亿美金ARR中的7亿美金。具体来看,这189个客户的分布如下:ARR大于10万美元的用户有115个,大于50万美元的有25个,大于100万美元的有37个,大于1,000万美元的有8个,大于2,500万美元的有2个,以及ARR达到2.5亿美元的客户有2个。这种1%的用户贡献超过80%ARR的现象在行业内是常见的,显示出深度使用AI的头部企业具有极高的价值贡献。

智谱2026上半年的毛利率水平如何,其提升的驱动因素是什么,以及未来的改善空间在哪里?

2026年上半年,智谱的整体毛利率为26.5%。其中,占收入86.5%的开放平台及API业务毛利率为24.6%,相较于2025年同期的负毛利实现了显著提升,对比2026年初则提升了约6个百分点。毛利率提升主要得益于三方面:一是规模效应摊薄了Token调用成本;二是模型能力提升带动了产品定价的上涨;三是各类工程优化手段降低了推理成本。未来毛利率仍有持续提升空间,预计在未来一到一年半内有望在现有基础上翻倍。主要的优化方向包括:第一,提升集群利用率和规模效应,特别是期待年底如升腾950DT等国产算力形成规模化大集群后,能进一步提高效率;第二,优化新旧模型迭代带来的资源冗余和迁移成本,目前GLM - 5系列模型的成本相比2月份发布时已降低80%,例如通过优化harness将命中率从90%提升至98%;第三,通过更智能的路由策略,将更多任务分配给性价比更高的轻量化模型执行,从而优化整体成本结构。

智谱规划的商业模式演进路径是怎样的?

公司的商业模式规划了一个从Chatbot到自主AI的演进路径。在经历了初期的Chatbot阶段后,当前正处于从Coding向Agent,再到Cowork的模式进化过程中。这一系列模式的逐步演进,最终目标是实现能够自主运行的AI模式。

智谱AI在商业模式、算力部署和模型迭代方面有哪些最新的战略规划和进展?

智谱AI的商业模式正从以API调用为主的Coding模式,逐步向订阅制为主的Agent模式,以及未来可能以结果付费的Cowork模式演进。其中,Coding是基础能力,而Cowork模式被视为价值量最高的形态,它涉及多种Agent交互以交付工程成果。公司正选择在网络安全、法律、金融和数据分析等高价值、成果可验证且具备高智力门槛的场景进行探索。目前,网络安全被认为是最清晰的验证方向,因为其任务流程,如漏洞发现、工具调用验证和多步攻防等,能充分利用模型在代码理解、异常发现和环境反馈调整等方面的复杂底层能力。近期Anthropic的Claude3.5Sonnet和OpenAI的GPT - 4o均显著增强了网络安全能力,OpenAI还推出了GPT - 4oCyber产品,这都印证了该趋势。

在地域扩张方面,智谱AI正积极与海外CSP平台合作,计划通过开源模型或收入分成的方式进入海外市场,预计短期内将有具体进展。

在算力层面,公司采用自有集群、租用云服务和算力租赁三种方式,以租赁为主。为保障大规模模型训练所需的同构大集群稳定性,公司计划加大自有大集群的建设投入,这可能与7月份的定向增发有关。算力资源的使用上,训练的优先级高于推理,因为基础模型的智力上限决定了商业化的天花板。自2026年初,公司全面实施“All in infra”战略,将国产芯片纳入主力推理算力。近期,GLM - 5.3及0xsyrhynchus模型在国产芯片集群上成功承载了62万亿token的超大规模流量,并在6天内实现了约10万卡级的国产芯片规模化低成本推理,标志着已进入验证国产卡经济性与性价比的阶段。公司提出了“算力乘数”这一新指标,即每投入一元算力(含训练与推理)所产生的MaaS收入。该指标在2026年年中相较2025年同期提升了14倍,主要得益于单位token承载的智能提升和单位任务消耗的token成本下降。公司期望在一年左右时间内,实现每投入1元算力即可获得1元MaaS收入。

关于模型迭代,公司基本保持两到两个半月一次的升级周期,例如GLM - 5系列从2月的5.0版本迭代至8月的5.3版本,预计GLM - 6大版本将在2026年内发布。下一代模型的核心思路将围绕“自进化”能力,即模型能自主判断停止时机并进行自我纠正。在GLM - 5这个700B参数级别的模型上,公司已通过极致的后训练技术显著提升了coding效果。未来,GLM - 6将继续提升基础模型的参数上限,这需要实现数据规模的扩展(data scaling),并结合更优的后训练技术,针对网络安全、法律、金融等高价值场景进行特定强化学习和优化,目标是使GLM - 6的性能逼近GPT - 4的水平。

MiniMax在2026年的收入结构、ARR增长驱动因素以及毛利率变化情况是怎样的?

MiniMax的收入结构发生了显著变化,从过去以AI原生产品(如星野、Talkie、海螺等应用)为主要收入来源,转变为以MaaS服务为主。2026年,其MaaS服务收入达到7,400万美元,同比增长700%,在总收入中的占比从2025年的30%提升至63%。由于其AI原生产品在海外市场表现出色,公司海外市场贡献的收入占比超过六成。AI原生产品目前的收入占比约为30%多,同比也实现了翻倍增长。公司的ARR(年度经常性收入)增长迅速,于2026年8月达到8亿美元,相较于5月份的4亿美元实现了翻倍。这一增长主要由多个因素共同驱动:首先,6月1日发布的新一代大语言模型M3,在经历了初期的爬升期后,于7月和8月显著加速了ARR的增长;其次,8月1日开始贡献增量的多模态模型H3,因其优异性能(上线三周下载量超2,400万次,衍生出300个公开模型)和实时视频生成等创新应用,成为新的增长点;再次,办公场景应用的整体提升也带动了ARR的增长;最后,8月份DeepSeek宣布涨价,使得MiniMax模型的性价比优势凸显,进一步提升了调用量。业务重心的转移也体现在客户结构上,目前B端客户贡献的ARR已超过80%,而2025年同期仅为30%。其企业客户与开发者数量已超过200万,相较2025年底增长了10倍,这主要得益于M3模型升级后coding能力的提升。2026年7月的token消耗量达到了同年1月份的20倍。在毛利率方面,MiniMax的整体毛利率从年初的25.4%下降至18%。这主要是由收入结构变化导致的:一方面,MaaS服务收入占比从30%大幅提升至63%,而在MaaS服务中,增速更快的大语言模型相较于多模态模型毛利率更低;另一方面,M3模型推出初期因准备不足进行了一些token补偿计划,也对毛利率产生了一定的负面影响。

MiniMax在2026年下半年及2027年的毛利率趋势如何?其研发支出与毛利增长之间呈现何种关系?

预计公司在2026年下半年及2027年的毛利率将持续提升。此前毛利率受到M3模型推出的一次性影响,但在七八月份公司运营回归正轨后,毛利率已有所回升。未来的毛利率增长驱动因素包括:下一代模型(特别是M3Pro版本)将采用更高的token定价;同时,预计下半年研发支出的增速将低于毛利的增速。

MiniMax的算力构成是怎样的?其训练效率和现有算力储备能否支持未来的模型规划?

MiniMax的算力主要来源于三个方面:自建算力、云服务以及通过“token工厂”模式进行的算力租赁。公司在算力运用方面的一个显著优势是其高达97%的有效训练时间占比,这在行业内处于第一梯队水平。根据现有评估,公司目前掌握的算力资源足以支撑后续规划的三款新模型的研发与训练需求。

MiniMax在国产芯片的应用现状及未来规划是怎样的?公司如何评估国产芯片的效用?

MiniMax已经部分采用了国产芯片。公司预计到2026年第四季度,国产芯片的使用占比将进一步提升,并期望届时国产芯片能够在降低成本方面发挥作用,即提升性价比。根据公司的观察,采用国产芯片有助于提高整体算力利用率并降低单位token成本,因此被视为一个良好的选择。

MiniMax接下来的新模型发布计划是怎样的?各款模型的定位和技术特点分别是什么?

MiniMax计划推出三款新模型。第一款是M3.1,可视为M3的后训练版本,其主要目标是验证在M3上构建的全链路基础设施的成熟度,并提升模型的整体稳定性与推理效率。第二款是参数量接近3T的大尺寸旗舰模型M3Pro,该模型在预训练数据量和长任务后训练能力上将力求达到当前技术可实现的上限。第三款是H3.1,它是在H3多模态模型基础上的体验优化版本。目前,M3.1和H3.1的研发已接近完成,而M3Pro仍在研发过程中。

MiniMax在文本模型和多模态模型之间的战略优先级是如何定位的?公司对开源策略和成本效益有何考量?

尽管公司自成立之初便定位于全模态发展,但在当前资源有限的情况下,文本模型的研发优先级高于多模态模型。从长远来看,公司认为两类模型的发展是协同而非资源竞争关系,未来的跨界融合能力将催生更优的智能。公司始终将追求极致性价比作为核心目标之一,认为降低token成本能为后续的研发迭代(例如用更少资金进行更多轮次的训练)创造更大空间。同时,公司将延续开源开放策略,认为这是中国模型发展的首选路径。

大模型行业核心趋势及投资机会

行业呈现出几个核心趋势。在商业化层面,MaaS服务的毛利率普遍存在较大提升空间,这主要依赖于infra能力的增强;同时,下一代大尺寸模型的token价格预计将继续提升。办公场景正成为带动ARR和token消耗量增长的重要领域,这得益于模型在长任务和自治智能体方向的迭代,满足了协同办公场景的需求。

在算力部署层面,自建算力的重要性日益凸显,尤其对于训练更大参数量的模型而言,上市融资为模型公司加大自建算力投入提供了条件;同时,国产算力已进入经济性验证阶段,预计到2026年年底其性价比将有显著提升,有助于国产大模型降本增效。

在模型迭代层面,行业普遍坚持开源策略,并持续聚焦于长程任务、自治智能体系统的研发,最终方向是实现基于RLHF的自我训练与自我进化。现阶段,大语言模型因其明确的商业化路径,仍是各方投入的重点。

2026年下半年,中国的开源模型在全球范围内具备显著的投资价值,其在toB和toC、多模态和大语言模型等领域的商业化发展均呈现出多元且充分的亮点。商业化的蓬勃发展将催生对算力的巨大需求,使国产算力扮演至关重要的角色。因此,国产算力产业链值得高度关注,包括超节点、国产GPU,以及预计在2027年随着超节点使用量提升而需求增加的国产交换芯片。相关标的包括能提供超节点整机的厂商,如浪潮、华勤等。在应用侧,随着模型长程任务能力的提升,网络安全公司的能力也得到增强,构成利好。办公应用的市场接受度正迅速提高,云厂商及互联网公司的推广投入将进一步激发市场关注。此外,企业自身的Agent应用也为A股市场的企业办公软件公司(如迈富时、金蝶、鼎捷等)提供了良好的发展机遇,其AI产品的功能和易用性正不断改善。

印尼稻米收成与粮食安全数据集2026年 本数据集收录印度尼西亚2026年水稻收成与粮食安全遥测数据,包含10000条稻米农业收成产量与粮食安全监测记录,围绕印尼国家粮食安全体系中的核心作物水稻展开。稻米是印尼逾两亿人口的主粮,其收成波动直接影响国家粮食安全与进口政策,本数据集将种植区域、收成产量、气候与土壤相关遥测指标整合为结构化表格,可支撑粮食产量预测、收成影响因素分析、区域粮食安全评估与农业政策模拟等研究任务。典型应用场景包括:农业时间序列产量预测模型构建、气候因子与水稻收成的关联分析、省份与地区层面的粮食自给率测算、粮食安全风险预警指标设计,也可作为农业经济、粮食政策与数据科学交叉课程的教学素材。数据为2026年最新版,规模约1.2MB、单CSV结构规整,字段命名清晰,适合Python、Pandas、Scikit-learn等主流工具链直接使用,便于开展探索性分析、可视化与机器学习全流程练习。重要说明:本数据为遥测整理数据,分析结论以数据集文档口径为准,农业决策请结合官方统计综合研判。许可:CC0公有领域,可自由使用与二次分发。 立即下载

相关推荐

四分之一汽车模型主动悬架设计:在MATLAB_Simulink中实现比例积分控制、前馈扰动抑制和扰动估计,以优化乘坐舒适性和道路附着力。.rar

四分之一汽车模型主动悬架设计:在MATLAB_Simulink中实现比例积分控制、前馈扰动抑制和扰动估计,以优化乘坐舒适性和道路附着力。.rar

冲刺全球大模型第一股!智谱与MiniMax双双过会

中国大模型赛道在这个岁末寒冬突然沸腾,两家独角兽企业几乎同时扣响了港交所的大门,正在争夺全球大模型第一股头衔。被视为中国版OpenAI的智谱AI与主打极致效率的独角兽MiniMax,不约而同地通过了上市聆讯。两家公司的IPO冲刺,两种截然不同生存哲学的正面碰撞。一方是源自清华象牙塔的学院派正统,手握重金,深耕基座;另一方是极具极客精神的产品派新贵,出海淘金,死磕效率。

SuaniCommunity的博客 1247

Delphi 13.2控件之msquic4d.rar

Delphi 13.2控件之msquic4d.rar

AI编程“内卷“升级!智谱技术流VS MiniMax应用流,小白程序员的破局之路

中国AI大模型企业分化为两条路径:智谱AI专注技术底座和B端MaaS服务,MiniMax主打消费应用和C端产品。尽管路径不同,但两家公司都面临各自挑战,并可能殊途同归,向"两手抓"方向发展。AI企业在全球化过程中也面临区域差异、法规限制等挑战。对开发者而言,理解这两种路径有助于把握AI时代的发展机遇。

m0_59235245的博客 1233

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

AI创业“上岸“之战:智谱靠B端API年入6.85亿,MiniMax靠C端产品拿下2亿用户,谁赢了?

中国两大AI大模型企业智谱AI与MiniMax分别选择B端和C端不同商业化路径"上岸"。智谱以MaaS模式服务8000家机构客户,收入6.85亿元,但面临客户集中度高问题;MiniMax主打C端产品,拥有2.12亿用户,海外收入占比超70%,但也面临版权纠纷。尽管路径不同,两家企业长远可能都向"两手抓"模式发展,应对全球AI市场的激烈竞争和区域差异化挑战。

xx_nm98的博客 1041

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

释放工程化AI潜能:GLM-4.7与MiniMax M2.1在AI Ping平台的免费实战指南

本文聚焦AI Ping平台(aiping.cn)最新推出的两款国产旗舰模型——GLM-4.7与MiniMax M2.1的免费试用体验,通过系统性分析其技术特性、实战配置指南和性能对比数据,帮助开发者在真实业务场景中快速验证模型价值。

2301_81073317的博客 1343

机器视觉检测实战教程 19页成品课程光源选型Halcon标定海康相机VisionPro

内容概要:机器视觉检测实战教程,19页6章成品课程PDF:视觉检测光源选型对照表+五个翻车案例、Halcon模板匹配create_shape_model七参数整定、视觉标定三类(9点/旋转/手眼)、海康工业相机C#取图黑图丢帧排坑、VisionPro QuickBuild部署License迁移C#宿主、远心镜头选型。含C#/Halcon代码与现场案例。适用人群:机器视觉工程师、自动化检测开发、企业内训。使用场景:视觉方案设计、选型、标定部署、团队培训。原创整理。

【医疗器械制造】基于酸碱腐蚀环境的一次性乳胶手套铝合金手模失效机理分析与量产风险控制

内容概要:本文围绕一次性医用乳胶手套生产中使用的铝合金手模在酸碱环境下的失效风险展开系统性分析,重点探讨其在外表面腐蚀、清洗循环、氯介质侵入及表面粗糙度控制等方面的工程挑战。研究表明,尽管市场上已有带涂层的铝合金手模供应,但其能否在强碱、酸洗、毛刷摩擦、冷热交变和氯共存的复杂工况下长期维持Ra 1.0—2.5 μm的表面质量并实现稳定脱模,仍需经过严格的多阶段验证。常规阳极氧化+PTFE涂层方案已被实测排除,而316L不锈钢筒体在湿氯环境中出现的三个月内腐蚀失效案例提示必须重视内腔隔离设计。文章强调,采购决策应基于“小批量试制—离线加速试验—影子生产验证—条件性放行”的四阶段准入机制,结合表面参数、工艺相容性、手套成品性能与全生命周期成本进行综合评估,避免依赖供应商宣传数据。; 适合人群:从事医疗器械制造、材料工程、设备采购与工艺质量管理的技术人员及决策管理者,尤其是涉及乳胶手套生产线优化与手模选型的相关从业人员。; 使用场景及目标:①评估铝合金手模替代陶瓷手模的技术可行性与风险边界;②建立手模选型的系统验证流程,防范因表面失效导致的脱模异常、手套缺陷与非计划停机;③指导采购合同中技术条款的制定,确保供应商交付具备可验证数据支撑; 阅读建议:此资源以工程实证为导向,建议读者结合自身产线工艺参数,重点关注外表面Ra控制、内腔双密封设计、影子生产验证方法及失效链追溯体系的构建,在试制阶段严格执行多维度联合判定标准,审慎推进规模化替代。

中国AI大模型:当价格战落幕,谁在用智能重构估值逻辑?

真实的中国AI市场,正在发生一场深刻的分层——头部巨头用万亿参数和百亿资本浇筑智能壁垒,而另一批玩家则通过"全栈闭环+垂直落地"在缝隙中建立真实的现金流

CyberVein的博客 380

【新能源电力系统】项目介绍 MATLAB实现基于GWO-VMD-SSA-LSTM灰狼优化算法(GWO)结合变分模态分解(VMD)、麻雀搜索算法(SSA)及长短期记忆网络(LSTM)进行辐照度-温度驱动

内容概要:本文提出了一种融合灰狼优化算法(GWO)、变分模态分解(VMD)、麻雀搜索算法(SSA)和长短期记忆网络(LSTM)的复合模型(GWO-VMD-SSA-LSTM),用于实现高精度的辐照度-温度驱动短期光伏功率预测。该模型首先通过GWO优化VMD的关键参数(模态数K和惩罚因子α),实现对非平稳光伏功率序列的高效多尺度分解,降低信号复杂性;随后利用SSA对LSTM的超参数(如隐藏层单元数、Dropout率、学习率等)进行智能寻优,提升网络训练效率与泛化能力;最后通过独立LSTM网络对各VMD模态进行预测并重构输出。模型结合了信号分解、智能优化与深度学习优势,显著提升了在多云、阴雨等复杂天气下的预测精度与稳定性,并通过MAE、RMSE、MAPE和R²等指标验证了有效性。文中还提供了完整的MATLAB实现流程,涵盖数据清洗、归一化、滑动窗口构建、参数优化与结果可视化等环节。; 适合人群:具备一定机器学习与时间序列预测基础,从事新能源发电预测、智能电网调度、电力系统自动化等相关领域的科研人员、工程师及研究生。; 使用场景及目标:①解决光伏功率受辐照度、温度等因素影响而导致的强随机性、非平稳性预测难题;②提升短期(15分钟至1小时)光伏出力预测精度,支撑电网经济调度、储能协同控制与电力现货市场申报;③为多源气象数据驱动的可再生能源预测提供可扩展的技术框架。; 阅读建议:建议结合提供的MATLAB代码逐步实践,重点关注GWO与SSA的优化机制、VMD分解效果及其与LSTM的集成方式,注意避免时间泄漏问题,推荐在实际数据上复现实验以深入理解模型性能。

智谱万亿市值后创始人避谈 Coding 剑指 AGI,能否绕过商业化追问?

唐杰在学这一招,他在信里甚至引用了 Google DeepMind 的《From AGI to ASI》报告,说即便单个模型能力停在人类水平,只要算力还在增长,超级智能可能会被硬生生挤出来。事实证明,他赌对了。暴跌原因复杂,包括模型迭代不及预期、市场整体风险偏好下降,更宏观的背景是 2026 年 Q2 全球 AI 概念股集体承压,美联储加息预期升温、企业 IT 预算普遍收缩,资本对高估值、低利润的 AI 公司整体趋于审慎。至于能不能绕过去,要看“摸高”最终摸到的,是真正的技术天花板,还是资本耐心的天花板。

IT界那些事儿 37

MCGS的Http协议驱动,支持http协议

硬件配置 参数设置 设备属性 设备命令 通讯状态 附录 #HTTP 1、 设备简介 驱动类型 该驱动为独立设备,直接添加构件即可,不需要挂载到父设备下 通讯协议 采用标准HTTP1.1协议 通讯方式 驱动构件为客户端。 2、 硬件连接 本软件在通讯之前,请保证通讯连接正确。通讯连接方式:采用标准的RJ45接口的以太网接线(对调网线或使用HUB交换)。 3、 设备通讯参数 本设备为独立设备,无父设备参数 4、 设备构件参数设置 “HTTP设备”参数设置如下: <1> 内部属性: 构建url信息。 <2> 最小采集周期:本软件对设备进行操作的时间周期,单位为ms,默认为100ms。 <3> 通讯等待时间:通讯数据接收等待时间,默认设置为200ms,当采集速度要求较高或数据量较大时,设置值可适当减小或增大。 <4> HttpHead:http head添加需要的字段,不需要添加http head时值为空,默认不添加。 5、 设备命令 本设备构件提供设备命令,用于进行相应的操作,设备命令的格式如下: 设备命令 命令介绍 GetHttpHead 格式1 GetHttpHead(headStr) 用途 获取http head参数 参数 headStr 参数可以为字符型变量、字符串常量 例1 !SetDevice(设备0,6,"GetHttpHead(headStr)") 获取http head数据保存到headStr中 SetHttpHead 格式1 SetHttpHead(headStr) 用途 设置http head参数 参数 headStr 参数可以为字符型变量、字符串常量

【DBO三维路径规划】基于多策略改进的蜣螂算法MSDBO多无人机协同集群避障路径规划(目标函数:最低成本:路径、高度、威胁、转角)研究(Matlab代码实现)

内容概要:本文研究了基于多策略改进的蜣螂优化算法(MSDBO)在多无人机协同集群三维路径规划中的应用,旨在解决复杂三维环境下的避障与最优路径搜索问题。通过构建包含路径长度、飞行高度、威胁规避和转弯角度的综合成本目标函数,利用MSDBO算法对多无人机系统的飞行轨迹进行全局优化,实现在保证安全性与稳定性的前提下达到最低能耗与最优性能的目标。文中详细阐述了算法的多策略改进机制、三维环境建模方法以及多无人机协同避障策略,并通过Matlab仿真平台验证了该方法相较于传统优化算法在收敛速度、路径质量和鲁棒性方面的优越性能。; 适合人群:具备一定优化算法理论基础和无人机控制系统知识的科研人员及研究生,特别适用于从事智能优化算法、多智能体协同控制、路径规划与自主导航等相关领域的研究人员和技术开发者。; 使用场景及目标:①应用于灾害救援、军事侦察、智能巡检等复杂三维场景中多无人机协同任务的路径规划;②为多目标约束下的路径优化、动态避障与能耗平衡问题提供高效的算法支持与仿真验证工具;③推动智能优化算法在无人系统自主决策与协同控制中的实际应用与工程落地。; 阅读建议:建议读者结合提供的Matlab代码深入理解算法的具体实现过程,重点关注目标函数设计、多策略改进机制(如种群初始化、自适应参数调整、局部搜索增强等)及仿真结果分析部分,同时可尝试将该算法迁移至其他智能优化算法框架中进行对比研究,以深化对路径规划问题本质的理解与实践能力的提升。

突发!9月2日智谱入驻天猫卖Token,上半年营收增近4倍、亏损仍存,8月ARR达16亿美元

费用方面,智谱的研发开支由去年上半年的15.95亿元增加至21.31亿元,增幅达33.6%,主要由于持续加大模型训练的研发投入,以支撑GLM系列模型智能上限的持续突破。其中,开放平台及其他基于AI的企业服务收入为0.74亿美元,同比增长703.1%,营收占比从去年同期的30.3%跃升至63.4%,成为公司第一大收入来源。2026年上半年,公司云端部署收入由去年同期的0.29亿元增加至8.25亿元,增幅高达2735.7%,营收占比也由去年同期的15.2%大幅攀升至86.5%,成为公司营收增长的绝对引擎。

IT界那些事儿 16

【学长笔记】点亮 STM32F411CEU6 板载 LED —— 入门级教程

本文提供了STM32F411CEU6开发板(Black Pill)点亮LED的完整教程。详细介绍了硬件信息(板载LED连接PC13,低电平有效)、CubeMX配置步骤(GPIO输出模式)、Keil5工程设置及完整代码实现(包含GPIO初始化和系统时钟配置)。教程还涵盖ST-Link下载器连接方法、程序下载步骤(需配合BOOT0按键操作)以及验证程序运行的方法。该教程特别适合STM32初学者,通过简单的LED闪烁示例快速入门STM32开发。

apple_53308981的博客 1328

大模型厂商常用的数据库有哪些?

存几十TB训练语料、几十GB模型权重、用户上传原始文件、多模态音视频素材。监控GPU显存、推理QPS、token速度、任务排队时长、集群故障指标。JuiceFS、对象存储OSS、MinIO。六大类,标注每家真实落地选型。

张晨光老师的播客 538

Anomalib实战:从零开始构建自定义数据集的异常检测模型

本文详细介绍了如何使用Anomalib 2.1.0从零开始构建自定义数据集的异常检测模型。通过实战演示,指导读者准备符合规范的数据集结构,快速上手训练Patchcore等先进算法,并完成模型推理与调优,为工业质检、医疗影像等场景提供高效的视觉异常检测解决方案。

weixin_29165465的博客 111

看完这篇爽文我终于学会了示波器(一)

示波器基础篇的介绍,希望对你有用,下次分享一下如何测试。

qq_45508321的博客 974
上一篇: Eureka架构:让AI动态“生长”大脑,突破科学难题解决瓶颈!
下一篇: 大厂重金押注AI办公,是恐惧驱使还是创业机遇?中国Agent时代角逐正酣!
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